Heb je weleens een robotstofzuiger aan het werk gezien? Dit is in eerste instantie leuk om naar te kijken. Alleen, als je de stofzuiger net dat ene stukje vuil wilt laten opzuigen en keer op keer mist, wordt nog steeds niet de hele activiteit van schoonmaken uit handen genomen. Kunstmatige intelligentie of Artificial Intelligence (AI) komt hier mee overeen. AI automatiseert routinematige taken en kan significante, tastbare waarde opleveren. Maar als je niet uitkijkt, loop je telkens tegen dezelfde beperkingen of obstakels aan. Dit tast de waarde die je uit AI kunt halen aan.
Verschillende cijfers wijzen erop dat bedrijven meer tijd kwijt zijn aan beperkingen en obstakels van AI dan dat zij waarde halen uit de technologie:
- Zo maakt 84% van de klanten zich zorgen over de kwaliteit van data waar algoritmes mee werken
- Een vergelijkbare groep (86%) stelt daarnaast niet de maximale waarde uit hun data te halen
- Ruim driekwart (74%) geeft toe dat hun datalandschap dusdanig complex is dat dit hun flexibiliteit beperkt.
Levensader van AI
Bij een robotstofzuiger is voorwerk – zoals het aan de kant zetten van stoelen – de sleutel tot een goed resultaat. Bij AI is dit niet anders. De technologie maakt gebruik van complexe rekenmodellen en geavanceerde rekenkracht om resultaten te leveren. Deze berekeningen en hardware zijn afhankelijk van data, die de levensader van AI vormen. Zonder een goede grip op databeheer kan AI dan ook geen optimale resultaten opleveren.
Databeheer is uitdagend. Zo is data opgeslagen op verschillende locaties, verspreid over cloud en on-premise systemen. Tegelijkertijd neemt de hoeveelheid data waarover bedrijven beschikken explosief toe. Zo verzamelen sensoren en IoT steeds meer gegevens. Bedrijven staan dan ook voor de uitdaging data uit een groot aantal bronnen te combineren. AI moet deze gegevens verzamelen, integreren en combineren met onder meer afbeeldingen, video’s, audiobestanden en tekstbestanden.
AI beter schaalbaar maken
Het simpelweg beheren van al deze integraties en verwerken van verschillende type data (zoals audio, beeld en tekst) vereiste voorheen het gebruik van meerdere tools. Hier komt nu verandering in. Een nieuwe generatie cloud oplossingen maakt AI schaalbaar over de gehele organisatie door drie kritieke elementen te beheren:
- De data die je nodig hebt, ongeacht de locatie of het soort data
- Het ontwerp van machine learning algoritmes met de tools en raamwerken die data science-teams willen gebruiken
- De uitrol van machine learning met behulp van cloud containers, zodat IT AI snel kan uitrollen, beheren en de volledige end-to-end levenscyclus van AI kan automatiseren
AI is een teaminzet die coördinatie en samenwerking vereist tussen:
- Gebruikers die de behoeften van de organisatie en diens klanten begrijpen
- Data scientists die weten waar data zijn opgeslagen en hoe deze zijn gestructureerd
- De data Science-teams die begrijpen hoe zij waarde uit data kunnen extraheren
Ieder lid van het AI-team moet samenwerken om een maximale productiviteit en snelheid te realiseren. Zij krijgen hierbij ondersteuning van software die functionaliteiten bevat voor governance, het beheer van metadata en machine learning transparantie. Deze aanpak stelt je in staat zeker te stellen dat de resultaten van hun inzet uitlegbaar, begrijpbaar en betrouwbaar zijn.
Wil je meer weten over het belang van data management en AI? Lees dan ook het blog ‘Wat is Data Management?’
Lees verder