{"id":10089,"date":"2019-08-05T07:13:43","date_gmt":"2019-08-05T07:13:43","guid":{"rendered":"https:\/\/www.inspark.nl\/?p=10089"},"modified":"2023-03-01T17:21:29","modified_gmt":"2023-03-01T17:21:29","slug":"artificial-intelligence-je-proof-of-concept-opschalen-naar-productie","status":"publish","type":"post","link":"https:\/\/www.inspark.nl\/artificial-intelligence-je-proof-of-concept-opschalen-naar-productie\/","title":{"rendered":"Artificial intelligence – Je Proof of Concept opschalen naar productie"},"content":{"rendered":"

Welke stappen kan je nemen om datagedreven werken tot in de vezels van je organisatie te laten doordringen? En hoe maak je de stap van experimenteren met artificial intelligence (AI) en machine learning (ML) naar het daadwerkelijk benutten van je data? In deze blogpost gaan we in op de uitdagingen van het opschalen van je Proof of Concept (PoC) naar productie.<\/p>\n

Steeds meer bedrijven zien de kracht van datagedreven toepassingen binnen organisaties in. De belangrijkste redenen voor het gebruik van data zijn het opdoen van nieuwe inzichten (bijvoorbeeld inzicht in het productsucces binnen verschillende doelgroepen), het verhogen van de omzet (bijvoorbeeld door te focussen op specifieke klantgroepen) en het verlagen van kosten (bijvoorbeeld door kostenoptimalisatie van logistieke processen door deze te baseren op voorspellingen).<\/p>\n

Veelal wordt hier artificial intelligence (AI) of machine learning (ML)<\/a> voor ingezet. Een volgende stap in het gebruiken van data om een voordeel te behalen op de concurrentie is het ontwikkelen van nieuwe businessmodellen. Hierbij kan je denken aan het beschikbaar stellen van (geanonimiseerde) data aan ge\u00efnteresseerde derde partijen, wat ook wel data monetization wordt genoemd.<\/p>\n

Proof of concept opstarten<\/h2>\n

Maar waar begin je nou eigenlijk als jouw organisatie een datagedreven transformatie wil maken? Stel, je hebt de juiste mensen bij elkaar gevonden en bent klaar om met de data binnen je bedrijf aan de slag te gaan. Wat is dan je eerste stap?<\/p>\n

1. Begrijp de mogelijkheden van AI – en snap ook wat wel en niet kan<\/h3>\n

AI en ML vormen niet de oplossing voor alle problemen waar je op dit moment in je bedrijf tegenaan loopt. De ontwikkelingen in dit werkveld volgen elkaar weliswaar in rap tempo op, maar dat betekent nog niet dat de mogelijkheden van data en AI oneindig zijn.<\/p>\n

\n

Tip van InSpark<\/span><\/h4>\n

Het allerbelangrijkste is dat je niet alleen maar kijkt naar welke problemen je met data kan oplossen, maar welke ook echt de moeite waard zijn om op te lossen. Dit wordt business- and data understanding genoemd.<\/p><\/blockquote>\n

\"\"<\/p>\n

<\/h6>\n

<\/h3>\n

<\/h3>\n

<\/h3>\n

<\/h3>\n

<\/h3>\n

Figuur 1: Identificeer problemen die de moeite waard zijn om op te lossen<\/h6>\n

2. Focus op de juiste use-case<\/h3>\n

Je bent enthousiast en ziet eindeloze mogelijkheden om waarde toe te voegen, maar welke use-case is de juiste om als eerste op te pakken?<\/p>\n

Het lijkt wellicht een goed idee om direct een lastig project op te pakken om zo de toegevoegde waarde van datagedreven oplossingen duidelijk te maken. Bedenk echter dat de complexiteit van dergelijke problemen de kans verkleint om op korte termijn resultaten te boeken. Het is dus beter om te starten met een use case waarvoor minder inspanning nodig is, maar waarbij je wel voldoende impact kan maken. Het belang om aan de keuze voor een goede use-case voldoende tijd te besteden, kan niet genoeg benadrukt worden.<\/p>\n

\n

Tip van InSpark<\/span><\/h4>\n