Het lijkt erop dat de piek van de generatieve AI (GenAI) hype cycle voorbij is en dat het nu tijd wordt om verwachtingen waar te maken. Dat betekent dat er een overgang aankomt naar een meer realistische en praktische benadering van AI met concrete toepassingen. Tegelijkertijd zien we ook nog steeds veel concurrentie in de markt en wil iedereen zo snel mogelijk GenAI inzetten. Snelheid is daarin dus geboden, maar hoe krijg je dat voor elkaar en hoe zorg je ervoor dat deze ook betrouwbaar is. We kunnen daarvoor leren van het ontwikkelproces van traditionele analytics en AI, zoals we dat al vele jaren toepassen.
Toegang tot data en het democratiseren van AI en analytics
Om AI zowel snel als betrouwbaar te ontwikkelen is een gedegen ontwikkelproces vereist. En dat begint bij data. Om sneller te kunnen innoveren en nieuwe AI-oplossingen of -modellen te ontwikkelen, heb je toegang nodig tot voldoende betrouwbare data. Deze data moet uit allerlei bronsystemen worden ontsloten om het vervolgens te kunnen analyseren. Als de data op orde is, kan met behulp van slimme AI-algoritmen kennis uit de data worden gehaald. Machine learning-algoritmen ontdekken patronen die gebruikt kunnen worden voor het nemen van nieuwe beslissingen.
Hierin kun je nog een stap verder gaan door dit ontwikkelproces gedeeltelijk te automatiseren. Dan gaat het systeem zelf aan de slag met het trainen en testen van verschillende algoritmen om tot het beste resultaat te komen. Op deze manier kom je veel sneller tot het best getrainde AI-model, dat je vervolgens in de praktijk kunt inzetten, bijvoorbeeld als een realtime aanroepbare API. Voordat je dit doet, wordt alles grondig gevalideerd en wordt een proces ingericht voor continue monitoring van de kwaliteit. Dit leidt tot het tijdig bijsturen, hertrainen of zelfs stoppen van het gebruik.
Dit is in het kort de data en AI lifecycle die steeds wordt doorlopen, van het managen van data, het ontwikkelen van modellen en vervolgens het nemen van beslissingen op basis van de uitkomst. Gedurende deze lifecycle wil je zoveel mogelijk kennis vanuit de organisatie samenbrengen en gebruiken. Denk bijvoorbeeld aan kennis van een bepaald domein, technische kennis en productkennis. Want door samen te werken kom je sneller tot nieuwe ideeën en oplossingen.
Ook voor het ontwikkelen en inzetten van GenAI is het essentieel dit ontwikkelproces goed op te zetten en te volgen. Zo is ook voor GenAI de data die je gebruikt bepalend voor de kwaliteit en betrouwbaarheid van het eindresultaat.
Toegankelijke AI
Daarbij is AI-democratisering een belangrijke factor, waarbij AI-technologieën, -tools en -mogelijkheden toegankelijk en bruikbaar worden gemaakt voor een bredere en meer diverse groep mensen. Door AI te democratiseren, worden de gebruikers in staat gesteld om meer voordeel te halen uit AI-technologie en zo efficiënter te werken en meer te bereiken.
Om dit voor elkaar te krijgen, is het belangrijk om toegang te hebben tot een platform waarop iedereen van elk kennisniveau en van verschillende afdelingen kan samenwerken. Dit gaat van ontwikkelaars die uit de voeten kunnen met verschillende programmeertalen tot business analisten en eindgebruikers, die liever werken met visuele interfaces zonder te moeten coderen. Zo ben je als bedrijf niet alleen afhankelijk van (schaarse) data scientists of technische experts, maar kun je ook gebruikmaken van andere vaardigheden, kennis en ervaring. Dit zorgt niet alleen voor een snellere ontwikkeling, maar ook voor een beter resultaat.
Een goed voorbeeld zijn academische ziekenhuizen. Voor optimale zorg aan patiënten wordt steeds vaker AI ingezet, zowel voor procesoptimalisatie als medische beslissingen. Uiteraard blijft de arts of verpleegkundige eindverantwoordelijk, maar ondersteuning en sturing vanuit AI helpt daarbij. Bij de ontwikkeling van deze AI-modellen werken data scientists nauw samen met artsen, promovendi en andere disciplines om AI betrouwbaar in te zetten. Zelfs medische professionals zonder codeerervaring zijn in staat zelf AI te ontwikkelen. Ook bij het gebruik van GenAI is het cruciaal om domeinkennis te combineren met data science om te bewaken dat de AI betrouwbare en bruikbare resultaten oplevert voor zorgprofessionals.
Betrouwbare uitkomsten
Natuurlijk komen er naast het democratiseren van AI ook andere uitdagingen naar voren. Zo is het cruciaal om in te zetten op verantwoord en veilig gebruik van AI. Niet alleen om ervoor te zorgen dat je aan de regelgeving voldoet, maar ook dat eindgebruikers weten dat ze kunnen vertrouwen op de uitkomsten van het AI-model.
Zo is het bijvoorbeeld belangrijk om bias in AI-modellen te voorkomen en hierop te blijven monitoren. Een data en analytics platform als SAS Viya heeft ingebouwde functionaliteiten, zoals rechtvaardigheids- en biasbeoordelingen, die potentiële verschillen in modelprestaties en voorspellingen voor verschillende groepen aan het licht brengen. Op deze manier kun je onbedoelde vooroordelen beperken en ervoor zorgen dat het AI-model blijft functioneren zoals oorspronkelijk bedoeld.
Bouw data en AI governance in voor betrouwbare processen en resultaten. Door metadata over het model vast te leggen met gedetailleerde gegevens, zorg je ervoor dat je op een veilige, betrouwbare en transparante manier werkt. Hierin wordt bijvoorbeeld vastgelegd wie het model heeft gemaakt, op welke data het is gebaseerd, waar het model wordt ingezet en wie de rechten heeft om het model te gebruiken. Dit kan vervolgens ook worden gecontroleerd om te monitoren hoe de AI-modellen worden gebruikt. SAS gebruikt bijvoorbeeld Model Cards om informatie over de prestaties en betrouwbaarheid van het model vast te leggen en te bewaken.
Werken op jouw voorwaarden
Om het maximale uit je data en AI te halen, wil je natuurlijk werken op een manier die past binnen je bedrijf. Daarom is het belangrijk om een platform te kiezen dat je die flexibiliteit biedt. Dit geldt zowel voor de programmeertalen en ontwikkelomgeving die je wilt gebruiken als voor de manier waarop data en software beschikbaar worden gesteld. Met SAS Viya kun je naast de SAS-taal ook gebruikmaken van open source tools, en deze integreren, beheren en operationaliseren. Daarnaast is het cruciaal hoe de data en software worden gehost. Wil je alles in je eigen datacenter houden vanwege gevoelige data, of wil je juist de voordelen van de cloud benutten? En mag dan iemand anders dit beheren of wil je dit in-house doen? Dit zijn belangrijke vragen om bij stil te staan wanneer je besluit met een extern platform te werken.
Tot slot is het natuurlijk van belang om de innovaties die je ontwikkelt snel te realiseren en aan eindgebruikers te kunnen leveren. SAS Viya is ontworpen om alle stappen in de data en AI lifecycle snel en gemakkelijk te doorlopen – van het ontsluiten van data uit allerlei bronsystemen tot het leveren van praktisch toepasbare inzichten.
Steeds meer initiatieven, startups en kleine bedrijven ontwikkelen AI-toepassingen, maar stuiten vervolgens op problemen bij de daadwerkelijke implementatie daarvan. Soms ontbreekt de benodigde data in het productiesysteem of kan het model daar niet of niet snel genoeg worden uitgevoerd. Het maakt nogal een verschil of het een batch, real-time of streaming toepassing van AI is. Allemaal redenen waarom het niet lukt om het te operationaliseren. En die laatste stap is juist zo belangrijk om er in de praktijk de vruchten van te plukken.
Als je sneller wilt innoveren en daarbij Generatieve AI wilt inzetten, overweeg dan een platform zoals SAS Viya. Dit platform ondersteunt het volledige proces, van het ontsluiten van data en het creëren van betrouwbare AI-modellen tot het snel operationaliseren van AI-modellen en het beheren en implementeren ervan.
Dit is een ingezonden bijdrage van SAS. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.