Het is duidelijk dat organisaties die succesvol kustmatige intelligentie (ai) toepassen, dezelfde partijen zijn die klaar zijn met eenmalige analyses of het eenmalige gebruik van modellen. Zij richten zich op het beheren van honderden (of zelfs duizenden) modellen in productie. Het mag ook duidelijk zijn dat automatisering de enige manier is waarop ze dit kunnen realiseren.
Het is ongeveer anderhalf jaar geleden sinds de term augmented analytics in zwang raakte. Toch zijn organisaties langzamer in het adopteren van dit concept dan verwacht. Hieronder de belangrijkste redenen waarom bedrijven dit jaar meer focus zouden – of eerder moeten – leggen op automatisering.
- Het haalt de robot uit de mens
Niemand vindt het leuk om repeterend werk te doen dat net zo goed door een computer is uit te voeren. Hier worden data-analisten (die liever hun tijd besteden aan interessante projecten en het ontwikkelen van hun machine learning (ml)-vaardigheden) en datawetenschappers (die van nature nieuwsgierig zijn en niet het leeuwendeel van hun tijd willen besteden aan het opschonen van data) niet blij van.
Als je als organisatie geen talent kwijt wil raken, dan is het logisch om geleidelijk stappen in het datascience-proces te automatiseren. Voor het behouden van datawetenschappers en andere data-professionals is tegenwoordig meer nodig dan een gameroom en een chef-kok in het personeelsrestaurant. Deze medewerkers hebben bovendien ook nog eens ruimte keuze in banen, zeker als ze goed zijn in wat ze doen.
- Het is de enige route naar massale schaalgrootte
Het meedoen aan de ai-race zonder auto-ml of augmented analytics is als het verschijnen aan de start van de Formule 1 zonder de juiste auto en een goed team. Natuurlijk kun je zonder deze zaken aan de slag gaan met ml en ai, maar het zal veel langzamer gaan en minder efficiënt zijn, wat ook betekent dat het lastig te schalen is.
Business intelligence (bi) draaide om het beantwoorden van een vraag tegelijk. Of een vraag met een dashboard. Maar hoe ga je van slechts een vraag naar het beantwoorden van miljoenen vragen? Meer personeel aannemen?
Bedenk eens wat een datateam kan realiseren als het meer tijd zou hebben. Dit betekent natuurlijk niet dat iedereen zijn baan verliest – en nee, robots nemen niet alle banen over. Er zou meer tijd zijn voor innovatie; onderzoek naar nieuwe use-cases, het initiëren van nieuwe projecten en samenwerken met andere teams. Dit laatste betekent ook dat meer onderdelen van de organisatie profiteren van data-initiatieven. Op het gebied van hr bijvoorbeeld liggen er interessante kansen voor de toepassing van ai.
- Meer tijd voor transparantie en vertrouwen
Een grote uitdaging om alles te halen uit auto-ml en augmented analytics, is dat problemen op het gebied van de transparantie van modellen en het vertrouwen in data op de achtergrond kunnen raken. Maar het is ook zo dat het automatiseren van onderdelen van het dataproces meer tijd geeft om na te denken over deze issues. We kunnen meer controles en testen uitvoeren en garanderen dat beleid rond de vertrouwelijkheid van data en transparantie wordt nageleefd. En laat dit nou net één van de belangrijkste problemen zijn die alleen door ons mensen is op te lossen.
Bij BI blijft de data die er in gaat bepalend voor het eindresultaat.
De vraag is natuurlijk hoeveel vragen je eigenlijk wilt beantwoorden en wat het nut van al die vragen is in de praktijk.
De huidige faillissementen van de retail winkels laat zien dat ondanks het goede inzicht in de verkoop en het proces daaromheen het toch niet lukt om winstgevend te blijven.