Organisaties staan onder toenemende druk om data om te zetten in waardevolle inzichten die impact hebben op alle aspecten van het bedrijf. Investeren in ai/ml is niet langer optioneel, maar cruciaal om concurrerend te blijven. Uit onderzoek blijkt dat acht op de tien bedrijven voorrang geeft aan ai/ml-projecten boven andere it-projecten.
Meer, 42 procent geeft aan dat het de belangrijkste it-prioriteit is. Toch brengt deze groeiende investering ook uitdagingen met zich mee. Ai blijft complex en resultaten die echte verandering stimuleren, kunnen ongrijpbaar zijn. Bovendien is investeren slechts de eerste stap, en niet zaligmakend.
Voor het onderzoek werden vierhonderd organisaties in verschillende sectoren ondervraagd en werd ook inzicht verkregen in belangrijke barrières voor organisaties op het gebied van ai/ml en de manieren waarop ai economische groei stimuleert. Maar liefst 86 procent van de respondenten geeft aan dat de bestedingen aan ai/ml binnen de organisatie het afgelopen jaar zijn toegenomen.
Verder blijkt dat organisaties die ai/ml inzetten te maken hebben met steeds complexere operationele problemen na de implementatie. De realiteit is dat de overgrote meerderheid van organisaties nog steeds moeite heeft om modellen in productie te nemen en hun zakelijke impact te maximaliseren. Een van de vijf trends in ai/ml die uit het onderzoek naar voren kwam, is de dringende behoefte aan automatisering van ai.
Behoefte aan automatisering
Naarmate ai/ml-budgetten en het aantal data-scientists toeneemt dat bedrijven in dienst hebben, pakken organisaties steeds geavanceerde ai/ml-gebruiksscenario’s aan en proberen ze de prestaties van de modellen die ze in productie hebben te maximaliseren. Velen zijn daarvoor nog steeds afhankelijk van handmatige processen. Als bedrijven willen uitbreiden naar complexere use-cases voor ai/ml, moet fullstack ml-application waarneembaarheid centraal staan - en hebben ze de juiste tools nodig om dit proces te automatiseren en de prestaties te maximaliseren.
Om de rendement op investering (roi) te optimaliseren, moeten organisaties niet alleen rekening houden met infrastructuur- en rekenkosten, maar ook met de totale kosten van een model. Deze omvatten ook de arbeid die nodig is om modellen te bouwen, te implementeren en te beheren. En dit kan oplopen tot een verrassend hoog bedrag als een team handmatig werk doet dat zou kunnen worden geautomatiseerd.
Het klinkt aannemelijk dat organisaties met de grootste ai/ml-resources en schaal al volledig geautomatiseerde pijplijnen hebben gebouwd – maar juist het tegenovergestelde is waar. Organisaties die meer data-scientists in dienst hebben en meer modellen in productie hebben, hebben de neiging om:
- Een groter deel van de tijd van hun data-scientists te besteden aan model implementatie;
- Langer de tijd te nemen om getrainde modellen in productie te nemen;
- Een groter percentage modellen te hebben dat niet met succes is te implementeren (gedefinieerd als modellen die een organisatie ontwikkelt die niet binnen ten minste een jaar in productie worden genomen).
Dit suggereert dat ondernemingen met de meeste middelen voor ai/ml deze ook het minst efficiënt gebruiken. Zo worstelt bijna negentig procent van de respondenten met lange tijdslijnen voor de implementatie van modellen. De meerderheid (59 procent) van de ondervraagde organisaties heeft minimaal een maand nodig om een getraind model in productie te nemen. Dit betekent dat het langer duurt voordat deze organisaties kunnen profiteren van ai/ml. Bij een derde van de bedrijven besteden data-scientists zelfs meer dan de helft van hun tijd aan het implementeren van modellen. In plaats van hun pijplijnen te automatiseren, nemen ze meer handmatig werk op zich om grotere schaal te bereiken. Dit is onhoudbaar.
Kloof
Er is een kloof tussen experimenteren met ai en daadwerkelijk significante waarde halen uit ai. Het overbruggen van die kloof vereist investering in ml-ops-volwassenheid. Door het automatiseren van ai/ml-pijplijnen kunnen organisaties de prestaties en roi optimaliseren. Een geautomatiseerde ai/ml-pijplijn levert niet alleen modellen aan de productie, maar bewaakt ook hun prestaties, activeert waarschuwingen en start model retraining, waardoor hoogwaardige ai/ml mogelijk wordt die continu modellen verbetert en downtime minimaliseert.
Dit elimineert onnodige handmatige implementatie en beheer, waardoor teams zich kunnen richten op het bouwen van innovatieve modellen met maximale zakelijke impact.
Het automatiseren van ai/ml-pijplijnen en het bieden van end-to-end-monitoring en observatie is de enige manier om die waarde te ontsluiten en te beschermen tegen risico’s van implementaties die niet goed worden gecontroleerd. Het goede nieuws is dat de beloning groot is – de bedrijven die met succes de kloof oversteken, zullen de komende jaren leiders zijn in hun branches.
Eerste stap
Investeren in ai/ml is nodig om concurrerend te blijven in het nieuwe normaal, en in de toekomst. Maar investeren is slechts de eerste stap. In een tijd van toenemende complexiteit zal ai/ml alleen niet voor succes zorgen. Het is duidelijk dat ondernemingen zich moeten concentreren op het automatiseren van hun ai/ml-pijplijnen om deze problemen op te lossen. Als ze dat doen, zullen ze efficiënter worden en hun roi verbeteren.
Eerlijk verhaal over dat de ‘alchemie’ van datawetenschap meer beloofd dan levert als niet alle data om te zetten zijn in goud.