Het omgaan met de druk van het gebruik van AI

Wanneer grote organisaties miljarden dollars besteden aan onderzoek en ontwikkeling van een baanbrekende technologie, komt er een moment waarop de technologie klaar is voor gebruik op grote schaal. De technologiereuzen zetten hun beste beentje voor om ervoor te zorgen dat de technologie op wereldwijde schaal wordt omarmd. Dit zijn opwindende tijden voor elke technologieliefhebber, en het is natuurlijk om de drang te voelen om deel uit te maken van de beweging en niet buitengesloten te worden.

Mensen in alle lagen van een organisatie voelen de druk om AI-gebaseerde oplossingen te gebruiken voor elk zakelijk probleem. Hoe ga je om met die druk en neem je de juiste beslissingen voor je zakelijke problemen? Laten we het probleem ontrafelen en de mist wegnemen om een duidelijk beeld te krijgen van wanneer AI te gebruiken en wanneer niet.

Belangrijke vragen om te beantwoorden

Voordat je te diep ingaat op het ontwerpen van oplossingen voor specifieke zakelijke problemen en gebruiksscenario’s, zijn er enkele zeer fundamentele vragen die je jezelf kunt stellen die je sterke aanwijzingen zullen geven of je tijd en energie moet investeren in het bouwen van AI-oplossingen.

• Zal investeren in een op AI gebaseerde oplossing ons helpen de status quo in onze branche te verstoren?
• Zal het ons helpen om van een achterblijver in de branche uit te groeien tot marktleider voor een van onze producten of productkenmerken?
• Kunnen we AI gebruiken voor een van onze productontwikkeling of productieprocessen? Vermindert het aanzienlijk de operationele kosten op de lange termijn voor ons product?

Hoewel dit soort vragen vaak aan de orde komen en beantwoord worden in vergaderingen op uitvoerend niveau, is het in goede bedrijven met een sterke productcultuur zo dat besluitvorming gedemocratiseerd is en individuele teams de bevoegdheid hebben om belangrijke beslissingen te nemen over hun productroadmap en productkenmerken.

Daarom is het belangrijk voor technische productmanagers en hun teams om te denken als een CEO en na te denken over deze fundamentele vragen bij het beslissen over het gebruik van op AI gebaseerde oplossingen voor problemen die door klanten en executives worden aangedragen.

De lagen afpellen

Laten we nu het proces van vragen stellen en analyseren een laag onder de fundamentele vragen nemen en een kader gebruiken dat je helpt beslissen of je AI in je oplossingsontwerp wilt gebruiken.

Voorspellende AI

Hoewel er veel inhoud in het publieke domein is over het verschil tussen voorspellende AI en generatieve AI, wil ik toch het verschil tussen de twee benadrukken. Generatieve AI (GenAI) heeft de laatste maanden zoveel aandacht gekregen dat mensen vaak de kracht van andere soorten AI over het hoofd zien, en investeringen en innovatie in die technologieën zijn in veel organisaties vertraagd.

Het is belangrijk voor ontwikkelingsteams om even te pauzeren en na te denken over creatieve oplossingen voor het gebruikers-/klantenprobleem dat voorligt.

Is het probleem dat je probeert op te lossen gerelateerd aan het verzamelen van historische gegevens van gebeurtenissen uit het verleden, het vinden van patronen daarin zodat je de uitkomst van toekomstige gebeurtenissen kunt voorspellen? Voor dit soort problemen is voorspellende AI waar je oplossingsstroom zich zou moeten vertakken.

Als je denkt aan Gen AI voor dergelijke problemen, dan ben je op het verkeerde pad. Enkele veelvoorkomende voorbeelden van problemen die opgelost kunnen worden met voorspellende AI-oplossingen zijn financiële prognoses, optimale infrastructuurutilisatie, fraudedetectie, enzovoort.

Zodra je duidelijkheid hebt dat het probleem dat je oplost een op voorspellende AI gebaseerde oplossing vereist, zou de volgende logische stap in het ontwerpen van de oplossing moeten zijn welke machine learning-algoritme jouw probleem zal oplossen.

• Classificatie. Het toewijzen van datapunt aan vooraf gedefinieerde klassen is een classificatieprobleem. Bijvoorbeeld, het markeren van ongepaste inhoud op een sociale media platform zodat de machine kennis van gepaste versus ongepaste inhoud continu wordt verfijnd, is een classificatieprobleem.
• Regressie. Wanneer het doel is om de correlatie tussen kenmerken en jouw doelvariabele te definiëren om de toekomstige problemen te voorspellen, is dat een regressieprobleem. Bijvoorbeeld, het voorspellen van het toekomstige verkeer op jouw dienst om te beslissen wanneer je het aantal pods moet verhogen.
• Clustering. Het groeperen van gegevens in verschillende categorieën met als doel de juiste categorieën te definiëren die je helpen om beslissingen te nemen, is een clusteringprobleem. Bijvoorbeeld, het analyseren van klantgedrag en gebruiksscenario’s om jouw organisatie te helpen de juiste klantsegmenten te definiëren is een clusteringprobleem.

Is het niet verbazingwekkend dat er zoveel innovatie en creativiteit mogelijk is binnen het domein van voorspellende AI? Tot nu toe zijn we in dit artikel nog niet in het domein van generatieve AI beland, wat de laatste tijd voor veel ophef heeft gezorgd.

Generatieve AI

Daarentegen, als het probleem dat je probeert op te lossen inhoudt dat je een AI-model traint op de ruwe gegevens van je organisatie, waardoor het leert aan de hand van voorbeelden zodat het aanwijzingen van een gebruiker kan opvolgen en nieuwe resultaten kan genereren, dan komt GenAI in beeld. Het probleem kan verschillende combinaties en varianten van gebruikersaanwijzingen en gegenereerde resultaten hebben. De gebruikersaanwijzingen kunnen spraak, tekst of ongestructureerde gegevens zijn, en de gegenereerde resultaten kunnen natuurlijke taaltekst, spraak, afbeeldingen of video’s zijn.

Veelvoorkomende voorbeelden van problemen die kunnen worden opgelost met GenAI zijn klantenondersteuning, codegeneratie om productontwikkelingskosten te verlagen, gegevenssynthese voor onderzoek en testen, het creëren van op verzoek marketinginhoud, enzovoort.

Als het gaat om oplossingen op basis van GenAI, zodra duidelijk is dat jouw probleem een oplossing op basis van GenAI vereist, zullen er aanvullende belangrijke ontwerpbeslissingen zijn die je zullen helpen de meest impactvolle oplossing te bouwen.

• Welk LLM-basismodel moet ik gebruiken?
• Wat zijn de nieuwste architecturale frameworks en ontwerppatronen waar ik gebruik van moet maken? Denk aan RAG, RLHF, multi-agent-react-agent met langflow, enzovoort.
• Hoe kan ik ervoor zorgen dat de juiste waarborgen voor beveiliging en gegevensprivacy aanwezig zijn?

Conclusie

Een gebrek aan technologische modernisering kan op een gegeven moment het bedrijfsmodel van een bedrijf verouderd maken, het is echter belangrijk om ervoor te zorgen dat je de AI-investeringen van je organisatie gebruikt voor de juiste problemen en op de juiste plaatsen. Het afdwingen van op AI gebaseerde oplossingen voor problemen die ze niet nodig hebben, kan je product in de verkeerde richting sturen. Blijf kalm en gebruik AI-investeringen verstandig.