In dit artikel lichten we de verschillende benaderingen voor AI-implementatie toe; van business case analyse tot go-live. Ieder AI bedrijf heeft een eigen aanpak of methodologie waarmee klantenvragen worden aangepakt. De gevolgen van deze verschillen zijn initieel vaak moeilijk in te schatten, maar hebben een enorme impact op de uiteindelijke ROI en zelfs slaagkans van het hele project. Tot slot schetsen we hoe Trendskout zich anders opstelt dan andere AI-bedrijven.
Enkele uitdagingen
Laten we beginnen met grootste uitdagingen waarmee succesvolle AI-toepassingen, de klant en het AI-bedrijf worden geconfronteerd.
- AI-oplossingen zijn slechts zo effectief als de kwaliteit van de gestelde vragen. Vaak beseft de klant dat AI een cruciale rol kan spelen in de optimalisatie van een bepaald proces, maar is de vraag nog niet scherp afgelijnd. Zo kan AI, bijvoorbeeld, inderdaad een impact hebben op de top line maar op welk functioneel domein dit moet gebeuren – sales forecasting, digitale conversie etc. – kan enkel worden bepaald door slimme managers en leiders binnen de organisatie van de klant in samenspraak met het AI-bedrijf en niet door de AI zelf natuurlijk.
- Het vormen van de juiste innovatiecultuur binnen een organisatie is een stapsgewijs proces. AI heeft niet enkel impact op IT-gerelateerde diensten in een organisatie, maar ook op de manier van werken van andere diensten. In kaart brengen van de verschillende stakeholders, en een goed communicatieplan zijn hierbij cruciaal.
- Dat datakwaliteit een belangrijke voorwaarde is voor het technisch slagen van een AI-project is geen geheim. Net zoals “data is nooit perfect”, is dit ook een cliché. In het begin van ieder project moeten eventuele problemen met data, inconsistentie of onvolledigheid, goed in kaart worden gebracht. Daaropvolgend moet samen met het samenwerkende AI-bedrijf geëvalueerd worden wat de impact is van eventuele problemen op het verloop van project.
Er zijn natuurlijk nog andere uitdagingen, maar deze vervolgen we in een latere post.
De aandachtige lezer zal gemerkt hebben dat de bovenstaande uitdagingen gemeen goed zijn in vrijwel ieder IT project. Het draait voornamelijk rond degelijke analyse en communicatie. Hieronder lichten we toe hoe de keuze van een AI-bedrijf, en hun bijhorende aanpak, de kwaliteit van het antwoord van de organisatie op dergelijke uitdagingen bepaalt.
Een Waterval of een Iteratief Proces?
De aanpak van nagenoeg alle AI-bedrijven kan gezien worden als ofwel een Waterval- of een Iteratief Proces. We lichten even toe wat hiermee bedoeld wordt, en duiden dan aan wat de impact is op het slagen van een AI-toepassing.
Het Waterval-proces was lang de standaard in software ontwikkeling. Kort samengevat is het gebaseerd op de veronderstelling dat de noden van een software-project voorafgaand aan de implementatie konden bepaald worden, waarna de daadwerkelijke programmatie in een rechte lijn richting finish werd afgerond. Hoewel de eenvoud van de aanpak een zekere elegantie uitstraalt zijn er enkele belangrijke valkuilen die ermee gepaard gaan.
Vereisten of veronderstellingen kunnen veranderen doorheen het project door voortschrijdend inzicht. Deze wijzigingen kunnen per definitie niet opgevangen worden tijdens de analyse voorafgaand aan de implementatie. Deze scope creep zorgt er vaak voor dat het programmatie werk vaak niet de reële nood oplost, maar een virtuele nood die enkel nog leeft in het analysedocument.
Voorbeelden hiervan bij AI-toepassingen zijn:
- er dienen nog extra databronnen worden toegevoegd,
- de accuraatheid op basis van de eerste implementatie is onvoldoende en er moet nog een ander AI-algoritme gebruikt worden,
- het AI-model moet nog extra software aansturen of informatie genereren,
- de integratie-interface met externe systemen wijzigt,
- door drift wijzigt de accuraatheid van het model waardoor de oorspronkelijke datatransformaties, algoritmeselecties en hyprtuning niet meer voldoen,
- …
Het tweede gevolg vloeit direct voort uit het eerste, en betreft ofwel de impact op ROI ofwel budget. Indien gekozen wordt om alsnog vast te houden aan de originele analyse en aanpak staat de toegevoegde waarde of ROI van het project sterk onder druk. Immers, wat is de waarde van een project dat de realiteit niet meer vertegenwoordigt, of waar buy-in bij de stakeholders ontbreekt. Een tweede optie is om het project deels te herstarten met een vernieuwde analyse, wat natuurlijk het budget van het project doet ontsporen en nog veel meer indien er tijdens de tweede doorloop nog extra wijzigingen nodig blijken.
Volgens velen is het antwoord op deze risico’s is een Agile aanpak waarbij er gestart wordt met de veronderstelling dat vereisten niet op voorhand kunnen gekend worden en die tijdens een iteratief proces waarbij ontwikkeling en analyse elkaar afwisselen, of parallel gebeuren, zullen scherp gesteld worden. Scrum, Extreme programming, Pair programming… zijn maar enkele van de technische termen die onder deze paraplu vallen.
Door het realisme ingebed in deze Agile methode is scope creep op zich geen probleem meer, het is zelfs bijna een vereiste die nodig is om te bepalen wat er in verschillende sprints (tijdsblokken waarin geprogrammeerd wordt) moet ontwikkeld worden. Spijtig genoeg is ook deze aanpak niet zonder risico.
Vaak leidt het wijzigen van vereisten of gewoon het niet scherp krijgen ervan, tot vertragingen en finaal niet respecteren van vooropgestelde budgetten door een veel langer ontwikkelingstraject.
Nagenoeg alle AI-bedrijven zijn gefocust op een project aanpak voor de implementatie en gebruiken één van de bovenstaande methodologieën. Bij het kiezen van een AI-bedrijf is het dus van cruciaal belang om te vragen welke van beide opties gehanteerd worden tijdens de ontwikkeling.
Volgens welke methode werkt Trenskout?
Doordat Trendskout een AI-software platform als product aanbiedt en geen klassiek project-bureau is, verschilt onze aanpak danig. We overlopen de verschillen op gebied van budget en impact van wijzigende veranderingen.
- Onze klanten gaan een abonnement aan op onze software, en ondersteuning, en weten op voorhand wat deze kost. Onze software ondersteunt tal van kant en klare AI-analyses, input- en output opties en een hele datatransformatie engine om datakwaliteit te verhogen. Indien de noden van de klant niet matchen met ons aanbod in ons platform, wordt dit ook tijdens de eerste gesprekken duidelijk gemaakt. Hierdoor is de klant zeker van wat het nodige budget zal zijn.
- Veranderingen in vereisten zijn ook in onze methodiek welkom, en vorm inherent onderdeel van onze visie dat er eerste enkele AI-experimenten, op kleine schaal, moeten gebeuren alvoor een AI-toepassing klaar is voor het echte werk. Klanten kunnen dit, zonder daarvoor per sé AI-engineers te moeten zijn, zelf doen en leren zo op een gebruiksvriendelijke wijze hoe een experiment kan verbeterd worden tot een productie-klaar model. Veranderingen in vereisten hebben dus geen impact op budget, maar leiden tot een beter begrip van de business case. Natuurlijk biedt Trendskout hierbij ondersteuning aan, maar zonder de bijhorende budget-impact van een klassiek implementatie-traject.
Door deze iteratieve methode met budget-zekerheid is er ook voldoende tijd om de drie uitdagingen bij AI projecten (business case-analyse, communicatie en datakwaliteit) aan te pakken. Het kan immers niet de bedoeling zijn dat het welslagen van de AI-business case overschaduwt wordt door vertragingen of onvoorziende budget verhogingen.
Wil u zelf ook meer uit uw data en uw verkoopsproces halen, staan wij u hierin als AI bedrijf graag bij. Contacteer vrijblijvend één van onze medewerkers.
Bron: A comparison of software project architectures : agile, waterfall, spiral, and set-based
