50% minder handmatige factuurcontroles door AI-oplossing
Fokker Services Group
AI implementatie: van idee naar werkend in productie
We bouwen AI in je proces in, met koppelingen, tests met gebruikers en overdracht, zoals de AI-factuurcontrole voor Fokker Services Group.
Een AI-model van ons voorspelt voor Fokker Services Group het verwachte factuurbedrag en licht afwijkingen uit
Factuurbedragen klopten niet altijd, dus elke factuur werd met de hand nagelopen. Ons model voorspelt op basis van het geleverde werk het verwachte bedrag en vergelijkt dat met het werkelijke. Grote afwijkingen staan in een dashboard, zodat medewerkers alleen de uitzonderingen controleren.
Ons AI-prototype werkt; hoe wordt het iets wat collega's elke dag gebruiken?
Een model in een notebook of een demo met een taalmodel is snel gemaakt. Implementeren is het deel daarna: koppelen aan de systemen waar het werk gebeurt, testen met de mensen die het gebruiken en afspreken wie het beheert.
Een AI-implementatie omvat de data, het model of de agent, de inpassing en de overdracht
Data die in productie klopt
De data die het model straks dagelijks krijgt, niet alleen een eenmalige export. Met controles op ontbrekende of afwijkende invoer.
Model, taalmodel of agent
De techniek die bij de taak past: een voorspelmodel, een classificatiemodel of een assistent op een taalmodel. Voor NFZ bouwden we een virtuele assistent.
Ingebouwd in het werk
Uitkomsten verschijnen waar het werk gebeurt: in een dashboard, een applicatie of een bestaand systeem, met een mens die de uitzonderingen beoordeelt.
Gebruikers en overdracht
Gebruikers testen mee en weten wanneer ze de uitkomst niet moeten volgen. Daarna neemt je team het over, of beheren wij het.
Korte bouwrondes met de mensen die de toepassing straks gebruiken, tot het in hun werk past
-
Taak en data toetsen
Eén proces, een meetbaar doel en de vraag of de benodigde data er in productie ook is.
-
Bouwen en inpassen
Model of agent bouwen, koppelen aan de systemen en testen met gebruikers in het echte werk.
-
Live en overdragen
In productie met monitoring, uitleg voor gebruikers en afspraken over beheer en doorontwikkeling.
Klaar om een AI-toepassing echt in te voeren, of moet er eerst iets anders gebeuren?
Past als
Je hebt een taak of beslissing die vaak terugkomt, de data daarvoor bestaat, en er is een team dat de toepassing wil gebruiken en er straks eigenaar van wordt.
Past niet als
Je weet nog niet waar AI waarde heeft, of niemand is eigenaar van het proces. Begin dan bij het kiezen van een use case; bouwen zonder die keuze blijft een proef.
Waar de omvang van afhangt
Het aantal systemen waaraan de toepassing koppelt, de kwaliteit van de data, eigen model of taalmodel, de eisen aan privacy en wie het beheer doet.
Wat als het model fouten maakt?
Dat doet elk model soms. Daarom zetten we een mens in de lus waar het ertoe doet, meten we de kwaliteit in productie en spreken we af wanneer het model wordt bijgesteld.
Een bestaand product, zelf bouwen of samen bouwen: welke route past bij jullie toepassing?
Een bestaand product
Kies dit als je taak gangbaar is, zoals facturen verwerken of een interne assistent. Kijk dan eerst naar onze oplossingen die al klaarstaan.
Zelf bouwen
Kies dit als je een eigen data- en ontwikkelteam hebt met ervaring met modellen in productie. Wij kunnen dan meekijken of tijdelijk aanvullen.
Samen bouwen
Kies dit als de toepassing vastzit aan je eigen processen en data. Ons advies: begin met één proces en maak dat helemaal af, inclusief beheer.
Sinds 2016 brengen we AI van model naar dagelijks gebruik
Data Science Lab werkt sinds 2016 met data en AI. Voor het LUMC zetten we de infrastructuur op waarmee machine learning-modellen in de praktijk zijn geïmplementeerd. We zijn Databricks Partner en Microsoft Partner.
Eén proces en de data erbij zijn genoeg voor het eerste gesprek
Stef Stoelwinder
Business DevelopmentStef is je eerste aanspreekpunt. In het eerste gesprek bespreken we je proces, data en systemen, en wat invoeren daar vraagt.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Bij welk proces moet AI jullie als eerste helpen?
Vertel welk proces je wilt verbeteren en wat er al ligt. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Het bouwt de toepassing en voert haar in: data, model of agent, koppelingen, testen met gebruikers, livegang en overdracht. Dat is het deel na het advies en het plan.
Zoek je eerst hulp bij het kiezen van use cases, lees dan over AI consultancy. Wil je een plan voor meerdere jaren, dan past een AI-roadmap. Alle diensten staan op diensten.
Begin met één taak die vaak terugkomt en waarvan je het resultaat kunt meten. Toets of de data er in productie ook is, niet alleen in een export. Bouw het model of de agent en koppel het aan het systeem waar het werk gebeurt.
Test met de gebruikers in het echte werk, spreek af wie eigenaar is en zet monitoring aan voordat je breder uitrolt.
Een proof of concept laat zien dat het kan, meestal op een vaste dataset. Een implementatie draait op live data, is gekoppeld aan je systemen, heeft gebruikers die ermee werken en iemand die het beheert.
Veel projecten stoppen tussen die twee. Het verschil zit zelden in het model, vaker in de data, de koppelingen en het eigenaarschap.
Versies van data, code en model, monitoring op de kwaliteit van de voorspellingen en op veranderende invoer, en een afspraak wanneer je hertraint. Bij een taalmodel komen daar tests op de antwoorden bij.
Dat heet MLOps. Lees er meer over op MLOps.
Wat de toepassing doet en niet doet, hoe ze een uitkomst lezen, wanneer ze die beter niet volgen en bij wie ze een fout melden. Dat leren ze het best tijdens het testen in hun eigen werk.
Voor bredere scholing hebben we trainingen voor management en teams. Lees over training en adoptie.
Allebei, afhankelijk van de taak. Een voorspelling op gestructureerde data, zoals een factuurbedrag, vraagt meestal een eigen model. Vragen beantwoorden uit documenten of een workflow met meerdere stappen vraagt eerder een taalmodel of een agent.
Voor NFZ bouwden we een virtuele assistent die apothekers toegang geeft tot actuele contractinformatie en polisvoorwaarden.
Dat spreken we vooraf af. Je eigen team neemt het over met documentatie en een overdracht, of wij houden het draaiende en ontwikkelen het verder.
Lees over beheer en doorontwikkeling. Belangrijk is dat er aan jullie kant een eigenaar is die beslist over wijzigingen.
Als een vaste regel de taak al goed doet, als de taak zelden voorkomt, of als de data er niet is en niet te verzamelen is. Ook zonder eigenaar die er straks mee werkt, blijft een implementatie hangen.
In die gevallen zeggen we dat, en kijken we of een eenvoudigere oplossing of eerst betere data meer oplevert.