Drie lessen uit onze AI-projecten

In twee jaar tijd begeleidden we tientallen AI-projecten, van een eerste verkenning tot een model dat elke nacht draait. Sommige liepen precies zoals gepland, andere strandden op iets wat vooraf niemand had zien aankomen. Kijken we terug op wat het verschil maakte, dan komen we steeds bij dezelfde drie lessen uit.

Les 1: begin bij de beslissing, niet bij het model

De vraag die een project laat slagen is niet welk model het beste presteert, maar welke beslissing er straks anders genomen wordt. Zodra die beslissing scherp is, weten we ook wie de gebruiker is, hoe vaak een voorspelling nodig is en hoe nauwkeurig die moet zijn. Projecten die bij een modelkeuze beginnen, leveren vaak een keurige demo op die daarna in niemands werkdag past.

Les 2: datakwaliteit is een organisatievraag

Bijna elk project dat vertraging opliep, liep vast op data en niet op techniek. Kolommen die halverwege het jaar van betekenis veranderden, handmatige correcties in een exportbestand, of twee afdelingen die hetzelfde begrip anders definieerden. Dat los je niet op met een schoonmaakscript. Het vraagt dat iemand in de organisatie eigenaar is van die definitie en de bevoegdheid heeft om hem vast te leggen.

Les 3: plan de overdracht vanaf dag een

Een model dat niemand kan uitleggen, wordt niet gebruikt. We spreken daarom aan het begin al af wie het model beheert, hoe vaak het opnieuw getraind wordt en welke signalen aanleiding zijn om in te grijpen. Die afspraken kosten in week een een uur en besparen na de oplevering maanden werk.

Geen van deze lessen gaat over algoritmes. Ze gaan over de vraag helder krijgen, de data serieus nemen en het beheer regelen voordat het nodig is. Wie die drie op orde heeft, merkt dat de techniek meestal het makkelijkste deel van het project is. Wil je hierover doorpraten, neem dan gerust contact met ons op; we delen graag wat we onderweg tegenkwamen.