Dat een bedrijf behoefte heeft aan kunstmatige intelligentie, betekent niet automatisch dat het simpelweg een nieuw chatscherm nodig heeft. De echte vraag is welk werk beter kan worden uitgevoerd. Het kiezen van een concrete toepassing, zoals documentzoeken, classificatie of het opstellen van een concept, maakt het makkelijker om succes te beoordelen.
Niet elk bedrijf heeft dezelfde AI-oplossing nodig. Het ene team heeft moeite met het classificeren van grote hoeveelheden documenten, terwijl een ander team tijd kwijt is aan het doorsturen van binnenkomende verzoeken naar de juiste persoon. De eerste stap is, nog vóór het kiezen van een tool, te bepalen welke van deze taken echt terugkerend is.
01Meet eerst het huidige werk
Leg vast hoeveel mensen aan een handeling werken, welke stappen zich herhalen en waar het vaakst fouten ontstaan. Het genereren van een onderwerp- en prioriteitsvoorstel bij binnenkomende verzoeken kan bijvoorbeeld een beperkt startpunt zijn. Alle klantcontacten zonder menselijke controle beheren, is een veel bredere en risicovollere scope.
In dit eerste voorbeeld is succes meetbaar aan de hand van de juistheid van het voorstel, de mate waarin de medewerker het moet corrigeren, en de verwerkingstijd. Zo'n kader tilt de investeringsbeslissing van algemene verwachtingen naar een concreet resultaat.
02Kies een meetbare taak
Schrijf op welke taak precies wordt afgerond, in plaats van te zeggen "de efficiëntie moet omhoog". Denk bijvoorbeeld aan het doorsturen van een supportverzoek naar het juiste team, of het terugvinden van het relevante onderdeel in een document. Bepaal de beginsituatie, de verwachte output en het punt waarop een mens moet ingrijpen. Alles automatiseren mag geen doel zijn van de eerste versie.
03Niet elke stap vraagt om AI
Voor een berekening of controle die met een vaste regel kan worden uitgevoerd, is traditionele automatisering vaak beter geschikt. Het controleren of een verplicht veld is ingevuld, is bijvoorbeeld niet hetzelfde werk als het interpreteren van een verzoek in vrije tekst. Een goede oplossing combineert deze twee methoden waar nodig.
Dit onderscheid kan onnodige kosten verminderen en het gedrag van het systeem begrijpelijker maken. Belangrijker dan de uitspraak "overal zit AI in" is weten in welke stap en waarom die wordt ingezet.
04Beperk de toegang tot data
Dat een model technisch bij bepaalde data kan, betekent niet dat die data aan elke gebruiker getoond mag worden. De rechten van brondocumenten moeten ook in de zoek- en antwoordlaag behouden blijven. Beoordeel vooraf welke data naar een externe leverancier wordt gestuurd en onder welke bewaarvoorwaarden. Dat een toepassing in Wenen wordt gehost, betekent niet dat elke externe AI-leverancier die wordt gebruikt zich op dezelfde locatie bevindt; de datavoorwaarden van elke leverancier moeten afzonderlijk worden onderzocht.
Verspreide documenten, verouderde beschrijvingen en tegenstrijdige informatie beïnvloeden eveneens de output van de oplossing; vooraf moet worden vastgesteld welke bron geldig is. Denkt u aan een interne assistent, dan mag een medewerker via die assistent geen toegang krijgen tot informatie uit een document waar hij normaal niet bij kan. Toegangsgrenzen zijn geen detail dat later wordt toegevoegd, maar een startvoorwaarde van het ontwerp.
05Verwar een vlot antwoord niet met een correct antwoord
Stel een evaluatieset samen met representatieve en lastige voorbeelden. Neem ook situaties op met ontbrekende informatie, tegenstrijdige documenten en gevallen waarin geen antwoord gegeven kan worden. Het tonen van bronnen, het uitspreken van onzekerheid en het tijdig overdragen aan menselijke beoordeling horen bij het gedrag van het product. Het NIST AI Risk Management Framework is een referentiekader om risico's tijdens ontwikkeling en gebruik te adresseren.
06Bepaal vooraf menselijke goedkeuring en het foutpad
Kunstmatige intelligentie kan een onjuiste of onvolledige uitkomst opleveren. Voor een offerte die naar een klant gaat, externe communicatie of een belangrijke wijziging in een registratie kan een goedkeuringsstap nodig zijn. Plan vooraf hoe output met lage betrouwbaarheid ter beoordeling wordt voorgelegd, hoe het werk doorgaat als de dienst uitvalt, en hoe wijzigingen worden vastgelegd.
07Maak kosten en falen zichtbaar
Leg aan de gebruiker uit hoe het staat met taken die lang duren of opnieuw worden geprobeerd. Houd wachtrijen, quota en fouten van leveranciers in de gaten; geef nooit "voltooid" weer voordat het resultaat er daadwerkelijk is. Draai dezelfde evaluatieset opnieuw wanneer het model of de data verandert. Een goed AI-product is niet alleen een indrukwekkende demo, maar een werkmiddel met bekende grenzen dat te volgen is. Bij onze AI-ontwikkeling ontwerpen we oplossingen volgens deze uitgangspunten; de rol van menselijke expertise tijdens de ontwikkeling hebben we in een apart artikel toegelicht.
We kiezen daarbij eerst een toepassing met een duidelijk afgebakende scope, valideren die met voorbeelddata en koppelen de oplossing die goed blijkt te werken aan uw bestaande workflow.
08Bereid dit voor voordat u start
- De ene meetbare taak waarbij AI ondersteuning gaat bieden
- Echte voorbeelden van hoe deze taak vandaag wordt uitgevoerd
- De te gebruiken documenten en databronnen, met hun toegangsrechten
- Data die niet naar een externe leverancier mag worden verstuurd
- Beslissingen die menselijke goedkeuring vereisen
- Voorbeelden om een geslaagd van een mislukt antwoord te onderscheiden
Geschreven door
Het Paradigma7-team
Product, engineering en operations
We zijn een op Ankara gebaseerd team dat software voor Europa bouwt. Niets hier is theorie: dit zijn de processen die we werkelijk op klantprojecten uitvoeren.
Over ons