Blogs
Niet alles hoeft AI te zijn: kies de juiste tool voor je data-uitdaging
- Niveaus van complexiteit
- Praktijkvoorbeeld: slimme logistiek
- Begrip als bonus
- De grootste waarde voor de minste moeite
- Wanneer wel AI?
- Benieuwd waar jouw grootste datakansen liggen?
AI is hot. Logisch ook, want de mogelijkheden zijn indrukwekkend. Maar wat we soms zien is dat er zo veel focus is op het doen van ‘iets met AI’, dat we vergeten te kijken of er misschien een eenvoudiger manier is om het probleem op te lossen. Want vaak kun je hele goede resultaten bereiken met simpele techniek die al decennia bestaat.
Hier bij DataVisual werken we veel met AI en we helpen onze klanten om maximaal te profiteren van deze krachtige technologie. Maar AI-toepassingen worden snel complex, waardoor de technische vraagstukken die we moeten oplossen om ze te maken, testen, uitrollen en onderhouden ook complex worden.
Niveaus van complexiteit
Voor de duidelijkheid: bij de meeste AI-toepassingen die wij bouwen gaat het niet om taalmodellen of generatieve AI. Die zetten we natuurlijk ook in, maar we halen daarnaast enorm veel waarde aan ‘ouderwetse’ machine learning en data-analyse. Daarin kennen we verschillende niveaus:
1. Het begint bij beschrijvende analyse: wat is er gebeurd? Denk aan dashboards die je omzet of voorraad tonen.
2. Dan volgt diagnostische analyse: waarom is het gebeurd? Vervolgens voorspellende analyse: wat gaat er gebeuren?
3. En tot slot voorschrijvende analyse: wat moeten we doen? Een uitgebreide uitleg van de verschillende niveaus vind je in dit artikel.
Veel organisaties willen meteen naar dat laatste niveau. Maar je bouwt een huis ook niet vanaf het dak. Het is beter om met de basis te beginnen
Praktijkvoorbeeld: slimme logistiek
We hadden bijvoorbeeld een klant die, op basis van verzamelde data, een aantal optimalisaties wilde doorvoeren in het logistiek proces: sneller verzenden, minder materiaalgebruik, minder fouten en data-based beslissingen in plaats van te vertrouwen op de intuïtie en interpretatie van verschillende medewerkers. Dat leek op het eerste gezicht een geweldige AI-toepassing, dus we gingen aan het werk. Maar de resultaten vielen tegen.
Toen kwam ons data-team op het idee om dezelfde data eens in een ‘ouderwetse’ wiskundige formule te stoppen. Het resultaat? Het model was niet alleen simpeler, maar ook nauwkeuriger.
Begrip als bonus
En deze aanpak had nog een voordeel: volledige transparantie. Want omdat de formules zo simpel zijn, kunnen we precies uitleggen waarom het model bepaalde adviezen geeft. Zo geeft een eenvoudige oplossing ook meer inzicht.
De grootste waarde voor de minste moeite
En dat is waar het voor ons om draait, in ieder project: organisaties helpen om beter en effectiever te werken. Niet om IT- of AI-oplossingen te verkopen. Dus voordat we in allerlei technische oplossingen duiken vragen we ons altijd af:
- Wat wil je precies bereiken?
- Welke data hebben we daarvoor nodig en zijn die beschikbaar?
- Wat is de eenvoudigste manier om tot een oplossing te komen?
En die laatste vraag is dus cruciaal. Want hoe complexer je oplossing, hoe meer onderhoud die nodig heeft. En hoe moeilijker het wordt om problemen op te sporen als er iets misgaat.
Wanneer wel AI?
Natuurlijk zijn er situaties waar full-blown AI de beste keuze is. Bijvoorbeeld bij het verwerken van natuurlijke taal (zoals in chatbots), het herkennen van patronen in zeer grote datasets en het automatiseren van complexe beslissingen met veel variabelen. Maar zelfs dan geldt: begin simpel. Test eerst of een eenvoudige oplossing volstaat, zodat je nooit onnodige complexiteit toevoegt.
Het gaat niet om de technologie die je gebruikt, maar om het resultaat dat je bereikt.
Benieuwd waar jouw grootste datakansen liggen?
Wij gaan er graag samen met jou naar op zoek tijdens een Inspiratiesessie Data.
Daarin vertalen we de mogelijkheden van nu naar jouw specifieke context. Zodat je met jouw data werkelijk waarde gaat creëren voor je organisatie.
Lees meer over de Inpiratiesessie Data