Starten met AI? Hierom is een datamanagementplatform onmisbaar

Business AI is momenteel hard aan het uitgroeien tot een van de belangrijkste drivers voor ‘operational excellence’. Toch is AI geen magische oplossing die uit het niets waarde creëert. Het stelt de nodige eisen aan de onderliggende infrastructuur. Met name de kwaliteit van de datahuishouding is een belangrijke succesfactor. Maar hoe realiseer je dat?

Niet voor niets wint business AI zakelijk terrein: sinds de doorbraak van met name genAI-tools als ChatGPT voorzien steeds meer technologieleveranciers hun kernoplossingen van AI-assistenten. Dat neemt een belangrijke drempel weg voor veel bedrijven. Als het toch onderdeel is geworden van een oplossing waarvan je al gebruikmaakt, wat staat dan nog een succesvol gebruik in de weg?

Geen one-size-fits-all

Zo eenvoudig is het in de praktijk niet altijd. AI is geen kwestie van one-size-fits-all. “Veel bedrijven komen naar ons toe met het idee dat ze ‘iets’ met AI willen. De technologie is er, maar ze hebben geen idee wat of waar te beginnen”, vertelt Niels van der Kam, Solution Advisor bij SAP. Volgens hem is een gestructureerde aanpak belangrijk om tot een goede basis te komen:

1. Definieer de usecase

“Begin met het einde voor ogen. Vraag jezelf af wat je wilt verbeteren of versnellen met AI”, stelt Van der Kam. Deze stap vereist een goed begrip van de bedrijfsuitdagingen, de daarbij horende processen en de rol die AI kan spelen in de oplossing daarvan.

Goede governance op AI begint met deze inventarisatie. Inventariseer niet alleen de kansen en mogelijkheden die deze technologie biedt, maar maak ook een duidelijke analyse van eventuele risico’s en van bijvoorbeeld de mate waarin deze case past binnen wet- en regelgeving en ethische kaders. 

2. Identificeer, verzamel en organiseer de benodigde data

Vervolgens is het cruciaal om te bepalen welke data benodigd zijn. “Niet alle data zijn gelijk. Het identificeren van de juiste datasets is essentieel voor het slagen van een AI-project. Inventariseer welke data je nodig hebt om je doelen te bereiken”, voegt Van der Kam toe.

Van der Kam benadrukt daarnaast het belang van een goede data-integratie: “Gegevens bevinden zich vaak in silo’s, verspreid over de organisatie. Het samenbrengen ervan in een coherent geheel is een voorwaarde voor succes.” Om betrouwbare, relevante en verantwoorde resultaten op te leveren, moeten ten minste ook de data van goede kwaliteit zijn. Ook moeten de data representatief zijn voor het beoogde doel. 

3. Kies de juiste algoritmes en tools

De keuze van specifieke algoritmes en tools is afhankelijk van de doelstelling en de beschikbare data. Er is een breed scala aan AI-tools beschikbaar, maar de kunst ligt in het kiezen van de juiste tool voor de job. “Het is een voordeel als de AI-tool goed geïntegreerd is in de kernoplossingen die je gebruikt voor het aansturen van primaire processen. 

Daarnaast zijn er verschillende zogeheten ‘Large Language Models’ (LLM’s) beschikbaar, van bijvoorbeeld Google of OpenAI. Deze modellen zijn getraind op enorme hoeveelheden tekstdata en zijn in staat om complexe taaltaken uit te voeren, zoals het genereren en begrijpen van natuurlijke taal. Elk van deze modellen heeft zijn eigen specifieke sterke en zwakke punten. “Bedenk ook in die keuze weer goed wat het businessvraagstuk is en welk model dat het beste kan tackelen.” 

Waarde van datamanagementplatform

Met de keuze van een algoritme en/of LLM ben je er nog niet. “Je moet je vervolgens afvragen hoe je jouw bedrijfsdata op een gecontroleerde manier kunt aanbieden aan die AI-oplossingen. Een datamanagementplatform is daarbij van grote waarde”, zegt Marcel de Bruin, Data Architect bij SAP. Dat heeft volgens hem een aantal redenen:

1. Geïntegreerde data-aanpak

 Bedrijven genereren enorme hoeveelheden data uit diverse bronnen. Denk aan interne systemen, externe databases, sensoren, social media en meer. Deze datastromen kunnen al snel resulteren in datasilo’s. Dat bemoeilijkt een holistisch beeld van de bedrijfsvoering. Ook AI-algoritmes hebben daar last van.

“Je wilt van tevoren goed inzichtelijk hebben welke data je nodig hebt om welk vraagstuk te beantwoorden. Die benodigde data centraliseer je met een datamanagementplatform. Op die manier hebben AI-modellen toegang tot alle relevante informatie die ze nodig hebben om nauwkeurige analyses en voorspellingen te maken”, vertelt De Bruin. “Stel, een gebruiker stelt de AI-assistent een vraag over de verlofregeling van het bedrijf. Dan moet die AI-tool die informatie wel halen uit de meest recente documenten van die verlofregeling, en niet uit documenten van 10 jaar terug. Met een datamanagementplatform zorg je daarvoor.” 

2. Data-contextualisatie

Voor veel AI-toepassingen is businesscontext net zo belangrijk als de data zelf. Zonder die context kunnen zelfs de meest nauwkeurige datasets leiden tot misleidende analyses en suboptimale beslissingen. Datamanagementplatformen bieden krachtige tools om data te contextualiseren, waardoor AI-modellen de betekenis en relevantie van data beter kunnen begrijpen. “Stel, een supermarktketen wil de best verkopende producten identificeren. Op basis van de bruto verkoopcijfers lijken product A en B de koplopers te zijn. Maar na contextualisatie van de data met behulp van een datamanagementplatform, blijkt dat product A in de ene regio enorm populair is, terwijl product B in de andere regio de voorkeur heeft. Die informatie is cruciaal voor de supermarktketen om gerichte marketingcampagnes te ontwikkelen en optimale productvoorraden te beheren.” 

3. Datakwaliteit en zuiverheid

Een goed datamanagementplatform zorgt voor de kwaliteit en consistentie van de data. Het helpt bij het identificeren en corrigeren van fouten, inconsistenties en duplicaten in de gegevens. Datamanagementplatformen bieden bovendien geavanceerde tools voor datareiniging, -validatie en -normalisatie. Hier geldt het spreekwoord ‘garbage in, garbage out’. “De kwaliteit van de data die AI-modellen gebruiken is cruciaal voor de betrouwbaarheid van de output die ze genereren”, zegt De Bruin. “Zonder kwalitatief goede data kun je er niet vanuit gaan dat AI-tools met zinnige dingen komen. Met een datamanagementplatform bewaak je dat aspect.” 

4. Schaalbaarheid en flexibiliteit

Bedrijven opereren niet in een vacuüm, maar in een omgeving waar data voortdurend groeien en veranderen. Datamanagementplatformen zijn schaalbaar en flexibel, waardoor ze eenvoudig kunnen worden aangepast aan veranderende datavolumes en nieuwe databronnen. “Dit zorgt ervoor dat de AI-infrastructuur mee kan groeien met de behoeften van het bedrijf, zonder dat er kostbare downtime of inefficiëntie optreedt”, aldus De Bruin. Cruciale rol De implementatie van AI vereist meer dan alleen technologische innovatie; het vraagt om een strategische benadering. Een waarbij de focus ligt op de bedrijfsbehoefte en het efficiënt beheren van data. Een dataplatform speelt hierin een cruciale rol. “Met een datamanagementplatform benut je de potentie van je data maximaal en leg je een solide basis voor AI-toepassingen”, besluit hij.