Artificiële intelligentie belooft veel, maar de weg naar succes is vaak bezaaid met onverwachte valkuilen:
⚠️ 70% van de bedrijven ervaart weinig tot geen impact van A.I.
⚠️ 87% van de data science projecten haalt nooit de productiefase
De COVID-19 pandemie beheerste tot voor kort onze levens en vanzelfsprekend werd ook met artificiële intelligentie gepoogd om een besmetting te diagnosticeren of risico’s te voorspellen, maar onderzoekers ontdekten dat geen van de honderden ontwikkelde AI-modellen voor klinisch gebruik geschikt was, voornamelijk door problemen met datakwaliteit:
📌 Sommige modellen gebruikten een dataset van gezonde borstscans van kinderen als voorbeelden voor A.I. van non-COVID gevallen. Dat leidde ertoe dat het A.I. model trainde om scans van kinderlongen te herkennen, niet de COVID-gevallen.
📌 Bij andere modellen was het tekstlabel dat bij rontgenscans bijgedrukt werd foutief de trigger om COVID-gevallen te herkennen.
📌 Nog andere modellen catalogeerden COVID-gevallen verkeerd omdat ze foutief het onderscheid maakten tussen longscans van liggende mensen enerzijds en staande mensen anderzijds. Omdat zieke mensen veelal in liggende positie een scan kregen, voorspelden deze modellen op basis van een long in liggende of staande positie.
💡 Met andere woorden, slechte data leiden tot slechte resultaten, ongeacht de geavanceerdheid van de gebruikte algoritmes. De kwaliteit van data is één van de grootste factoren die het succes van een AI-model bepalen. Verder zijn er nog een aantal andere belangrijke oorzaken waarom AI-projecten falen:
1️⃣ Onduidelijke doelstellingen: Het succes van A.I. begint met een duidelijke, ondubbelzinnige definitie van het bedrijfsprobleem dat je probeert op te lossen. Zonder dit fundament zijn projecten gedoemd te mislukken.
2️⃣ Gebrek aan samenwerking: A.I. vereist een naadloze samenwerking tussen multidisciplinaire teams. Het isoleren van een AI-team van de rest van het bedrijf is een recept voor mislukking. Voor een datascientist is het uiterst belangrijk om data inhoudelijk te begrijpen en business units kennen hun eigen data doorgaans het beste.
3️⃣ Onvoldoende deskundigheid: Een tekort aan geschoold personeel is een significante barrière. Investeren in opleidingen en mogelijks outsourcing zijn cruciale overwegingen.
4️⃣ Ethische en privacy-overwegingen: A.I.-systemen moeten ethisch en verantwoordelijk ingezet worden. Dit vereist voortdurende aandacht voor eigendom en transparantie van data.
✉️ Hopelijk geeft deze post wat meer inzicht in uitdagingen die bij een AI-project komen kijken. Connecteer gerust als je interesse hebt in AI !
🖼️ Afbeelding gegenereerd door ChatGPT 4 / Dall-E 3, op basis van bovenstaande tekst.
