Hoe van AI-onderzoek evolueren naar productie? Volg deze 4 pijlers

Het succesvol inzetten van AI in industrie en productie kan in klare taal worden uitgelegd aan de hand van vier concrete pijlers, met toegepast onderzoek aan de grondslag.

Dat geeft Robbe Sneyders, head of delivery bij ML6, aan in zijn keynote tijdens de Belgian AI Week.

Pijler 1. Beschikbaarheid van data

Wat is het belang van de beschikbaarheid van data? Heel eenvoudig: er is toegang tot data nodig om waarde te kunnen creëren met AI.

Toegang verkrijgen tot zuivere data gaat enkel via analytics of dashboarding. Dus data-engineering, ofwel het verzamelen en opschonen van data, is onontbeerlijk. 

"Gelukkig kost het verkrijgen van zuivere data niet altijd veel", zegt Robbe in zijn keynote. "Zo kunnen data op zichzelf al een enorme meerwaarde hebben. Bij wijnbottelarij Accolade Wines bijvoorbeeld slaagden we erin om 15% afvalvermindering te realiseren louter door middel van inzicht in de bedrijfsdata."

Pijler 2. Interne samenwerking

Artificiële intelligentie staat nooit alleen. Een goede samenwerking tussen business, AI en IT is cruciaal. Organisatorische grenzen overschrijden creëert hierbij waarde.

"Het is zaak om relevante business cases te identificeren en vervolgens die domeinkennis te combineren met technische expertise", zegt Robbe. "Hierbij speelt toegepast onderzoek een sleutelrol. Recente kennis en nieuwe inzichten meteen omzetten naar de praktijk is de weg naar succes."

"Vergeet daarbij niet om data en kennis ook intern te delen."

Robbe benadrukt dat de business-zijde en IT-zijde van een bedrijf andere doelen moeten stellen.

• De business-zijde moet beschikken over domeinkennis, op voorhand voor ogen hebben wat ze met machine learning -projecten willen bereiken en weten welke waarde die hebben.
• De IT-zijde moet dan weer de oplossingen kunnen inpassen in bestaande systemen. En ze hoort te verzekeren dat modellen in productie komen en daar ook blijven.

Om dat even tastbaar te maken, geeft Robbe het voorbeeld van de eigen organisatie: "Bij ML6 is er een onderverdeling tussen zogenaamde ‘squads’ en ‘chapters’. 

• Chapters zijn expertteams die zich richten op een specifiek domein zoals natural language processing . Ze doen aan toegepast onderzoek en delen hun kennis met de andere chapterleden.
• Squads zijn multidisciplinaire teams bestaande uit verschillende domeinexperts die projecten uitvoeren met klanten. Binnen ML6 maakt elke werknemer deel uit van zowel een squad als een chapter. Zo wordt een duidelijke weg gebaand van onderzoek naar toepassing."

Wat is machine learning ? En hoe zetten ML6 en Otary dit in bij het rendabeler maken van windmolens op zee?

Pijler 3. Levenscyclus van machine-learningprojecten

Hoe ziet de levenscyclus van machine-learningprojecten er concreet uit?

We kunnen hierbij onderscheid maken tussen een PoC (proof of concept), een MVP (minimal viable product) en een machine-learningoplossing in productie. Experimenteren staat telkens centraal.

Bij elke fase horen ook noodzakelijke investeringen die een exponentieel verloop kennen. Daarom zien we ook meer PoC’s dan MVP’s en meer MVP’s dan applicaties in productie.

• Fase 1. Via proofs of concept willen we de haalbaarheid en de toegevoegde waarde van intelligente technologie voor een bepaalde toepassing aantonen. Daarvoor beginnen we met het verkennen van de data - een statistische dataset - en het selecteren van de juiste metric, wat afhankelijk is van de toepassing en de nodige domeinkennis vereist. Het doel is om zo snel mogelijk over te gaan naar het testen en zo feedback van stakeholders te verkrijgen.
• Fase 2. Tijdens de MVP-fase tonen we aan dat de oplossing werkt in een real-life omgeving. We schakelen zo snel mogelijk over op een realistischere dataset en maken gebruikerstesten mogelijk. Op die manier kunnen we extra gegevens en feedback verzamelen, die we later opnieuw inzetten voor verdere modelverbeteringen. Het is noodzakelijk om de business case op dat vlak goed te begrijpen, want een MVP draait niet alleen om een goede modelnauwkeurigheid. Alles begint bij een nuttige business case. 
• Fase 3. In de laatste applicaties in productie-fase maken we de oplossing productieklaar. Concreet zorgen we voor geautomatiseerde hertrainingen van het model om datadrift te voorkomen en voortdurende verbeteringen mogelijk te maken. Een focus op veiligheid, schaalbaarheid en monitoring is significant.

Ondertussen verzamelen we voortdurend datafeedback. Want deze fase is voor machine-learningprojecten niet het einde. Wel blijft het systeem verbeteren doorheen de tijd. Essentieel hierbij is om het opleidingsaspect niet uit het oog te verliezen, want hoe beter de gebruikers met de toepassing kunnen werken, hoe meer waarde die krijgt.

Pijler 4. Geïntegreerd systeem voor machine learning

Technisch gezien is het trainen van een machine-learningmodel niet de grootste uitdaging. De moeilijkheid bestaat erin om een geïntegreerd systeem voor machine learning uit te bouwen en dat continu in productie te houden. Gelukkig biedt MLOps een oplossing dankzij de vereniging van  machine-learningontwikkeling (Dev) en machine-learningsysteemoperaties (Ops).

Op die manier slaat MLOps drie vliegen in één klap.

1. Het brengt mensen bij elkaar op technisch en  bedrijfsvlak.
2. Het vestigt de focus op end-to-end automatisering.
3. Het fungeert als de sleutel naar verandering dankzij het bijhouden van data, modellen en experimenten.

Al die elementen laten ons toe om de complexiteit van machine-learningsystemen aan te kunnen. Ze helpen ons om sneller van experiment naar productie over te gaan.

Robbe roept ten slotte op om te experimenteren en om nieuwe technologieën uit te proberen. "Daarbij moeten we ons richten op het in productie brengen van concrete business cases, want daar ligt per slot van rekening de echte kracht van AI."

Inspiratie nodig voor je use case? Bekijk deze video!

Dit artikel is de schriftelijke weergave van de keynote die Robbe Sneyders, head of delivery bij ML6, gaf tijdens de Belgian AI Week. Met dank aan Evoke PR.