Waarom elke organisatie zou moeten investeren in voorspellende AI

David Rice: Bedrijven investeren miljoenen in generatieve AI. Ze bouwen agenten en jagen de hype na. En vaak negeren ze de andere 50% van de AI-stack: het deel dat daadwerkelijk meetbare bedrijfswaarde oplevert. Voorspellende AI is niet sexy. Het schrijft geen gedichten en genereert geen afbeeldingen. Het voorspelt gewoon wie er gaat klikken en wie er gaat kopen. Het richt je marketing doelgericht. Het detecteert fraude voordat die plaatsvindt en automatiseert beslissingen op schaal zonder dat er een mens aan te pas komt. Als je dit laat liggen, komt dat vaak doordat het niet zo menselijk lijkt.

De gast van vandaag is Eric Siegel, auteur van The AI Playbook en oprichter van Machine Learning Week. Volgens hem zouden de meeste organisaties minstens evenveel moeten investeren in voorspellende AI als in generatieve AI, maar wordt er te veel zuurstof uit de ruimte gezogen door de hype rond generatieve AI. En dat is voor iedereen een verlies. Dit is het probleem dat hij steeds weer ziet: bedrijven behandelen voorspellende AI als een data science-project.

Ze sturen de data scientist weg om een model te bouwen, vieren feest wanneer het klaar is en noemen dat vervolgens waarde. Maar het model is niet de waarde. Handelen op basis van de voorspellingen is de waarde. Operationele integratie is de waarde. En daarvoor is diepgaande samenwerking met zakelijke belanghebbenden nodig in zes stappen die Eric zal uiteenzetten, niet slechts drie technische stappen.

De meeste bedrijven slaan de zakelijke stappen volledig over. Ze definiëren niet wat er wordt voorspeld en wat ermee wordt gedaan. Ze slaan operationele integratie over. En vervolgens vragen ze zich af waarom hun AI-investeringen niets opleveren. Vandaag bespreken we daarom waarom voorspellende AI minder sexy, maar autonomer is dan generatieve AI.

Hoe voorspellende AI de betrouwbaarheidslaag wordt die generatieve AI daadwerkelijk levensvatbaar maakt. De zes stappen van het Biz ML-framework en welke drie stappen zakelijke belanghebbenden waarschijnlijk overslaan. Waarom een nauwkeurigheidspercentage van 95% indrukwekkend klinkt, maar je systeem waardeloos kan maken. En wat bedrijfsleiders moeten begrijpen over waarschijnlijkheden. Maak je geen zorgen: het is geen raketwetenschap.

Ik ben David Rice. Dit is People Managing People. En als je generatieve AI hebt nagejaagd terwijl je voorspellende AI liet liggen, laat dit gesprek precies zien wat je mist. Laten we beginnen.

Eric, welkom! Fijn dat je vandaag bij ons bent.

Eric Siegel: Bedankt, David. Fijn om hier te zijn.

David Rice: Generatieve AI krijgt veel aandacht, maar jij hebt voorspellende AI de vergeten 50% van de AI-stack genoemd, toch? Het is echter essentieel voor echte bedrijfswaarde. Ik ben benieuwd: waarom denk je dat organisaties zoveel enthousiaster zijn over generatieve modellen en wat wordt er over het hoofd gezien wanneer deze voorspellende systemen naar de achtergrond verdwijnen?

Eric Siegel: Ja, ik vind de manier waarop je het formuleert goed. Voorspellende AI is ouder, maar niet ouderwets. Het grootste deel van de waarde ervan wordt grotendeels nog niet benut. Het is als het ware de andere, de oorspronkelijke AI. In zekere zin is dit wat de meeste mensen bedoelden met AI voordat ChatGPT en andere generatieve AI-oplossingen enkele jaren geleden opkwamen. Het leert van gegevens om te voorspellen, zodat je grootschalige bestaande activiteiten doelgericht kunt aansturen en verbeteren. Voorspel wie er gaat klikken, kopen of vertrekken, wie fraude zal plegen en elk ander resultaat of gedrag dat waardevol kan zijn voor een organisatie die grootschalige activiteiten uitvoert.

Je vraag is: waarom krijgt generatieve AI zoveel aandacht? Het antwoord is eigenlijk heel eenvoudig. Het is veel sexyer en veel gemakkelijker te gebruiken. Geen van beide betekent dat het noodzakelijkerwijs waardevoller is. Ik zal beide punten behandelen.

Laat me een brede uitspraak doen die in de huidige cultuur, waarin zo sterk de nadruk ligt op generatieve AI en op een zekere mate van hype over de potentiële waarde ervan, behoorlijk subversief is. Hoewel generatieve AI buitengewoon waardevol is en ik de technologie niet bekritiseer — ik ben erdoor verbaasd — bekritiseer ik wel een deel van de verhalen en de hype eromheen. De subversieve uitspraak is dat de meeste organisaties minstens evenveel zouden moeten investeren in voorspellende AI als in generatieve AI. De twee lossen verschillende problemen op en zouden niet meer met elkaar moeten concurreren dan een waterpark met een skiresort.

Toch concurreren ze sterk om aandacht, tijd van data scientists en middelen. Helaas is het daardoor enigszins een nulsomspel. Tot ons nadeel wordt er te veel zuurstof uit de ruimte gezogen door generatieve AI. Het is onevenredig en daardoor voor iedereen een verlies. Voorspellende AI kan marketing doelgericht aansturen door te voorspellen wie er gaat kopen, fraudedetectie verbeteren door te voorspellen welke transactie frauduleus zal blijken en specifieker bepalen welke transactie moet worden geblokkeerd, tegengehouden of gecontroleerd.

Wanneer je grootschalige activiteiten hebt, zijn middelen altijd beperkt. Zaken doen is een cijferspel. We hebben geen magische glazen bol, maar we kunnen de kansen in ons voordeel beïnvloeden door beter te voorspellen dan te gokken. Dat is het cijferspel dat je met voorspellende AI speelt.

Dat wil zeggen: het berekent waarschijnlijkheden op basis van historische gegevens. Waarschijnlijkheid is niet het meest sexy gespreksonderwerp ter wereld, maar als je geïnteresseerd bent in waarde en in het verbeteren van je bestaande grootschalige activiteiten, is dit meestal waar je terechtkomt. De aantrekkingskracht van generatieve AI komt voort uit het feit dat het zo menselijk lijkt en zo goed past binnen het langetermijnverhaal over AI.

Sinds het ontstaan van die term in de jaren vijftig — en natuurlijk door alle bijzonder vermakelijke films en dergelijke — lijkt het zo menselijk. Dat is opmerkelijk en houdt gedeeltelijk verband met de potentiële waarde ervan in toepassingen waarin het kan dienen als sparringpartner, voor eerste versies en voor eerste versies van code, en in al het andere waarin het zo opmerkelijk goed is. Voor het overgrote deel van de toepassingen heb je echter nog steeds nadrukkelijk een mens in de lus nodig.

Ironisch genoeg wordt generatieve AI juist doordat het zo menselijk lijkt toegepast op taken die mensen normaal gesproken zouden uitvoeren en waarbij we minder tolerant zijn voor fouten. Voorspellende AI lijkt daarentegen minder menselijk, maar kan veel autonomer zijn, omdat het automatisch kan beslissen welke creditcardtransactie mogelijk frauduleus is en moet worden geblokkeerd.

Dat was mijn kleine monoloog over het verschil tussen de twee gebieden.

David Rice: Geen probleem. Het is grappig, want het lijkt op de persoon in een vriendengroep die alle geweldige etentjes organiseert, maar die niemand als fijnproever ziet omdat hun Instagram er niet uitziet als een kookzender.

Maar het is interessant, want zoals je zegt bestaat het al lange tijd. Ik denk dat veel bedrijven, vooral op ondernemingsniveau, al een tijdje aan deze systemen werken. Als je sommige van deze systemen hebt ingevoerd en het werk hebt gedaan, zal de hele agentrevolutie die eraan komt waarschijnlijk niet echt jouw terrein zijn, omdat veel hiervan al geautomatiseerd is.

Eric Siegel: Ik maak me zorgen over de terminologie rond agentische AI en AI-agenten. Ik heb enkele artikelen in Forbes geschreven waarin ik zeg dat de term grotendeels misleidend en onbehulpzaam is.

Het is een hype-term. Hij verwijst niet naar een bepaald nieuw type technologie. Hij verwijst alleen naar de intentie: verder automatiseren. En dat is vanzelfsprekend de bedoeling. Dat is waarom we machines bouwen: om dingen te doen die anders door een persoon zouden moeten worden gedaan.

Alleen omdat we er het woord ‘agentisch’ op plakken, betekent dat niet dat er iets nieuws is. Het gaat om relatief voor de hand liggende toepassingen die je met generatieve AI zou proberen, maar je bereikt al snel een ambitieniveau en projectdoelstellingen die buiten de mogelijkheden vallen om autonoom te functioneren zonder mens in de lus.

Dat brengt me bij een belangrijk punt waarover ik steeds meer lawaai begin te maken: waar de twee werelden samenkomen en waar voorspellende AI en generatieve AI elkaar echt nodig hebben. Ik geloof dat de volgende baanbrekende toepassing van voorspellende AI zal zijn om te dienen als betrouwbaarheidslaag voor generatieve AI.

Naarmate we allemaal snel ambitieuze plannen ontwikkelen voor generatieve AI — of we het nu een agent noemen of welke andere term dan ook gebruiken — ontstaat het idee dat het bijvoorbeeld als klantenserviceagent zal fungeren. Het zal rechtstreeks met consumenten communiceren over een relatief groot aantal onderwerpen en misschien zelfs transacties kunnen uitvoeren.

Het idee om dat volledig automatisch te laten verlopen wordt al snel onhandelbaar, afhankelijk van precies wat het systeem moet kunnen doen. Misschien maakt het 5% van de tijd een kritieke fout. Het verstrekt informatie die het niet zou moeten verstrekken of voert een transactie uit die het niet zou moeten uitvoeren. Er zijn miljoenen dingen die mis kunnen gaan. Als het 95% van de tijd goed werkt, is dat ongelooflijk, indrukwekkend en ongekend — iets wat we enkele jaren geleden niet hadden kunnen voorstellen. Maar het hele systeem heeft dan geen waarde. Het is niet levensvatbaar en zal niet worden ingezet.

Een foutenpercentage van 5% is te hoog. Hoe pakken we dat aan? We kunnen wachten tot alle scherpe randjes zijn weggewerkt en de technologie is verbeterd, maar dat is een veel grotere opgave dan we beseffen. Het verschil tussen wat generatieve AI en mensen kunnen doen, ligt juist binnen die 5%, of welk percentage het uiteindelijk ook wordt, afhankelijk van de taak.

Dat verschil zal alleen maar duidelijker worden. De verbeteringen leveren steeds minder op. We kunnen echter een groot deel van die gedurfde belofte van autonomie waarmaken als we een voorspellende laag toevoegen. We gebruiken voorspellende AI, voorspellende analyses of machinaal leren voor ondernemingen — hoe je het ook wilt noemen — en leren uit een groot aantal voorbeelden hoe we automatisch de gevallen kunnen markeren die waarschijnlijk een probleem opleveren.

Vervolgens leiden we die risicovolste gevallen automatisch door naar de duurdere mens in de lus. Bij een chatbot kunnen dat bijvoorbeeld de 15% meest risicovolle interactiemomenten met eindconsumenten zijn. De interactie wordt gepauzeerd en de mens komt tussenbeide. Die past het antwoord aan of grijpt in wanneer dat nodig is.

We hebben geen magische glazen bol voor deze of enige andere voorspellende toepassing. Maar als we bijvoorbeeld 15% van de gevallen selecteren om die 5% te vinden, kan dat genoeg zijn om de meerderheid ervan te onderscheppen. Misschien resulteert dat in een foutenpercentage van 1%. Afhankelijk van de toepassing en de bedrijfscontext kan dat het systeem levensvatbaar maken. We hebben dan 85% van die gedurfde belofte van autonomie gerealiseerd, wat veel beter is dan de 0% die je realiseert wanneer het systeem niet inzetbaar is.

David Rice: Je noemde de machinale laag erbovenop. Je hebt onlangs een nieuw boek uitgebracht: The AI Playbook. Neem me er eens in mee. Ik vond de titel interessant: ‘de zeldzame kunst van het inzetten van machinaal leren beheersen’. Waarom is het zo zeldzaam?

Eric Siegel: Het is een ongemakkelijke waarheid. Het inzetten van machinaal leren, waarnaar in de ondertitel van het boek wordt verwezen, gaat over voorspellende AI- of voorspellende analyseprojecten: machinaal leren voor ondernemingen. Je maakt een voorspellend model op basis van gegevens.

Dat is wat machinaal leren doet. Het leert van gegevens en wordt vastgelegd als regels, formules of iets dergelijks in een model. Voor de duidelijkheid: zowel generatieve AI als voorspellende AI zijn gebouwd op of met machinaal leren. Het zijn beide categorieën van toepassingen van machinaal leren, maar het eindresultaat bestaat uit zeer verschillende systemen die zeer verschillende doelen dienen.

Bij voorspellende AI zijn de voorspellingen gericht op individuele organisatorische eenheden: de klant, de patiënt in de gezondheidszorg, de transactie die frauduleus kan zijn, de satelliet die zonder batterij kan komen te zitten, de locatie voor olieboringen die productief kan zijn of het treinwiel dat defect kan raken.

De toepassingen zijn vrijwel oneindig. Hoewel het gebied van voorspellende analyses en machinaal leren voor ondernemingen al tientallen jaren bestaat — sinds de jaren zestig, toen we regressie gebruikten voor marketing, fraudedetectie en kredietbeoordeling — is het nog steeds niet volwassen of geprofessionaliseerd op één zeer belangrijk punt. Daarom heb ik het boek geschreven en daarom heb ik ook mijn start-up Gooder AI mede opgericht: om de laatste kloof tussen technologie en bedrijfsvoering te overbruggen.

Die kloof tussen de technische mensen en data scientists enerzijds en de zakelijke belanghebbenden anderzijds is berucht. De belanghebbende is verantwoordelijk voor de activiteit die met de voorspellingen van een model moet worden verbeterd. Die kloof is zo groot dat projecten steeds opnieuw mislukken.

Wat er meestal gebeurt, is dat de data scientist zegt: ‘Hallo. Ik heb het machinale-leermodel gemaakt dat je vroeg: een model dat voorspelt welke klant gaat opzeggen.’ Dat heet churnmodellering. Je kunt nu een retentieaanbieding of korting richten op klanten met een hoog risico, want je kunt die niet aan honderd procent van je klantenbestand geven.

De data scientist zegt vervolgens: ‘Ik heb het model gemaakt. Het voorspelt uitstekend. Het is een solide model. Het heeft van gegevens geleerd. Alle technische controles zijn uitgevoerd, dus zet het maar in.’ De zakelijke belanghebbende vraagt dan: ‘Hoe goed is het model?’

We hebben geen magische glazen bol. We kunnen alleen kansen toekennen aan de mogelijkheid dat iemand klikt, koopt of vertrekt. Dus vraag je: hoe goed is dit model? Hoe goed presteren we met de beschikbare gegevens?

De data scientist zal bijna altijd iets zeggen als: ‘Het is geweldig. Het gebied onder de receiver operating characteristic-curve is 0,837.’ Daarna volgt een lange ongemakkelijke stilte. Data scientists zijn over het algemeen alleen opgeleid en uitgerust om technische prestatiemaatstaven te berekenen: precisie, terugroeping, F-score, lift en het gebied onder de curve.

Zelfs nauwkeurigheid is slechts een technische maatstaf. Deze maten vertellen je alleen iets over de ruwe, abstracte voorspellende prestaties in vergelijking met een basislijn, zoals willekeurig raden. Ze geven je een goed beeld van het feit dat het model technisch gezien veel beter is dan raden, wat nuttig is om te weten.

Maar ze vertellen niets over de potentiële waarde: hoeveel geld verdien je door dit model te gebruiken voor gerichte marketing, retentieaanbiedingen, fraudedetectie of voorspellend onderhoud? Wie moet je aannemen? Wie moet je als werknemer proberen te behouden? Het draait altijd om het doelgericht inzetten van beperkte middelen en dit voorspelbaar doen.

Wanneer je het eindresultaat in geld wilt berekenen — winst, besparingen of andere relevante bedrijfs-KPI’s — is dat nog altijd geen gebruikelijke oefening binnen data science. Dat verbaast me bijna evenzeer als ieder ander, ook al werk ik al meer dan dertig jaar in het vakgebied.

We zijn de kerntechnologieën gaan verheerlijken: enthousiaster worden over de raketwetenschap dan over de lancering van de raket. Wanneer je de raket wilt lanceren nadat je iets hebt gebouwd, moet je die testen aan de hand van KPI’s die ertoe doen. Je moet de raket aan stresstests onderwerpen. We kunnen de raket bouwen, maar we moeten ook kunnen sturen en de prestaties ervan kunnen beoordelen.

Daarom moeten we de bedrijfsmaatstaven en de financiële prestaties daadwerkelijk berekenen en voorspellen hoeveel voordeel het bedrijf zou behalen als we de voorspellingen van dit model zouden gebruiken. Dat is waarom we Gooder AI hebben gebouwd en waarom dit een essentieel onderdeel is van mijn boek The AI Playbook.

Het slechte nieuws is dat de meeste voorspellende modellen die zijn ontwikkeld met de bedoeling om voor bedrijfsactiviteiten te worden ingezet, er nog altijd niet in slagen de implementatiefase te bereiken. Het goede nieuws is dat dit slechts de laatste kilometer is. We hebben al 10.000 kilometer afgelegd. We staan op de schouders van reuzen: de mensen die algoritmen voor machinaal leren hebben ontwikkeld. Nu gaat het alleen nog om een organisatorische aanpassing en diepgaande samenwerking tussen de technische en zakelijke kant, zodat ze dezelfde taal spreken — inclusief de taal van bedrijfsmaatstaven.

Zo kunnen we het sombere implementatiepercentage verbeteren en veel regelmatiger waarde realiseren.

David Rice: Een wereldwijd team opbouwen zou niet moeten betekenen dat je vijf verschillende systemen voor HR, salarisadministratie en IT moet beheren. Deel brengt alles samen, zodat je overal mensen kunt aannemen, inwerken, betalen en uitrusten zonder de gebruikelijke chaos. Of je nu werknemers in tien landen aanneemt of contractanten over verschillende tijdzones beheert: Deel regelt naleving, arbeidsvoorwaarden en salarisadministratie op één plek. Dat betekent minder versnipperde hulpmiddelen, minder hoofdpijn en meer tijd om je op je mensen te richten.

Wil je zien hoe aannemen zonder grenzen er echt uitziet? Ga naar deel.com/pmp. Dat is deel.com/pmp om een demonstratie te boeken. Nogmaals: deel.com/pmp. Deel: iedereen, overal aannemen, beheren en betalen.

Eric Siegel: Een voorspellend AI-project wordt gedefinieerd aan de hand van twee dingen: wat wordt voorspeld en wat wordt ermee gedaan? Waar ken je waarschijnlijkheden aan toe? Wat voorspel je precies? Wie gaat kopen als die persoon wordt benaderd? Welke transacties blijken frauduleus? En wat gebeurt er vervolgens mee? Dat is de interventie.

Die combinatie van wat wordt voorspeld en wat ermee wordt gedaan definieert het project. Dit is letterlijk de eerste van zes stappen in het AI Playbook, in het Biz ML-framework voor het succesvol uitvoeren van projecten met machinaal leren tot aan implementatie.

Het belangrijkste ingrediënt in al deze stappen is diepgaande samenwerking tussen technologie en bedrijfsvoering. Data scientists kunnen dit niet in een vacuüm doen. Voorspellende AI-projecten zijn altijd een adviesopdracht, geen technische installatie. Telkens wanneer je activiteiten verandert met voorspellingen, waarschijnlijkheden of kansen, is dat een fundamentele verandering voor een grootschalige activiteit.

Het geheel is dus in de eerste plaats een zakelijke inspanning waarbij toevallig machinaal leren wordt gebruikt. De zakelijke kant moet zich op een toegankelijke en relevante manier ontwikkelen. Je hoeft niet te leren hoe de bougies worden vervangen of precies te begrijpen hoe de motor werkt. Je moet leren autorijden. Als je het voertuig niet bestuurt, bereik je in deze analogie je bestemming niet.

Die ontwikkeling is een van de belangrijkste doelen van mijn boek The AI Playbook. Het is geen traject dat je in één uur afrondt, maar het is nauwelijks een volledige universitaire cursus. Het is in wezen de kennis van één boek: een semi-technisch, toegankelijk begrip van hoe voorspellende AI-projecten werken, wat je voorspelt, wat ermee wordt gedaan en welke maatstaven nodig zijn.

Maatstaven zijn slechts rekenkunde. Iedereen kan daardoor dezelfde basis begrijpen en deze projecten succesvol tot aan de implementatie uitvoeren. Ze worden daadwerkelijk ingezet, geoperationaliseerd en in de activiteiten geïntegreerd. De activiteiten verbeteren of veranderen niet voordat dat gebeurt — en juist dat veranderingsproces is de implementatie.

David Rice: Je hebt het gehad over de ontmoeting tussen generatieve AI en voorspellende AI. Je sprak ook over het combineren van beide, omdat ze elkaars beperkingen kunnen aanpakken. Wat is een goed voorbeeld van hoe ze in de praktijk samenwerken en tegen welke obstakels lopen teams aan wanneer ze beide proberen te integreren?

Eric Siegel: Eén manier is wat ik al noemde: je gebruikt voorspellende AI als betrouwbaarheidslaag boven op een generatief AI-systeem. Een andere manier is dat je generatieve AI laat helpen bij een voorspellend AI-project.

Generatieve AI is gemakkelijker omdat je er gewoon in natuurlijke taal tegen kunt praten. Daardoor kan het de kloof tussen technologie en bedrijfsvoering helpen overbruggen. In onze softwareoplossing Gooder AI werkt het bijvoorbeeld als een zakelijke console voor een voorspellend AI-project.

Een van de belangrijkste grafieken heeft twee dimensies. Op de horizontale as staat hoeveel afzonderlijke gevallen je met behulp van een model wilt benaderen, blokkeren of inspecteren. Op de verticale as staat het geld: wat zijn de potentiële opbrengsten, besparingen of inkomsten van dit project?

De grafiek stijgt meestal en daalt daarna weer, omdat er een optimale zone is waarin de verbetering van het bedrijfsresultaat maximaal is. Dit is geen raketwetenschap. Het zijn slechts twee dimensies en beide zijn relevant voor de bedrijfsvoering.

We hebben een taalmodel geïntegreerd waarmee je vragen kunt stellen over de grafiek zonder bang te zijn dat je saai of dom klinkt tegenover een data scientist. Je kunt bijvoorbeeld vragen waarom de curve stijgt en daalt en dat laten uitleggen alsof je een kind bent. Het systeem kan dan een verhaal vertellen over een limonadekraam en hoeveel voorbijgangers je moet benaderen. Zo kunnen de twee gebieden elkaar versterken.

David Rice: Ik zie steeds vaker het argument dat voorspellende modellen als kritieke vangrails kunnen dienen, vooral wanneer generatieve systemen hallucineren of zich onvoorspelbaar gaan gedragen. Hoe kan voorspellende AI volgens jou worden ingericht als veiligheidslaag in operationele werkprocessen?

Eric Siegel: Voorspellende AI draait om het toekennen van kansen aan individuele gevallen. Voorspellen is iets anders dan prognoses maken. Prognoses verwijzen meestal naar één uitkomst: gaat de economie omhoog of omlaag? Hoeveel ijsjes verkopen we volgend kwartaal? Bij voorspellende AI gebruik je machinaal leren om voor elk individueel geval een voorspelling te maken.

Omdat het op miljoenen gevallen wordt toegepast, is het bijzonder waardevol. Grootschalige activiteiten bestaan uit miljoenen microbeslissingen. De heilige graal voor het verbeteren van elk van die beslissingen is het voorspellen van een relevante uitkomst of een relevant gedrag.

Het goede nieuws is dat de wet van de grote aantallen je helpt. We hebben geen magische glazen bol, maar wel waarschijnlijkheden. Een waarschijnlijkheid is niet technisch in de uiteindelijke uitvoer. Het is het meest voor de hand liggende alternatief voor een magische glazen bol: een getal tussen nul en honderd dat aangeeft hoe groot de kans is dat dit specifieke geval zich op een bepaalde manier gedraagt.

Daarmee kun je veel gevallen rangschikken, prioriteren en bepalen welke je op welke manier behandelt. Dat basisidee — kansen toekennen en vervolgens prioriteren — kan worden toegepast op veiligheid en op talloze andere gebieden.

Zakelijke belanghebbenden moeten deze technologie begrijpen en aan het project deelnemen. Ze kunnen data scientists niet simpelweg wegsturen. De waarde ontstaat pas wanneer je handelt op de voorspellingen en ze in de grootschalige activiteit integreert. Daarvoor is diepgaande samenwerking nodig.

David Rice: Veel frameworks voor voorspellende AI leggen de nadruk op gegevensmodellering. Jij benadrukt ook zaken als de definitie van de voorspelling, operationele integratie en voortdurende iteratie. Welke minder voor de hand liggende maar cruciale stappen slaan bedrijven vaak over wanneer ze in voorspellende AI investeren?

Eric Siegel: Ze slaan in feite alle stappen aan de zakelijke kant over. Data scientists proberen alle stappen uit te voeren, maar zijn alleen opgeleid voor de technische rekenstappen en technische evaluatie.

De kernstappen aan de zakelijke kant hebben te maken met wat wordt voorspeld, hoe goed het wordt voorspeld en wat ermee wordt gedaan. Dat zijn de basisvereisten die het project definiëren.

De zes stappen in het Biz ML-framework uit The AI Playbook bestaan uit twee reeksen van drie. De laatste drie stappen zijn de stappen die data scientists sinds de jaren zestig altijd al uitvoeren: de gegevens voorbereiden, het model trainen en het model implementeren.

De eerste drie stappen zijn stappen vóór de productie en gaan over het definiëren van wat wordt voorspeld, hoe goed dat moet gebeuren en wat ermee wordt gedaan. Voor alle zes stappen is echter diepgaande samenwerking met de zakelijke kant nodig.

Er is ook een artikel in Harvard Business Review dat het framework samenvat. Je hebt het boek niet nodig om eraan deel te nemen, maar het doel van het boek is om zakelijke deelnemers vertrouwd te maken met deze zes stappen en hen een toegankelijk, semi-technisch begrip te geven zodat ze daadwerkelijk kunnen bijdragen.

David Rice: Helaas hebben we vandaag geen tijd meer, Eric. Bedankt dat je in de uitzending wilde komen. Het was buitengewoon interessant.

Eric Siegel: Uitstekend, David. Heel erg bedankt voor de uitnodiging.

David Rice: Luisteraars, als je dat nog niet hebt gedaan, ga dan naar peoplemanagingpeople.com/subscribe en schrijf je in voor de nieuwsbrief. Je ontvangt podcasts zoals deze en alle nieuwste artikelen die we publiceren rechtstreeks in je inbox. Als je meer over dit onderwerp wilt weten, bekijk dan zeker The AI Playbook. Het is absoluut de moeite waard.

Tot de volgende keer: blijf nieuwsgierig naar voorspellende AI. Raak niet alleen verdwaald in de generatieve mist.