AI-projecten succesvol uitwerken door technologie en user centricity te combineren

Auteur(s)

Pieter-Jan Liekens, Jens Mortier

Gepubliceerd op

04/09/20

In 2018 en 2019 verscheen Artificial Intelligence (AI) en Machine Learning (ML) op de strategische agenda van verschillende bedrijven. Sommigen zagen deze emerging technology als een opportuniteit om nieuwe diensten aan te bieden of bestaande diensten uit te breiden. Of ze maakten deel uit van de innovatie roadmap die de CIO of CTO uitstippelde. Bovendien stegen in Europa de investeringen in research en innovatie binnen AI de laatste 3 jaar zelfs met 70% ten opzichte van de voorgaande periode.

Het spreekt voor zich dat nieuwe technologieën mogelijkheden creëren. Doorgaans is het niet vanzelfsprekend om ze te implementeren binnen bestaande processen, producten of organisaties. Daarenboven verliezen velen tijdens het innovatietraject de eindgebruiker uit het oog waardoor het hele project zijn doel voorbijschiet. Dit zagen we vanuit Shape & Shift de afgelopen jaren ook gebeuren binnen AI-projecten.

Hierdoor hebben we binnen Shape & Shift een raamwerk uitgewerkt om technologische innovaties te combineren met een user centric innovation approach. In dit artikel zoomen we verder in op hoe we dit voor AI-trajecten toepassen.

5 breekpunten die een innovatief AI-traject doen falen

Vooreerst is het belangrijk om inzichten te verwerven waar het precies misloopt bij het implementeren van innovatieve AI-projecten. We hebben een top 5 gedistilleerd uit onze afgelopen ervaringen.

Complexiteit

Er gaan een aantal diverse soorten aan complexiteit schuil in AI. Ten eerste is er de technische complexiteit die het soms moeilijk maakt om software engineers uit verschillende deeldomeinen met elkaar af te stemmen over de wijze waarop AI geïntegreerd kan worden binnen het bestaande applicatielandschap. Vervolgens is het vaak niet duidelijk welke soorten oplossingen AI-toepassingen kunnen bieden, waardoor business sponsors en product teams moeilijkheden ondervinden bij het bedenken van AI enabled ideeën en oplossingen. Ten slotte bestaat er een kloof tussen beloftes en verwachtingen: het is vaak niet duidelijk of bepaalde doelstellingen met AI wel degelijk (op korte termijn) haalbaar zijn. Samengevat, heersen er zowel op vlak van feasibility en viability belangrijke problemen.

Support vanuit de organisatie ontbreekt

Vaak merkten we dat AI en Machine Learning trajecten als “eigendom” of “speeltuin” van het IT-departement aanzien werden. Hierdoor mist business buy-in en dreigt de uitkomst van dergelijke experimenten als niet-relevant beschouwd te worden. Zowel langs de IT- als businesskant blijkt een ambitieuze ondernemersmindset belangrijk te zijn om digitale innovatie te verwezenlijken d.m.v. AI.

Beschikbaarheid van en inzicht in data

Organisaties verzamelen heel wat data, echter is het vaak niet duidelijk welke meerwaarde deze data kan bieden in AI-projecten. Heel wat data gerelateerde aspecten vormen een rem op het succesvol uitwerken van AI-projecten:

  • Beperkte data infrastructuur
  • Beperkte documentatie en fragmentatie van de data
  • Irrelevante/onbruikbare data

Build-first culture

Organisaties die over de juiste in-house kennis beschikken, gaan vaak meteen aan de slag om zelf een oplossing te bedenken, uit te werken en te implementeren. Dat is begrijpelijk, want deze ‘build-first culture’ werkt voor heel wat andere problemen in de IT-sector. Toch loopt u hiermee het risico om het wiel opnieuw uit te vinden. Er zijn heel wat kant-en-klare oplossingen beschikbaar die u tijd en energie kunnen besparen. Daarnaast blijft kennis op deze manier vaak bij één team of één persoon, waardoor de mogelijkheden beperkt blijven.

Ongestructureerde aanpak

Een innovatieproject wordt nog te vaak beschouwd als een traditioneel IT-project, waarbij klassieke project management methoden gebruikt worden. In tegenstelling tot klassieke IT-projecten spelen er echter nog meer onzekerheden, zowel op vlak van technologie als opportuniteiten naar de eindgebruiker toe. Dit vraagt om een zeer flexibele project aanpak.

Zowel langs de IT- als businesskant blijkt een ambitieuze ondernemersmindset belangrijk te zijn om digitale innovatie te verwezenlijken d.m.v. AI

Slim en wendbaar innoveren

Bovenstaande breekpunten komen bij tal van organisaties voor. Om de slaagkansen van een project met nieuwe technologieën te maximaliseren, moet u ‘out of the box’ denken en ruimte laten om van koers te veranderen. Daarom zijn wij voorstander van de principes van Lean en Design Thinking. Het geeft ons en onze klanten steeds een andere kijk op de context van het probleem, waardoor we op een gestructureerde manier een oplossingsstrategie kunnen bedenken.

In innovatietrajecten die niet technologie-gedreven zijn, passen we de principes van Design Thinking doorgaans toe door (alternatieven van) design sprints te organiseren, waarbij de eindgebruiker van de oplossing steevast centraal staat. Om deze positie in technologie-gedreven innovatieprojecten, in dit geval AI, niet te verliezen, combineren we design thinking met capability driven ideation. Dit wil zeggen dat we in de design sprint een aantal fasen toevoegen om het designteam op weg te helpen met deze nieuwe technologie. Dit doen we door een technologie op te splitsen in oplossingsstrategieën. Dit zijn strategieën die de technologie aanbiedt om specifieke problemen op te lossen. Deze kunnen vervolgens meegenomen worden in het ideation proces.

Om de slaagkansen van een project met nieuwe technologieën te maximaliseren, moet u ‘out of the box’ denken en ruimte laten om van koers te veranderen.

De AI Design Sprint

Als oplossing van eerder vermelde problemen, lichten we graag de AI Design Sprint toe in de vorm van een aantal praktische aanpassingen binnen de klassieke design sprint.

De juiste mensen op de juiste plaats

De hele design sprint staat of valt met een goed designteam. Dat is dan ook waar we zullen starten: het samenstellen van ‘the dream team’. We geven graag een aantal must have profielen mee, maar houd er rekening mee het team niet te groot te maken, dat zal de vooruitgang gedurende de sprint vertragen.

Ten eerste is het belangrijk om een beslissingsnemer te hebben, meestal een business sponsor, product verantwoordelijke, … . Op een aantal punten zullen namelijk belangrijke beslissingen genomen worden. Daarnaast hebben we vanuit het standpunt van de gebruiker, klant, … ook vertegenwoordiging nodig, meestal in de vorm van een customer expert. Deze kan komen uit de sales- of marketingafdeling. Ook een interne product designer of engineer kan het team vervoegen om een link met de huidige digitale producten te vormen. Ten slotte is er nog een facilitator en AI-engineer nodig om respectievelijk de design sprint te begeleiden en de nodige AI input te leveren. We raden doorgaans ook aan dat de facilitator ook een belangrijke notie van AI en zijn toepassingen heeft.

Deze groep heeft samen een breed en diep kennisveld en kan op korte termijn een oplossing bedenken die tegelijk technisch mogelijk is en voldoende impact heeft op de organisatie.

De probleemfase

Net zoals in een klassieke design sprint, die bedacht werd door Jake Knapp, starten we eerst met de doelen, sprintvragen en context map op te stellen. Na deze fasen, is het duidelijk welk user probleem we wensen op te lossen, zonder rekening te houden met AI. Nu dient er een belangrijke afweging gemaakt te worden: geven we prioriteit aan het oplossen van het user probleem of aan het uitdenken van een AI -toepassing, omdat we dit in de organisatie willen introduceren? De tweede situatie komt voornamelijk voor binnen organisaties die AI-technologie zelf wensen te exploreren.

Indien het user probleem voorrang krijgt, starten we de “Ask The Experts”-oefening op een klassieke manier en noteren we generatieve vragen in de vorm van “How Might We”-vragen. Nadat alle business experts aan bod zijn gekomen, vragen we ook nog de AI-expert om een aantal AI capabilities toe te lichten in de vorm van oplossingsstrategieën. Hier vragen we het designteam om aparte “How Might We”-vragen te noteren. Uit deze tweede reeks van HMW-vragen, worden AI-opportuniteiten voor het probleem blootgelegd. Hierna gaan we verder met het groeperen en selecteren van alle HMW-vragen samen.

De Impact/Effort matrix

Indien we de nadruk willen leggen op het introduceren van AI binnen de organisatie, laten we de AI-expert als eerste aan bod komen. Als nadien de overige experts aan bod komen, vragen we het designteam om de HMW-vragen die ze schrijven, alvast te koppelen aan een AI-oplossingsstrategie. Op die manier wordt de link met een AI-oplossing duidelijker en kunnen we garanderen dat er een AI-oplossing bedacht wordt, terwijl het toch bijdraagt aan het oplossen van een bestaand probleem. Nadien gaan we ook hier verder met het groeperen en selecteren van deze HMW-vragen.

Het resultaat van deze fase is een selectie van HMW-vragen. Om deze selectie makkelijk te faciliteren, kunnen de groepen van HMW-vragen geordend worden volgens een impact/effort matrix.

Nu dient er een belangrijke afweging gemaakt te worden: geven we prioriteit aan het oplossen van het user probleem of aan het uitdenken van een AI -toepassing, omdat we dit in de organisatie willen introduceren?

De ideation fase faciliteren

Het overgrote deel van de ideation fase zal gelijkaardig verlopen aan de voorgestelde methodologie door Jake Knapp. Echter willen we een aantal aanpassingen voorstellen indien we binnen het AI-domein wensen te werken.

Gedurende de ideation fase, proberen we steevast een moment te creëren waarin het designteam probeert alternatieve wegen te bewandelen, hetgeen vaak gebeurd d.m.v. de “crazy eights”-oefening. Hier raden we aan om deze oefening vanuit de AI-oplossingsstrategieën te benaderen. Meer bepaald probeert u vier, i.p.v. 8, alternatieven te bedenken voor uw idee door een andere AI-oplossingsstrategie toe te passen. Door het designteam te verplichten deze alternatieve oplossingsstrategieën toe te passen, zorgt u ervoor dat andere interessante toepassingen van AI aan het licht komen.

Vervolgens, gedurende de sketch oefening, gaat het designteam aan de slag om ideeën, al tekenend, uit te werken. Hierbij vragen we het team om, naast de gebruikersinteracties, ook de toepassing van de betreffende oplossingsstrategieën te benoemen. Dit maakt het later makkelijk om, samen met de AI-expert, ook een feasibility test te doen.

Ten slotte splitsen we het selectiemoment van de uit te werken oplossing op in twee delen. Eerst wordt er gestemd op de getekende oplossingen in de vorm van een heatmap met dot-stickers en worden de oplossingen kort overlopen. De AI-expert kan hier alvast input geven omtrent de haalbaarheid van de ideeën. Nadien volgt er een tweede sketch-fase, waarbij de leden van het designteam het idee van iemand anders kunnen nemen om daarop verder te werken. Dit wordt opnieuw opgevolgd door een tweede stemronde, waaruit het uiteindelijke storyboard zal worden samengesteld. Dit heeft als gevolg dat het idee dichter ligt bij de technologische mogelijkheden en dat er kruisbestuiving kan plaatsvinden.

Door het designteam te verplichten deze alternatieve oplossingsstrategieën toe te passen, zorgt u ervoor dat andere interessante toepassingen van AI aan het licht komen.

De oplossing uittesten

Nu we een oplossing hebben bedacht, toetsen we deze best ook in de praktijk. Omdat we snel resultaten willen, is het niet mogelijk om de volledige oplossing uit te werken. Daarom werken we steeds met prototypes om snel tot een test opzet te komen. Afhankelijk van het idee, kiezen we een prototype-strategie. We lichten in dit artikel de “Wizard of Oz”-strategie en de “Technical prototype” verder uit.

Wizard of Oz Prototype

Indien het AI-idee voornamelijk assumpties bevat omtrent de interactie met eindgebruikers, is het vaak voldoende om enkel deze interactie uit testen. We bouwen als het ware slechts de façade, maar integreren geen AI-algoritmes. Dit wordt de Wizard of Oz techniek genoemd. De AI-capabilities zelf worden tijdens het test interview met de gebruiker gesimuleerd door iemand uit het designteam achter de schermen. Aan de hand van deze testcases evalueren we of het de moeite loont om aan de volledige ontwikkeling te starten. We focussen ons dus eerst op de menselijke reactie op de mogelijke oplossing en gaan op zoek naar een kwalitatieve evaluatie van het prototype. De test-cyclus is op deze manier ook veel korter, omdat er geen echte implementatie of ontwikkeling aan te pas komt.

Technical prototype

Het gebeurt echter ook dat we niet enkel de interacties met de eindgebruiker willen testen, maar ook de technische haalbaarheid van de AI-capabilities, hetgeen feasibility genoemd wordt. Dan loont het soms wel de moeite om een eerste implementatie van het AI-algoritme te bouwen.

Hier dient wel opgemerkt te worden dat tijdens de ontwikkeling van een AI of Machine Learning oplossing, er niet enkel tijd en resources kruipen in de ontwikkeling ervan, maar ook in de datacollectie, de training van het algoritme, de evaluatie en de verbetering. Omdat we de doorlooptijd willen beperken, zijn er een aantal manieren om dit te counteren:

  • Hanteer een Lean methodologie, waarbij elke ontwikkeling die niet bijdraagt tot het beantwoorden van één van de technologische assumpties, als ‘waste’ kan beschouwd worden.
  • Het kan interessant zijn om een model te trainen op een bestaande dataset. Op deze manier leveren we een model op dat technologisch toont wat mogelijk is, zonder tijd te verliezen aan een volledig geïntegreerde oplossing met eigen data.
  • Mogelijks bestaan er reeds algoritmes die voor het probleem kunnen gebruikt worden, dit verkort de ontwikkelingstijd aanzienlijk.

 

Bronnen


The Master Algorithm – How the Quest for the Ultimate Learning Machine Will Remake Our World door Pedro Domingos

www.thesprintbook.com
https://www.history.com/news/in-1950-alan-turing-created-a-chess-computer-program-that-prefigured-a-i
https://blogs.gartner.com/smarterwithgartner/the-cios-guide-to-artificial-intelligence/
https://www.forbes.com/sites/cognitiveworld/2019/06/19/7-types-of-artificial-intelligence/
https://news.mit.edu/2019/toward-artificial-intelligence-that-learns-to-write-code-0614
https://www.altexsoft.com/blog/image-recognition-neural-networks-use-cases/
https://www.gartner.com/en/newsroom/press-releases/2019-07-15-gartner-survey-reveals-leading-organizations-expect-t
https://www.gartner.com/doc/reprints?__hstc=218942598.be341df4806bebab5f7e3b7c042397cb
https://www.idc.com/getdoc.jsp?containerId=prUS46534820
https://ec.europa.eu/info/sites/info/files/commission-white-paper-artificial-intelligence-feb2020_en.pdf
https://learning.oreilly.com/case-studies/machine-learning/how-spotify-uses-machine-learn/9781491991336-video325407/
https://www.oreilly.com/radar/how-companies-can-navigate-the-age-of-machine-learning/
https://pair.withgoogle.com/chapter/mental-models/

Aanbevelingen icon

Ontdek meteen onze aanbevelingen Lees meer

Aanbevelingen om zelf van start te gaan

Als samenvatting van dit artikel, geven we nog graag onderstaande tips mee om succesvol een technologie-gedreven en user-centric aanpak te combineren:

Workshop om doelstellingen te bepalen

Bepaal tijdig doelstelling

Bepaal op voorhand de doelstelling van de design sprint: wil u AI introduceren in de organisatie en hiervoor een case uitwerken of wil u vooral een bestaand probleem oplossen, waarbij u vermoed dat AI een kanshebber kan zijn? Dit zal de aanpak van de design sprint bepalen.

AI Expert illustratie

Betrek AI-experten

Zodat oplossingsstrategieën van AI, Machine Learning en Deep Learning kunnen gedeeld worden met de leden van het design team. Hierdoor is iedereen in staat om AI opportuniteiten te spotten en mee te nemen in oplossingen.

Prototype visual

Bouw een prototype

Zodat u snel feedback kan verkrijgen omtrent de oplossing op het vlak van desirability en de haalbaarheid ervan.

Gepubliceerd door

Pieter-Jan Liekens

Pieter-Jan has a background in e-commerce and retail and made the shift to a Business Innovation Analysis role at Shape & Shift. He thrives in complex and challenging environments such as the corporate startup. He’s a hands-on practicioner of the design thinking, lean startup and agile movement. Understanding users, challenging assumptions, redefining problems and creating innovative solutions, prototyping and testing them are his passion.

Jens Mortier

Jens Mortier is a Business Innovation Analyst and Managing Partner at Shape & Shift. In his role as Business Innovation Analyst, he mainly works on fintech corporate startup projects. Jens gets challenged by bridging the gap between a complex business context and human-centric innovation. He therefore specialised in projects where business, technology and digital innovation meet.

Bewaar dit artikel als PDF