Menu
Op deze pagina lees je alles over het Artificial Intelligence Model Canvas.
Kijk je liever naar de uitleg in een filmpje? Ga dan naar de videoreeks van Hugo Koopmans.
We gebruiken dit sjabloon bij de workshops die we organiseren voor onze klanten om meer te doen met AI. In onze training “Leadership in AI” gaan we samen, in workshopvorm, werken aan een backlog van use cases die relevant zijn voor jouw organisatie.
Wat we zien bij onze klanten is dat ze op zoek zijn naar een manier om waarde te genereren met machine learning, data science en AI. Er is enorm veel mogelijk maar hoe ga je op een gestructureerde manier al die potentiële kansen realiseren? Hoe ga je daadwerkelijk waarde genereren met AI? Daarvoor zul je moeten investeren in je organisatie! Uit onderzoek blijkt dat het niet het gebrek aan tools en technologie is dat het moeilijk maakt om de voordelen van data-gedreven werken uit te nutten. Het is de omslag in cultuur die noodzakelijk is om echt data-gedreven te werken waar vaak te weinig aandacht aan wordt besteed bij de verandering naar een echt intelligente organisatie. Meer over de Intelligence Factory .
“Het overbruggen van de innovatiekloof is essentieel, het kijken naar AI als verbetermiddel in plaats van de glimmende zwarte doos is noodzakelijk.” (Hugo Koopmans Chief Data science DIKW Intelligence)
Er zijn drie veranderingen noodzakelijk:
Van werken in silo’s naar interdisciplinaire samenwerking
Multifunctionele teams met een mix van vaardigheden en perspectieven.
Eindgebruikers betrekken bij het ontwerp van AI applicaties.
Van op ervaring gebaseerde, leiderschap gestuurde besluitvorming naar datagestuurde besluitvorming (data-driven).
Vertrouwen in AI toepassingen.
Empowerment door AI toepassingen op alle niveaus in de organisatie.
Van star en risicomijdend naar wendbaar. experimenteel en aanpasbaar
Gedachtegang loslaten dat een idee volledig “klaar” moet zijn of dat een bedrijfstool alle toeters en bellen moet hebben voordat het wordt ingezet.
Vroegtijdige feedback van gebruikers krijgen en deze feedback snel in de volgende versie verwerken.
Het Artificial Intelligence (AI) model canvas helpt om een gezamenlijke visie voor nieuwe toepassingen te standaardiseren in je organisatie. Verder helpt het AI model canvas om alle aspecten rondom de business case, vooral niet alleen de technische aspecten, te verwoorden en in beeld te krijgen.
Met het Artificial Intelligence (AI) model canvas realiseer je meer succesvolle datagedreven projecten.
Hieronder volgt per onderdeel meer uitleg over de verschillende aspecten van het Artificial Intelligence (AI) model canvas, het business model canvas voor AI-toepassingen.
Wil jij hulp bij het implementeren van het Artificial Intelligence Model Canvas, of wil je een workshop organiseren voor jouw team? Neem dan contact op met Hugo Koopmans.
De waardepropositie biedt waarde door middel van verschillende elementen zoals nieuwheid, prestaties, maatwerk, “getting the job done”, ontwerp, merk/status, prijs, kostenreductie, risicoverlaging, toegankelijkheid en gemak/bruikbaarheid.
De waardeproposities kunnen zijn:
De waardepropositie van je AI-oplossing is het unieke voordeel dat het de gebruikers of klanten biedt. Het kan gaan om het efficiënter oplossen van een specifiek probleem, het verbeteren van de besluitvorming door datagestuurde inzichten of het automatiseren van tijdrovende taken. Het is essentieel om niet alleen de algemene waarde te beschrijven, maar ook de specifieke pijnpunten die je AI-oplossing aanpakt en de voordelen die het biedt in vergelijking met alternatieve oplossingen op de markt of in je organisatie.
Waarom ga je de business owner overtuigen de “standaardactie” anders te doen?
Welk bestaand bedrijfsproces ga je anders doen? Hoe kan een datagestuurde oplossing helpen om betere beslissingen te nemen in dit proces?
Zie Cassie Kozyrkov Statistical Thinking op YouTube, aflevering 10. over toegepaste statistiek: als er geen standaardactie is, als we niet van gedachten willen veranderen, is het niet nodig om statistiek te gebruiken.
De standaardactie verwijst naar de actie die gebruikers momenteel uitvoeren. Je standaardactie is bijvoorbeeld dat je een standaard antwoordmail stuurt naar een klant na een klacht. Dezelfde inhoud voor elke gebruiker. Je wilt dat een AI-systeem gepersonaliseerde e-mailinhoud genereert op basis van eerdere interacties over klachten, toon van de stem, enzovoort.
Kwantificeer en specificeer de verwachte waarde die gebruikers of klanten kunnen ontlenen aan je AI-oplossing. Dit kan gaan om kostenbesparingen, het genereren van inkomsten, tijdsefficiëntie of risicoverlaging.
Geef realistische prognoses op basis van gebruikersbehoeften en marktvraag. Leg uit hoe je AI-model tastbare voordelen oplevert die de invoering en het gebruik ervan rechtvaardigen.
Probeer zoveel mogelijk in euro’s te denken. Hoe kun je de voordelen van je oplossing vertalen in euro’s? Door dingen slimmer, sneller of beter te doen.
Van welke bronvariabelen wordt verwacht dat ze een grote invloed hebben op wat je wilt voorspellen? Tot welke daarvan heb je toegang/ kun je de kwaliteit beheersen/verbeteren? Benoem zoveel mogelijk krachtige variabelen uit operationele systemen waarvan je vermoedt dat ze samenhangen met je doelvariabele. Echter probeer niet uitputtend te zijn. Let op de pareto regel: eerst 80% van de voorspelkracht realiseren met 20% van de inspanning. Als succes is aangetoond, kunnen we verder optimaliseren.
Identificeer en bespreek de belangrijkste (externe) partners of medewerkers die een cruciale rol spelen in je AI-project. Bespreek hun bijdragen, of het nu gaat om het leveren van gegevensbronnen, technologie componenten of strategische allianties. Benadruk hoe deze partnerschappen je algehele AI-ecosysteem versterken en jouw waardepropositie ondersteunen.
Belangrijke gegevensbronnen zijn de basisgegevens waarop je AI-model vertrouwt voor training en het trekken van conclusies. Leg de aard en oorsprong van deze gegevensbronnen uit. Zijn het interne databases, externe microservices of API’s, door gebruikers gegenereerde inhoud of sensorgegevens? Beschrijf de relevantie en het belang van elke gegevensbron voor de functionaliteit van je AI-model.
Prestatiemaatstaf zijn de kwantificeerbare maatstaven die worden gebruikt om de prestaties en het succes van je AI-oplossing te beoordelen. Vermeld de maatstaf die relevant is voor je project, zoals nauwkeurigheid, precisie, recall, klantbehoud of ROI. Leg uit waarom deze maatstaf de lading dekt voor het meten van de kwaliteit van je algoritme, hoe de maatstaf wordt gemeten en wat de streefwaarden is.
Sleutelgebruikers zijn de belangrijkste begunstigden van je AI-oplossing. Beschrijf hun specifieke behoeften, voorkeuren en pijnpunten waarop je oplossing is gericht. Geef een beschrijving van de persona’s indien van toepassing. Leg uit hoe je AI-model de gebruikerservaring verbetert en waarom deze toepassing voor hen onmisbaar gaat worden.
Belangrijke belanghebbenden zijn individuen of groepen die een aanzienlijke invloed hebben op de richting en resultaten van je AI-project. Identificeer ze en ga in op hun belangen en verwachtingen. Bespreek hoe je met belanghebbenden omgaat om projectdoelen af te stemmen, zorgen weg te nemen en het succes van het project te garanderen. Denk aan de invloed van leidinggevenden, investeerders, regelgevers en andere relevante partijen.
Wat is de definitie van je model uitkomst? Welke doelvariabele gebruik je? Maak een zo precies mogelijke definitie van deze uitkomstvariabele. Controleer dat deze doelvariabele je waarde propositie ook echt ondersteunt.
In geval van een classificatiemodel: kun je iedere cel in je confusion matrix van een positieve of negatieve waarde voorzien zodat deze bijdraagt aan de business case?
Definieer de succescriteria voor je AI-project in duidelijke en meetbare termen. Leg uit welke specifieke doelen en mijlpalen je wilt bereiken. Denk hierbij aan het bereiken van een bepaald nauwkeurigheidsniveau, het bereiken van een gebruikersadoptie of het behalen van omzetdoelstellingen. Geef een stappenplan voor hoe en wanneer het succes zal worden geëvalueerd en welke aanpassingen kunnen worden gemaakt als de doelen niet worden gehaald.
Welke inzichten zullen we uit dit experiment halen?
Inzichten die worden gegenereerd door je AI-model zijn de waardevolle kennis of informatie die wordt verkregen uit de gegevens die het AI-model verwerkt. Deze inzichten kunnen trends, correlaties, voorspellingen of aanbevelingen zijn. Leg uit hoe deze inzichten gebruikers in staat stellen weloverwogen beslissingen te nemen, processen te optimaliseren of een concurrentievoordeel te behalen. Geef concrete voorbeelden van inzichten die je AI-model kan produceren.
Wat is de impact van de waargenomen datakwaliteit? Hoe kunnen we het model verbeteren door betere data? Hoe gaan we de prestaties van het model en de drift van gegevens controleren?
Datakwaliteit is cruciaal voor de betrouwbaarheid en nauwkeurigheid van je AI-model. Bespreek de verschillende aspecten van datakwaliteit, zoals nauwkeurigheid, volledigheid, consistentie en tijdigheid van de gegevens. Leg uit welke stappen en technieken je gebruikt om datakwaliteit te garanderen, waaronder dataschoning, detectie van uitschieters en validatieprocessen.
Model monitoring: hoe ga je de kwaliteit van het model, als het eenmaal in productie is, controleren en monitoren? Wat is de verwachte houdbaarheid van het model? Wie bepaalt wanneer het model moet worden herzien? Wie of welk team is verantwoordelijk voor model monitoring?
Benadruk het belang van data van hoge kwaliteit voor betrouwbare AI-resultaten.
Welke machine learning techniek zal worden gebruikt? Hoe beoordeel je de kwaliteit van het model?
Welke statistische metriek ga je gebruiken (bijv. precisie, recall, f1)? Wordt het voorspellend, beschrijvend of prescriptief?
Welke validatie techniek wordt toegepast?
Ondersteunt het model je bedrijfsdoelstelling?
Geef een uitgebreid overzicht van het algoritme dat je oplossing aandrijft. Leg in grote lijnen de technische details uit, de architectuur en hoe het model gegevens verwerkt. Bespreek, indien van toepassing, de keuze van machine learning- of deep learning-technieken en hun geschiktheid voor het probleem dat je oplost. Vermeld eventuele bedrijfseigen of unieke aspecten van je model.
Hoe controleer je op ongewenste vooroordelen (bias)?
Mag je de verzamelde gegevens voor dit doel gebruiken?
Kun je het gedrag van het model verklaren?
Ga in de context van privacy en ethiek in op hoe je AI-model omgaat met gevoelige gegevens, eerlijkheid garandeert en transparantie handhaaft. Beschrijf alle privacy beschermingsmaatregelen, strategieën om vooroordelen te beperken en functies die nodig zijn om het model te kunnen verklaren (bijvoorbeeld shap) . Houd rekening met ethische overwegingen bij het verzamelen en gebruiken van gegevens en het gedrag van het model.
De zakelijke impact van je AI-oplossing heeft betrekking op hoe deze oplossing de gebruikers in staat stelt de standaardactie anders te doen. Hoe ga je om met de voorspelfouten en/of eventuele beperkte model kwaliteit? Begrijpen de stakeholders de modelkwaliteit en de onzekerheid in de business case? Wat is de impact van het gebruik van deze oplossing op het dagelijks werk van de gebruikers? Welke organisatorische veranderingen moeten we doorvoeren om deze case tot een succes te maken? Geef concrete voorbeelden van verwachte bedrijfsresultaten.
Welke investeringen hebben we nodig? In doorlooptijd, (cloud) hardware, software en uren van mensen.
Investeringen verwijzen naar de financiële, personele en infrastructurele verplichtingen die nodig zijn voor je AI-project. Geef een gedetailleerd overzicht van de kosten voor gegevensverwerving, modelontwikkeling, aanschaf van hardware/software en doorlopend onderhoud. Licht de toewijzing van middelen en het verwachte rendement op de investering toe.
Wie is de eigenaar van je project? Heeft de business owner (BO) voldoende invloed om dit project van de grond te trekken en tot een succes te maken? Adresseer je het pijnpunt dat de BO heeft voldoende? Wordt het pijnpunt voldoende opgelost?
Welk verhaal gaan we vertellen om de BO te overtuigen?
Welke data visualisatie hebben we nodig om onze stakeholders te overtuigen?
De technische impact omvat de effecten van het implementeren en onderhouden van je AI-model op je technische infrastructuur. Leg uit welke (cloud) hardware, software en architectuur nodig zijn om je AI-oplossing te ondersteunen. Denk aan schaalbaarheid, prestatie optimalisatie en integratie met bestaande systemen. Bespreek hoe de technische vereisten van het model aansluiten bij de capaciteiten van je (IT) organisatie.
DIKW Intelligence
Wattbaan 1
3439 ML Nieuwegein
