6 essentiële trends die bepalen hoe organisaties data en AI gebruiken

Behalve een pak nieuwe mogelijkheden, brengt technologie natuurlijk ook uitdagingen met zich mee. We overlopen zes trends rond data en AI die we in de nabije toekomst in de gaten moeten houden:

1. Bedrijven zoeken de gulden middenweg voor hun data-architectuur

Data fabric, data mesh … Het zijn termen die steeds vaker opduiken en erop wijzen dat organisaties op zoek zijn naar oplossingen om hun data op een efficiënte manier te beheren en te bewaren. Er was een tijd dat een data warehouse de oplossing leek. Dat is een plaats waar data opgekuist en hapklaar wordt opgeslagen. In de praktijk is dit echter niet goedkoop en bovendien arbeidsintensief, waardoor weinig bedrijven nog zin hebben om in dit soort omvangrijke dataprojecten te investeren.
Het andere uiterste is een praktijk waarbij organisaties hun data dumpen en op een stapel laten liggen tot ze er effectief mee aan de slag willen gaan. Hoewel die strategie niet geheel onlogisch lijkt, is het op lange termijn geen goed idee om de verwerking van die ruwe data uit te stellen. De berg met data zal alleen maar groter worden en uiteindelijk moet je er ooit toch iets mee doen. Is er dan geen gulden middenweg waarbij we data zonder al te veel inspanningen kunnen voorbereiden en bewaren?
Het is een vraag die steeds meer bedrijven zich stellen en er zijn verschillende oplossingen die claimen dat ze het antwoord bieden. Data fabric is een voorbeeld van een data-architectuur waar bedrijven vandaag mee experimenteren. Het brengt gebruikers samen in één grote structuur. Gartner is er alvast positief over en verwacht dat actieve metadata-ondersteunende, geautomatiseerde functies in de data fabric ervoor zullen zorgen dat menselijke inspanningen tegen 2025 met een derde afnemen.

2. Vertrouwen en data governance zijn topprioriteiten voor het gebruik van AI

We moeten een kritische houding aannemen tegenover alles wat een systeem produceert. Bedrijven kunnen dan ook geen AI-model uitrollen zonder dat de gebruiker de resultaten vertrouwt. Beslissingen die op basis van AI worden genomen, moeten verdedigbaar en verklaarbaar zijn (Explainable AI). In de praktijk beseffen organisaties die hun eerste stappen op dit gebied al gezet hebben wel dat ze hun verantwoordelijkheid moeten opnemen. Nu ook Europa werkt aan een wetgevend en ethisch kader rond het gebruik van data en AI hebben deze al een stapje voor.

Naarmate het volume aan modellen en data toeneemt, besteden organisaties meer en meer aandacht aan governance. Forrester voorspelt dat het aantal bedrijven met een eigen data governance-team in het komende jaar met 30% zal toenemen. SAS heeft overigens zowel data- als analytics governance-features in z’n platform ingebouwd. Ook dat zal bijdragen om de verklaarbaarheid van en het vertrouwen in de resultaten van analytics te vergroten.

3. Synthetische data zet opmars verder

Over regelgeving gesproken: synthetische data biedt een veelbelovend alternatief om problemen met privacy te vermijden. Het zijn gegevens die zelf door een algoritme gegenereerd zijn en in toenemende mate worden gebruikt voor testdatasets en zelfs voor het trainen van modellen. Dat laatste is ook handig als er bijvoorbeeld niet genoeg originele data beschikbaar is. Op dit vlak is er nog een lange weg af te leggen, maar het potentieel van synthetische data is wel al duidelijk. Gartner voorspelt dat tegen 2024 zo’n 60% van de data voor de ontwikkeling van AI- en analytics kunstmatig gegenereerd zal zijn.

4. Automatisering is essentieel om de voordelen van cloud te plukken

In de meeste organisaties gaat ongeveer 80% van de tijd naar het beheren van data, waardoor slechts 20% overblijft voor analytics en het bouwen van modellen. Om dit op te vangen, kijken vooral grote bedrijven naar de mogelijkheden van automatisering en cloud. Doorgedreven automatisering zal een cruciale factor blijken om echt te kunnen profiteren van schaalbaarheid en andere voordelen die de cloud te bieden heeft.

Een proces dat hierbij aansluit wordt door Gartner omschreven als AI-engineering. Het omvat alle aspecten van een gestroomlijnde AI-ontwikkelingscyclus, waaronder DataOps, ModelOps en DevOps. Door pijplijnen voor data, modellen en implementatie te automatiseren, kunnen bedrijven inzetten op gestandaardiseerde processen en de bedrijfswaarde van hun AI-initiatieven maximaliseren.

5. Decision Intelligence legt meer verantwoordelijkheid bij de business

De honger naar digitale transformatie is niet meer te stillen. Voor IT is het echter te veel om dit allemaal manueel te blijven programmeren en daarom wordt de inbreng uit de business steeds belangrijker. Decision Intelligence is de praktijk die businessgebruikers de tools geeft om modellen te ondersteunen met businessregels die ze zelf onderhouden.

Uiteindelijk zijn businessgebruikers het best geplaatst om in te schatten wat nodig is om de impact van data en modellen te vergroten. Wanneer deze mensen zelf in staat zijn om businessregels te verfijnen, kunnen ze sneller inspelen op actualiteit. Denk maar aan nieuwe wetgeving of trends in de markt. IT blijft alles wel valideren en testen, maar hoeft niet meer telkens een ontwikkelingsproces in te plannen.

6. Democratisering van AI een stap dichterbij dankzij vertaling van analytics naar mensentaal

De groeiende impact van de business is natuurlijk enkel mogelijk als we blijven inzetten op de toegankelijkheid van AI. Tot nu toe waren de meeste inspanningen om de drempel naar geavanceerde tools gericht op de user interface. Veel te veel analytische tools leggen de lat voor de gebruiker onnodig hoog door enkel een programmatie interface aan te bieden. IDC voorspelt dat de meeste bedrijven tegen 2024 voor minstens 30% van hun automatiseringsinitiatieven gebruik zullen maken van ontwikkelingstools zonder code. Omdat IT niet meer voor alles tussenbeide moet komen, zal ook de productiviteit in het bedrijf verhogen.
Een nieuwere trend is om de drempel nog verder te verlagen door meer en meer gebruik te maken van mensentaal als user interface voor analytische tools. Op dat vlak bewijst technologie zoals Chat GPT dat AI aan een nieuw hoofdstuk is begonnen. Door de vertaalslag naar natuurlijke taal te maken, kunnen steeds meer mensen met AI-oplossingen werken.
SAS zet al langer in op het gebruik van Natural Language Processing als techniek voor het ontwikkelen van tools voor data-analyse en AI. Voor mensen zonder opleiding in de statistiek is het immers niet eenvoudig om de echte waarde van cijfers te vatten. Door inzichten in tekstvorm weer te geven in plaats van met een klassieke interface, kunnen meer gebruikers de output interpreteren en valideren. En dat zal ook het vertrouwen in data-analyse en AI uiteraard alleen maar te goede komen.

Dit is een stuk van Mathias Coopmans, EMEA Technology Futures lead – Architecture & Cloud bij SAS en valt buiten de verantwoordelijkheid van de redactie.