{"id":509262,"date":"2025-01-24T13:23:00","date_gmt":"2025-01-24T12:23:00","guid":{"rendered":"https:\/\/www.devoteam.com\/expert-view\/waarom-ai-projecten-in-de-soep-lopen\/"},"modified":"2025-01-27T17:00:23","modified_gmt":"2025-01-27T16:00:23","slug":"waarom-ai-projecten-in-de-soep-lopen","status":"publish","type":"expert-view","link":"https:\/\/devoteam.info\/nl\/expert-view\/waarom-ai-projecten-in-de-soep-lopen\/","title":{"rendered":"Waarom AI-projecten in de soep lopen"},"content":{"rendered":"\n

Problemen verkeerd inschatten, oplossingen forceren, onmogelijke verwachtingen koesteren: het AI-transformatie kerkhof ligt bezaaid met ambitieuze projecten die gedoemd waren door fundamentele misverstanden van de leiding. Terwijl de bazen achter de belofte van AI aan jagen, zetten ze blindelings technologie\u00ebn in zonder strategische duidelijkheid, waardoor potentieel revolutionaire tools veranderen in dure bedrijfssnuisterijen die niks oplossen. <\/strong><\/p>\n\n

Dit artikel put inzichten uit een <\/strong>RAND-rapport<\/strong><\/a> gebaseerd op interviews met ervaren AI-profs. Het geeft advies over het ontwikkelen van een stevige AI-strategie<\/a> en het ontwijken van veelvoorkomende valkuilen. <\/strong><\/p>\n\n

Let op: deze analyse gaat alleen over traditionele AI-projecten en is niet van toepassing op Gen AI.<\/em><\/p>\n\n

De inzet begrijpen: Het hoge mislukkingspercentage van AI-projecten<\/h2>\n\n

Hoewel AI-adoptie snel toeneemt, faalt een flink aantal projecten om hun beloftes waar te maken. Schattingen suggereren dat meer dan 80% van de traditionele AI-projecten floppen<\/strong>, een percentage dat twee keer zo hoog is als dat van traditionele IT-projecten. <\/p>\n\n

Dit benadrukt de noodzaak om de factoren te begrijpen die bijdragen aan dit hoge mislukkingspercentage en strategie\u00ebn te implementeren om deze risico’s te verminderen.<\/p>\n\n

Waarom AI-projecten de mist in gaan: Organisatorische factoren stelen de show<\/h2>\n\n

Het RAND-rapport identificeert vijf belangrijke oorzaken van mislukking. Veel daarvan komen voort uit organisatorische uitdagingen in plaats van puur technische beperkingen: <\/p>\n\n

1. Door leiderschap veroorzaakte mislukkingen<\/h4>\n\n

Verkeerd uitgelijnde doelstellingen:<\/strong> 84% van de ge\u00efnterviewden noemde leiderschapsfalen als de belangrijkste oorzaak van projectmislukking. Dit komt vaak voort uit een gebrek aan duidelijkheid over het beoogde zakelijke probleem<\/strong> en de maatstaven voor succes. Een bedrijfsleider kan bijvoorbeeld om een algoritme vragen om productprijzen te voorspellen, terwijl het optimaliseren van winstmarges nodig is. Deze kloof tussen zakelijke behoeften en technische uitvoering leidt tot de ontwikkeling van oplossingen die het kernprobleem niet aanpakken. <\/p>\n\n

Onrealistische verwachtingen:<\/strong> AI-hype kan de verwachtingen over de mogelijkheden en tijdlijnen opblazen. Bedrijfsleiders verwachten misschien snelle overwinningen en begrijpen niet hoe tijdrovend data-acquisitie<\/strong>, opschonen en modeltraining zijn. <\/p>\n\n

Gebrek aan volgehouden toewijding:<\/strong> Frequente verschuivingen in prioriteiten kunnen ertoe leiden dat AI-projecten voortijdig worden afgeblazen, waardoor ze geen tastbare resultaten opleveren. Leiders moeten zich verbinden aan langetermijnprojecttijdlijnen<\/strong>, idealiter minstens een jaar, voor betekenisvolle resultaten. <\/p>\n\n

2. Door data veroorzaakte mislukkingen<\/h4>\n\n

Datakwaliteit en beschikbaarheid:<\/strong> Wat is de rol en waarde van data voor AI<\/a>? Effectieve AI-modellen vereisen grote hoeveelheden hoogwaardige data<\/a>. Veel organisaties worstelen echter met problemen met de datakwaliteit. Dit komt vaak door onvoldoende investering in data-infrastructuur<\/strong> en een tekort aan bekwame data-engineers. Legacy data verzameld voor naleving of logging mist mogelijk de nodige context of granulariteit voor AI-training. <\/p>\n\n

Data-onbalans:<\/strong> Onevenwichtige datasets kunnen leiden tot bevooroordeelde modellen. In de gezondheidszorg bijvoorbeeld, kan een dataset een onevenredig groot aantal negatieve testresultaten bevatten. Dit leidt tot een model dat moeite heeft om zeldzame aandoeningen nauwkeurig te identificeren. Traditionele vs. Generatieve AI-vereisten:<\/strong> Terwijl traditionele AI-modellen uitgebreide trainingsdata vereisen, komen generatieve AI-modellen voorgetraind<\/strong> op enorme datasets. Organisaties die traditionele AI implementeren, worden geconfronteerd met aanzienlijke datavolumevereisten, terwijl degenen die generatieve AI adopteren vooral moeten zorgen voor datakwaliteit en toegankelijkheid voor effectieve prompting en integratie. Echter, specifieke use cases die fine-tuning van generatieve AI-modellen vereisen<\/strong> hebben nog steeds zorgvuldig samengestelde trainingsdatasets nodig, hoewel meestal kleiner in volume dan traditionele AI-benaderingen. Ongeacht de oplossingen die je nodig hebt: datagovernance is cruciaal voor je AI-transformatie<\/a>. <\/p>\n\n

3. Onderinvestering in infrastructuur<\/h4>\n\n

Het bouwen en inzetten van AI-modellen vereist een stevige infrastructuur voor datamanagement, modeltraining en implementatie. Te weinig investeren in dit gebied leidt tot langere ontwikkelingscycli en hogere faalpercentages<\/strong>, en een verminderd vermogen om data-assets effectief te benutten. Check dit artikel om je te helpen bij het kiezen van een cloud-implementatiemodel voor AI.<\/a> Het belicht verschillende factoren die zorgvuldig overwogen moeten worden. <\/p>\n\n

Om deze vraag te beantwoorden, heeft Devoteam een AI-architectuurraamwerk ontwikkeld met als doel:<\/p>\n\n