Tijdens ICT&Logistiek nam Sebastian Piest, Assistant Professor bij de Universiteit Twente, ons mee op AI-expeditie met als doel een AI-project te kick-starten. Tijdens zijn keynote introduceerde hij de Community of Practice voor AI in de Logistiek, de toolbox die is ontwikkeld voor AI-projecten en diverse praktijkvoorbeelden. In dit artikel delen we de belangrijkste take-aways.
De Community of Practice voor AI in de Logistiek is een initiatief vanuit de Universiteit Twente, Breda University of Applied Sciences en Deltago. In 4 workshops werken deelnemers een eigen idee uit in een ontwerp, prototype en implementatie(plan). Inmiddels hebben meer dan 30 bedrijven deelgenomen aan de AI-expeditie. Zie ai-expeditie.nl
Hoe kick-start je een datascience of AI-project in de Logistiek?
Binnen de AI-expeditie is samen met deelnemende bedrijven een praktische en effectieve methode ontwikkeld die je in vier stappen helpt om een datascience of AI-project te initiëren.
De eerste stap is het organiseren van een design workshop van een dagdeel om samen use cases uit te werken met een ontwerp canvas. Vervolgens werk je het ontwerp canvas in de tweede stap in een design sprint uit in een mock-up en/of prototype. Hiermee maak je het eindproduct visueel en kun je het idee verifiëren bij experts en eindgebruikers. Afhankelijk van aanwezige kennis en kunde, kun je een design sprint in 3-5 dagen doorlopen. Op basis van de resultaten van de design sprint kun je een goede go-/no go beslissing nemen om een AI-project te starten. Op basis van een business case werk je met bestaande projectmethodieken zoals CRISP-ML(Q) een projectplan uit.
Sommige AI-projecten zijn in weken te realiseren, maar complexere projecten kunnen maanden of zelfs jaren duren. Naast techniek is implementatie binnen de organisatie de belangrijkste stap richting daadwerkelijk gebruik. In de vierde stap staat de AI-implementatie centraal, waarbij de AI-toepassing in gebruik wordt genomen en gemonitord. Vanuit monitoring kan een herontwerp traject gestart worden.
Hoe kom je van AI-prototype naar implementatie?
Het ontwikkelen van een AI-prototype kan in veel gevallen geïsoleerd plaatsvinden, waarbij er geen/weinig integraties met bestaande systemen vereist zijn en de impact op processen minimaal is. Om een AI-toepassing operationeel te maken is inbedding van de AI-toepassing binnen bestaande of nieuwe processen en het IT-landschap noodzakelijk. Vaak is er een kloof tussen de prototype requirements en de requirements van een operationele AI-toepassing waardoor een herontwerp of een alternatief ontwerp nodig is. Daarom is het belangrijk om een solution architecture te ontwikkelen waarin de belangrijkste componenten van de AI-toepassing en integraties met systemen binnen het bestaande IT-landschap worden gevisualiseerd.
Minstens zo belangrijk is het om de interactie van gebruikers met de AI-toepassing zorgvuldig vorm te geven en processen hierop aan te passen of nieuwe processen te ontwerpen. Aangezien data niet statisch zijn en over tijd veranderen zullen de prestaties van AI-modellen gemonitord moeten worden en periodiek opnieuw getraind moeten worden. Het is dus geen traditioneel implementatietraject, maar meer een traject van continue verbetering.
Wat kunnen we leren van eerdere AI-projecten?
Vanuit de Community of Practice voor AI zien we verschillende ideeën voor AI-toepassingen voorbijkomen. Denk hierbij aan het voorspellen van vraag en volumes met machine learning, verwerking van data en documenten met large language models, visuele inspectie van pallets in magazijnen met computer vision om veiligheid te bevorderen, het optimaliseren van tankbeslissingen met reinforcement learning, master data controleren met rule-based AI, en vele andere voorbeelden. Deze use cases dienen als inspiratie voor nieuwe deelnemers en resulteren in sommige gevallen in herbruikbare code. Door samen een AI-expeditie te starten zien we dat deelnemers elkaar gericht vooruit helpen in de zoektocht naar AI-modellen en er veel kruisbestuiving ontstaat, zeker wanneer er studenten en IT-partners worden betrokken en AI-modellen onderling gedeeld worden.
Het ontwikkelen van een AI-prototype lukt over het algemeen goed, maar het daadwerkelijk implementeren, in gebruik nemen én doorontwikkelen lukt in veel gevallen niet of beperkt. Verder zien we dat AI niet altijd de beste manier is om een probleem op te lossen en de prestaties van AI-modellen onvoldoende zijn voor gebruikersacceptatie. Soms zijn statistische modellen of operations research technieken beter, sneller en makkelijker te implementeren. Daarom hebben we de initiële focus op AI-projecten verbreed naar data science én AI-projecten.
Hoe vergroten we de slagingskans van een AI-project?
AI-projecten beginnen doorgaans met veel energie en enthousiasme, maar vaak ook met onrealistische verwachtingen, onzekerheid of AI-modellen geschikt zijn voor de taak/probleem en onduidelijkheid hoe de AI-toepassing in het IT-landschap wordt ingebed en operationeel gebruikt gaat worden. Om realistische verwachtingen te scheppen is het belangrijk om ideeën voor nieuwe AI-toepassingen snel te concretiseren en verifiëren met experts en eindgebruikers. Het maken van een solution architecture helpt hierbij om duidelijkheid te scheppen en richting te geven aan het ontwikkeltraject.
Verder zijn er belangrijke randvoorwaarden die ingevuld moeten worden, waaronder de beschikbaarheid van voldoende en kwalitatief goede data, een team met kennis van processen, IT en AI, een sponsor en een concrete doelstelling en budget. Het uitvoeren van een design sprint helpt om de scope, omvang en complexiteit te bepalen en ook de risico’s en randvoorwaarden voor een AI-project te inventariseren. Dit geeft geen garantie op succes. Nu er steeds meer case studies gepubliceerd worden, kunnen we toewerken naar best practices en herbruikbare AI-toepassingen.
Welke generieke algoritmes kunnen van meerwaarde zijn bij de start van een AI-project?
Bij de start van een AI-project is het vaak onduidelijk welk algoritme het beste past bij het vraagstuk en of vervolgens de benodigde data aanwezig is. Het is waardevol om bij de start van een AI-project snel verschillende AI-modellen te kunnen testen en vergelijken. Er zijn diverse open source tools en libraries beschikbaar met algoritmes voor (un-)supervised machine learning (bijv. Skikit-Learn, XGBoost), deep learning (bijv. TensorFlow, PyTorch) en large language models (bijv. LangChain).
Daarnaast zijn er diverse commerciële AI-producten en AI-platforms waarmee algoritmes ontwikkeld en geïmplementeerd kunnen worden. Staar je niet blind op het algoritme, want er is meer nodig om een AI-toepassing te ontwikkelen. Naast algoritmes is het verstandig om goed te kijken naar deployment- en integratiemogelijkheden, beschikbare documentatie, trainingen en ondersteuning via fora of implementatiepartners.
Kun je de toolbox nader toelichten die kan helpen om een eigen AI-expeditie te starten?
Met de toolbox voor AI-projecten kun je de verschillende stappen snel en gericht doorlopen. Een AI-expeditie start met een intake, waarop de doelen, mogelijke use cases, team, aanwezige kennis en tools worden geïnventariseerd. Met het design canvas werk je vervolgens het idee achter de use case uit. Vervolgens maak je met de solution concept / architecture template een visualisatie.
Voor mock-ups en prototyping gebruiken we de 18 Human-AI eXperience (HAX) Guidelines, Workbook en Playbook en tools zoals Miro en Figma. Om gebruikersfeedback te verzamelen hebben we scorecards ontwikkeld met veelgebruikte KPIs. Om AI-projecten te managen gebruiken we CRISP-ML(Q) als projectmethodiek. Er zijn Python Notebooks die deze methodiek volgen en standaard (open source) algoritmes aanreiken. Als alternatief zien we steeds meer PowerBI als startpunt gebruikt worden, dat tegenwoordig met Machine Learning / AI features is uitgerust en met Python scripts uitgebreid kan worden.
Aanvullend gebruiken we tools zoals Jira en GitHub ter ondersteuning van software development. Tenslotte zetten we in toenemende mate AI-assisted development in om het proces te versnellen. Denk hierbij aan ondersteuning voor brainstorming, het uitwerken van use cases, het genereren van een projectplan en het schrijven en controleren van code. AI tools zoals ChatGPT helpen je zo steeds beter AI-projecten kick-starten.
Auteur: Sebastian Piest
