Geautomatiseerde processen, nieuwe producten en diensten, betere inzichten en datagestuurde beslissingen, en dat alles met AI. De mogelijkheden zijn legio. Innovatie is essentieel om voorop te blijven lopen en niet voor niets zijn bedrijven volop bezig met het experimenteren en implementeren van AI. Ondanks dat de urgentie en aandacht is toegenomen door de komst van generatieve AI en bedrijven snel meters willen maken, is het belangrijk om af en toe een stapje terug te doen en naar de lange termijn te kijken. Dit is essentieel voor duurzaam succes. Naast snelheid zijn ook betaalbaarheid, schaalbaarheid en beschikbare resources belangrijke factoren om rekening mee te houden.
Gebruiksgemak en flexibiliteit van AI en Analytics
Beschikbaar AI-talent is nog altijd schaars. Voor het ontwerp, modelmanagement, de implementatie en zeker ook het bouwen van de interfaces is een team nodig met gespecialiseerde vaardigheden. Dit zijn vaak lastig vindbare profielen. Denk aan data- en software-engineers waar we massaal de wereld voor afspeuren om deze werkzaamheden op zich te nemen. Want het trainen van een machine learning model is één ding. Daarna moet er nog veel gebeuren om het model op de uiteindelijke bestemming te laten draaien, waar het continu gemonitord wordt en eventueel geüpdatet wordt naar de nieuwe situatie.
De overstap van een model repository naar deployment is ingewikkeld en het aantal experts dat daarbij kan helpen gelimiteerd. En bij veel bedrijven gaat het niet om één model, maar draaien organisaties tientallen, honderden en zelfs duizenden modellen. Een aantal AI- en analytics-aanbieders speelt hier slim op in met ingebouwde modeldeployment- en modelmanagementfuncties, zodat software engineers hier niet meer voor nodig zijn. Zo introduceerde SAS onlangs SAS Viya Workbench, waarmee ontwikkelaars en AI-modellers eenvoudig AI-modellen kunnen bouwen in een self-service omgeving, die ondersteuning biedt voor datapreparatie, -verkennende data-analyse en het ontwikkelen van analytics- en machine learning modellen. De Workbench-ontwikkelomgeving biedt schaalbare compute-mogelijkheden en ondersteuning voor meerdere programmeertalen. Dit maakt het ook interessant voor technische profielen, omdat het hen helpt sneller te werken. Tegelijkertijd biedt Workbench ook nog steeds mogelijkheden om zelf te programmeren en aanpassingen te maken.
Daarnaast brengt SAS kant-en-klare, industriespecifieke AI-modellen op de markt die door SAS- en domeinexperts ontwikkeld zijn. Deze initiatieven hebben tot doel de drempel voor AI-adoptie te verlagen en de productiviteit en prestaties van modellen te verbeteren.
Low-code / no-code platformen
Doordat talent schaars is, is het goed om te kijken naar een AI- en analytics-platform dat op basis van low-code of no-code werkt, zodat ook niet-technische profielen hiermee kunnen werken. Op deze manier kunnen ontwikkelingsprocessen rondom AI en analytics worden versneld terwijl er minder behoefte is aan gespecialiseerde programmeurs met kennis van bijvoorbeeld Python. Zo kan bijvoorbeeld ook een business analist applicaties ontwikkelen en bijdragen aan de productiviteit binnen de organisatie. Tegelijkertijd verlaag je daarmee de afhankelijkheid van uitsluitend zware IT-profielen om te kunnen innoveren en onderhouden.
Geavanceerde datavisualisatie
Naast gebruiksvriendelijke platformen die ondersteunen bij het ontwikkelen en uitrollen van modellen, wil je de uitkomsten ook inzichtelijk maken via visualisaties die ook voor niet-technische profielen begrijpelijk zijn. Ook hier geldt dat kortetermijndoelstellingen niet altijd garantie geven op de goede uitkomsten op de lange termijn. In het geval van datavisualisatie is het zo dat er verschillende goede instaptools zijn. Maar wanneer je klaar bent om op te schalen of diepgaandere inzichten uit data wilt halen, zul je een geavanceerder platform nodig hebben. Als je op termijn wilt groeien op het vlak van AI en analytics is het verstandig om nu hier nu alvast over na te denken.
Investeren in toekomstbestendige AI-oplossingen
Natuurlijk is het ook belangrijk om alvast vooruit te kijken naar de kosten in relatie tot de toekomstige groei en ambities op het gebied van analytics en AI. De cloudinfrastructuur slokt vaak een groot deel van het budget van organisaties op en daarom is het reduceren van onnodige uitgaven en het optimaliseren van cloudresources cruciaal om de kosten te beheersen.
Daarbij is het belangrijk om te kijken naar voorspelbare vs variabele kosten; snelheid van een platform, en de schaalbaarheid bij grotere, complexe datasets. Zeker bij grotere datasets met duizenden of miljoenen datapunten is efficiënt cloudgebruik, met optimale benutting van CPU-capaciteit, een prioriteit. Een effectief en efficiënt AI- en analytics-platform in de cloud helpt bedrijven kosten terug te dringen, meer data te analyseren en slimmere beslissingen te nemen.
The Futurum Group heeft een onderzoek gedaan met meer dan 1.500 tests in verschillende Azure Cloud-architecturen met identieke VM-types om nauwkeurige vergelijkingen te kunnen maken. Hieruit kwam naar voren dat het SAS Viya-platform gemiddeld 30 keer sneller en schaalbaarder is, en 86% kostenefficiënter vergeleken met andere leveranciers en open source-alternatieven. Bovendien zijn de kosten voor onderhoud en technical debt lager bij een dergelijk platform dan bij open source-technologieën.
Dit onderstreept het belang van weloverwogen langtermijnbeslissingen. Door een grondige analyse van software-aanbieders vooraf te doen, kan worden voorkomen dat cloudkosten sterk gaan toenemen. Een langetermijnvisie is cruciaal voor succes in AI en analytics. Een goede oplossing biedt niet alleen technologische voordelen, maar ook economische en operationele voordelen die bijdragen aan duurzame groei en efficiëntie. CIO’s en IT-managers moeten investeren in geïntegreerde en toekomstbestendige AI-oplossingen om hun organisaties klaar te stomen voor de uitdagingen van morgen.
Dit is een ingezonden bijdrage van SAS. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.