De juiste vaardigheden voor een effectief AI-team

Jeanne-Louise Viljoen, Data Engineer bij PBT Groep

In mijn vorige artikel besprak ik het belang van het inzetten van dataspecialisten in projecten voor kunstmatige intelligentie (AI). De technologie op zichzelf betekent weinig als deze geïsoleerd werkt. Dataspecialisten spelen een cruciale rol bij het omzetten van de ruwe gegevens in iets waar het transformatieproces van het AI-model baat bij heeft. In dit vervolgstuk onderzoek ik hoe bedrijven de juiste vaardigheden kunnen identificeren die nodig zijn bij het samenstellen van een effectief AI-team.

Een goed gestructureerd AI-team moet bestaan uit een mix van professionals met verschillende vaardigheden om de implementatie van een succesvol AI-project te garanderen. Het team moet bestaan uit personen met de volgende expertise:

• Gegevenstechniek
• Gegevensanalyse
• Gegevenswetenschap
• Softwareontwikkeling
• Testen
• Domeinspecifieke kennis en inzichten
• Projectbeheer
• Specialisatie ethiek en naleving

Natuurlijk kan dit een ingewikkelde onderneming lijken, vooral als de organisatie zich pas in de beginfase bevindt om een datagestuurd bedrijf te worden. Dit is waar het in kaart brengen van vaardigheden een belangrijke rol speelt als het gaat om de typische AI-projectlevenscyclus.

Het probleem en de reikwijdte begrijpen

De eerste stap is het identificeren van het probleem dat het bedrijf probeert op te lossen met AI. Hieruit kan zelfs blijken dat AI misschien niet de juiste oplossing is. Teamleden met domeinkennis zijn hier belangrijk.

Van hieruit moeten bedrijven de reikwijdte van het probleem begrijpen. Ze moeten relevante use cases onderzoeken en de bedrijfswaarde en impact van het project identificeren. Het kennen van de succescriteria en de verwachte resultaten zal aanzienlijk helpen bij het definiëren van hoe de prestaties van de AI-oplossing zullen worden gemeten en geëvalueerd. Om dit effectief te laten werken, moet het AI-team beschikken over een combinatie van datawetenschap en analytics, domeinkennis en projectmanagementvaardigheden.

Naar de gegevens

Twee belangrijke stappen in het AI-projectproces zijn gegevensverwerving en gegevensverkenning. Bij de eerste stap gaat het erom toegang te krijgen tot de juiste bronnen die nodig zijn voor het model. Hier is het belangrijk om het gegevensbeleid rond die bronnen te onderzoeken.

De mogelijkheid om de gegevens in de geselecteerde bronnen te verkennen, te begrijpen en te beoordelen wordt een vitale factor in het project. Het team moet kunnen bevestigen dat alle bronnen zijn wat nodig is voor de ontwikkeling. De nauwkeurigheid van de bron is van cruciaal belang wanneer het team begint met het bouwen van modellen op basis hiervan. Voor deze stappen zijn vaardigheden zoals data science, data analytics en projectmanagement belangrijk.

Modelleerwerk

Zodra de gegevens beschikbaar zijn, kan het AI-team beginnen met het ontwikkelen en bouwen van het model. Data wrangling is cruciaal voor de voorbereiding van de gegevens voor deze trainingsmodellen en dit proces moet vaak worden herhaald.

De uitkomsten van het model moeten worden geëvalueerd vanuit een ethisch perspectief om onnauwkeurige, bevooroordeelde resultaten te voorkomen. Testen en beoordelingen zijn daarom essentieel voordat het model wordt ingezet. Projectmanagers moeten tijdens het AI-project taken plannen, bewaken en aanpassen om ervoor te zorgen dat het project op tijd en binnen budget wordt opgeleverd.

Teams die bedreven zijn in data science, analytics en engineering, testen, evalueren, ethiek en compliance specialisatie, evenals projectmanagement, zullen effectief navigeren door de modelleringscomponent.

In actie komen

Het model implementeren en laten beoordelen door een interne derde partij kan ongelooflijk nuttig zijn. Dit zal duidelijk maken of er nog aanvullende tests moeten worden gedaan. In deze stap is het belangrijk om feedback te krijgen van gebruikers, klanten en belanghebbenden om hun verwachtingen te begrijpen. Om dit te laten werken, moeten AI-teams bestaan uit specialisten op het gebied van datawetenschap, data-engineering, softwareontwikkeling en projectbeheer.

Als dit allemaal gedaan is, is het tijd om het model vrij te geven. Het is belangrijk om de kwaliteit, nauwkeurigheid, metriek, ethische maatregelen en data drifting van het model te bewaken. Hier zijn expertise op het gebied van projectmanagement, ethiek en compliance van cruciaal belang.

Een laatste stap in de levenscyclus van het AI-project is de continue integratie- en leveringspijplijn. Dit vereist dat teams de feedback van belanghebbenden, gebruikers en klanten gebruiken om verbeteringen door te voeren. De teamrollen bestaan uit een mix van expertise uit de vorige stappen.

Bij het samenstellen van een team met de juiste combinatie van vaardigheden is het goed om te onthouden dat de relatie tussen technologische verbetering en menselijk vernuft hand in hand gaat. De gezamenlijke inspanningen van diverse professionals binnen AI-teams zijn essentieel om complexe uitdagingen het hoofd te bieden, innovatie te stimuleren en impactvolle oplossingen te leveren in een wereld waarin AI industrieën blijft transformeren en ons leven een nieuwe vorm blijft geven.