From Business Problems to AI Solutions: Where Does Transformation Support Fail
Deze studie identificeert het ontbreken van systematische richtlijnen voor het vertalen van bedrijfsproblemen naar machine learning-oplossingen als het 'Analytics Translation Problem' en presenteert een taxonomie van bestaande methoden samen met vijf aanbevelingen om deze kloof te overbruggen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Van Bedrijfsdromen tot AI-Realiteit: Waarom de Vertaalslag Faalt
Stel je voor dat een bedrijf een droom heeft: "We willen dat onze klanten minder snel afhaken" of "We willen oplichting direct zien". Dit is de Bedrijfsprobleem.
Aan de andere kant staat het team van data-experts (de AI-ingenieurs). Zij werken met een heel andere taal: algoritmen, statistieken en code. Hun taak is om de droom om te zetten in een AI-oplossing.
Dit artikel van Abir Trabelsi en haar collega's onderzoekt waarom deze vertaalslag vaak mislukt. Het is alsof je een chef-kok (de business) hebt die zegt: "Ik wil een gerecht dat de honger stillt," en een sous-chef (de AI-team) die direct begint met het kopen van specifieke ingrediënten, zonder te weten of ze een soep, een salade of een taart moeten maken.
Hier is de kern van het onderzoek, vertaald naar begrijpelijke taal:
1. Het Grote Probleem: De "Vertaalkloof"
De onderzoekers keken naar 18 verschillende methoden die bedrijven zouden moeten helpen om van een "bedrijfsdroom" naar een "AI-plan" te gaan. Ze ontdekten een groot gat in het midden.
- Wat er wel gebeurt: De methoden zijn goed in het beschrijven van het probleem (de droom) en het plannen van de uitvoering (hoe we het serveren).
- Wat er mist: Er is geen goede handleiding voor het middenstuk. Hoe vertaal je precies "minder klanten afhaken" naar "we hebben een classificatie-algoritme nodig dat werkt met historische data"?
De auteurs noemen dit het Analytics Translation Problem (ATP). Het is alsof je een tolk hebt die alleen de beginzin en de laatste zin kent, maar de hele zin in het midden zelf moet verzinnen. Dat doen ze vaak op basis van "intuïtie" (een gok), wat leidt tot dure fouten.
2. De Vier Groepen van "Vertalers"
De onderzoekers groepeerde de bestaande methoden in vier families, elk met hun eigen zwakte:
- De Architecten (RE4AI): Zij zijn goed in het tekenen van blauwdrukken en het noteren van wensen. Maar ze zeggen niet hoe je van die wensen naar een specifiek algoritme komt. Ze zeggen: "We willen een huis," maar niet: "Gebruik bakstenen of hout."
- De Data-Meesters (Data-Centric): Zij focussen puur op de ingrediënten (de data). Ze zeggen: "We hebben verse groenten nodig," maar vergeten te vragen of we een soep of een salade maken.
- De Projectmanagers (PM): Zij hebben een perfecte tijdlijn en een checklist. Ze weten wanneer je moet beginnen met koken, maar ze geven geen recept voor wat je moet koken.
- De Automatiseerders (Automation): Zij zijn supergoed in het kiezen van het beste mes of de beste oven, maar alleen als je al weet wat je gaat koken. Ze beginnen pas als de vertaalslag al gedaan is.
Het resultaat: Geen enkele groep heeft een compleet recept. Ze kijken allemaal naar een ander stukje van de taart, maar niemand heeft de hele taart in beeld.
3. De 7 Stappen van de Reis (en waar het vastloopt)
De onderzoekers stelden een reisplan op van 7 stappen. Als je deze vergelijkt met een reis van huis naar een bestemming:
- Bestemming bepalen: "Waar willen we heen?" (Dit gaat vaak goed).
- Route kiezen: "Welke weg nemen we?" (Hier begint het al te haperen).
- Het voertuig kiezen: "Auto, fiets of vliegtuig?" (Dit is de kritieke stap die bijna niemand goed doet). Dit is het moment waarop je moet beslissen: "Is dit een probleem voor een classificatie-algoritme of voor een voorspellingsmodel?"
- Benzine en banden: (De data).
- Regels en veiligheid: (Ethiek en privacy).
- Controleer of je aankomt: (Evaluatie).
- Aankomst en onderhoud: (Implementatie).
De studie toont aan dat stap 3 (het kiezen van het voertuig/algoritme) de zwakste schakel is. De meeste methoden springen van stap 1 direct naar stap 4, zonder te weten welk voertuig ze nodig hebben.
4. De Oplossing: 5 Nieuwe Regels voor de Toekomst
Om dit probleem op te lossen, stellen de auteurs vijf nieuwe regels voor die toekomstige methoden moeten volgen:
- Kies niet te snel (Verken opties): Als een bedrijf zegt "minder afhaken", zijn er meerdere manieren om dat op te lossen (bijvoorbeeld: voorspel wie weggaat, of maak groepen van klanten). Maak een lijstje met alle opties voordat je kiest.
- Geef een vertaalregelsboek: Er moet een duidelijke handleiding zijn die zegt: "Als je vraag is 'welke groep?', kies dan 'clustering'. Als je vraag is 'hoeveel?', kies dan 'regressie'." Geen gissen meer.
- Filter op beperkingen: Als je zegt "het moet snel zijn" of "het moet eerlijk zijn", moet dit direct leiden tot het schrappen van bepaalde algoritmen. Denk aan een filter dat alleen de juiste voertuigen laat passeren.
- Maak de zekerheid zichtbaar: In de AI-wereld is niets 100% zeker. Een model is misschien 85% goed. Deze onzekerheid moet direct worden gekoppeld aan de bedrijfsdoel. "Als we 85% goed zijn, lossen we het probleem voor 80% op."
- Ga terug als de data het niet toelaat: Soms ontdek je pas tijdens het koken dat je de verkeerde ingrediënten hebt. De methode moet zeggen: "Oh, we hebben te weinig data? Dan gaan we terug naar stap 1 en kiezen we een andere route."
Conclusie: Waarom is dit belangrijk?
Op dit moment wordt de vertaalslag van "bedrijfsdroom" naar "AI-oplossing" vaak overgelaten aan het geluk of de ervaring van één persoon. Dit kost bedrijven veel geld en tijd, en leidt vaak tot systemen die technisch perfect zijn, maar het echte probleem niet oplossen.
De boodschap van dit artikel is simpel: We moeten stoppen met gokken. We hebben een gestructureerde, wetenschappelijke manier nodig om de taal van de business te vertalen naar de taal van de AI. Pas dan kunnen we voorkomen dat we bouwen aan prachtige auto's die nergens naartoe rijden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.