Dit artikel verscheen oorspronkelijk namens de Forbes Technology Council, een gemeenschap voor topklasse CIO's, CTO's en technische executives. Lees het originele bericht hier.

Als het gaat om kunstmatige intelligentie (AI) en machine learning, verandert de manier waarop we software ontwerpen fundamenteel. Traditionele ingenieurs hoefden niet het idee te overwegen dat software 'moest' leren om nuttig te zijn. We definieerden de 'regels' waar we rekening mee wilden houden, codeerden deze in de toepassingen die werden gebouwd en brachten ze uit. Vervolgens itereren en verbeteren we deze in een continu proces.

Dit is anders met AI. In plaats van regels in toepassingen in te programmeren, vertrouwen AI-producten op trainingsgegevens om te werken. Bijvoorbeeld, toen GPS-toepassingen voor het eerst verschenen, veranderden ze alles - vaarwel op papier gebaseerde kaarten! Ongeveer een decennium later herdefinieerde navigatiesoftware-app Waze die ervaring nogmaals. Waze ontdekte dat door de gegevens van al hun gebruikers te combineren, ze niet alleen aan één gebruiker konden vertellen waar ze naartoe moesten, maar ook de snelste manier om daar te komen en die aanbevelingen in realtime konden bijwerken.

Naarmate we slimmer werden in het bouwen van softwaretoepassingen, leerden we dat ontwikkelingspraktijken zoals het watervalmodel niet werken omdat ze de gebruiker niet genoeg meenemen in de levenscyclus van softwareontwikkeling. Tegen het einde hebben gebruikers waarschijnlijk nieuwe vereisten. Dus zijn we overgestapt op nieuwe benaderingen, zoals die beroemd zijn gemaakt in boeken zoals The Lean Startup. Hoewel mensen vandaag concepten zoals het 'minimum levensvatbare product' betwisten, zijn de ideeën absoluut juist: begin klein en breng uw product zo snel mogelijk bij uw gebruikers zodat u hun feedback kunt krijgen en het product onderweg kunt verbeteren.

AI moet op dezelfde manier worden benaderd. Het is verleidelijk om jarenlang te besteden aan het bouwen van het perfecte kunstmatige intelligentiesysteem, getraind door enorme volumes perfecte datasets. Maar wees niet verbaasd als het product volledig verouderd en irrelevant is tegen de tijd dat je het introduceert bij de wereld.

Misschien weerspiegelde uw dataset oude praktijken die niet meer logisch zijn, of is uw algoritme nooit blootgesteld aan een bepaald idioom. Of misschien is de persoon waarvan u dacht dat hij uw product zou gebruiken niet degene die het uiteindelijk gebruikt. Een AI die in een vacuüm is getraind, kan alleen reageren op waar het aan is blootgesteld. Ik geloof er sterk in dat u uw algoritme daar moet laten, waar het kan leren, zich kan aanpassen en verbeteren. Hier is waarom het goed is om uw AI vanaf het begin 'dom' te laten beginnen.

Vind je focus

We weten al dat AI-tools nog niet in staat zijn mensen te vervangen, en we verwachten niet dat ze dat in de nabije toekomst zullen kunnen. Houd dat in gedachten bij het ontwerpen van uw oplossing. Maak uw gebruiker het middelpunt van uw algoritme en beperk u opzettelijk tot een gebruiksscenario waar deze gebruiker om geeft.

Een voorbeeld hiervan is Textio, een op AI gebaseerd coachingsnetwerk dat gericht is op het helpen van talentprofessionals bij het schrijven van betere vacatureomschrijvingen. Dat is een zeer specifieke taak. Ze zijn niet gericht op het veranderen van iedereen in betere schrijvers. Ze kozen één specialisatie - functiebeschrijvingen - en gingen diep. De grootste AI-prestaties die we hebben gezien, beginnen met één afzonderlijke taak en breiden zich vervolgens uit. En hoe smaller de focus van de oplossing is, hoe sneller de AI zal leren.

Zet De Geest Niet Voor De Machine

Zodra je je focus hebt gevonden, word niet te enthousiast over het veranderen van de wereld, althans nog niet. Alleen al het overwegen van de dingen die moeten gebeuren om een AI-systeem (zelfs een domme) te laten functioneren, is een intensief, uitputtend proces dat omvat:

• Het opzetten van de technische omgeving
• Het opzetten van het systeem dat alle trainingsgegevens opslaat
• Het opzetten van het zeer belangrijke algoritme dat de gegevens traint en suggesties teruggeeft

Hoewel de cloud deze stappen heeft vereenvoudigd, zijn ze nog steeds een taak. Daarom zou je uiteindelijk het grootste deel van je inspanningen moeten richten op het opzetten en stabiel maken van de bovenstaande processen, wat je in staat zal stellen veel sneller te bewegen zodra je je product met potentiële klanten gaat testen dan wanneer je het grootste deel van je tijd zou besteden aan het trainen van je gegevens. Als je in een theoretische wereld werkt en probeert trainingsgegevens te verzamelen zonder echte input van klanten, werk je in een vacuüm dat je voorbestaande veronderstellingen aan je teruggeeft.

Krijg Je AI Voor Mensen

Jouw trainingsgegevens zijn essentieel voor het begin van het proces, maar om een AI-product te maken dat in de loop van de tijd beter kan worden, moet je de sprong maken naar de grootste gegevensset van allemaal: menselijke ervaring. En dat vereist dat je investeert in de gebruikerservaring (UX). Hoe beter je de ervaring van het gebruik van je AI kunt maken, hoe meer mensen het zullen willen gebruiken, wat betekent dat je model veel sneller veel meer gegevens zal verzamelen.

Het is van cruciaal belang om het belang van UX te verbinden met het succes van je AI-initiatief. Helaas denken de meeste mensen niet op deze manier. Ze raken verstrikt in het idee van een beter leven door middel van algoritmen dat ze geneigd zijn te veronderstellen dat AI over de machines gaat. De realiteit is dat je al dit werk doet zodat je toegang hebt tot gegevens. Maar de gegevens moeten ergens vandaan komen.

Het vaak vergeten, fundamentele concept om hier te begrijpen is dat "ergens" de mensen zijn die jouw software gebruiken. AI werkt wanneer je het behandelt als een partnerschap tussen mensen en machines. Daarom, als je geen goede UX hebt, zul je nooit goede AI hebben. Als je niet begint met te zeggen, "Ik ga een systeem creëren dat mensen willen gebruiken, dat makkelijk te gebruiken is en dat ze vaak zullen gebruiken," dan doet de rest er niet toe.

Een algoritme kan altijd worden aangepast. Hoe langer het in de echte wereld is, hoe beter het wordt. Het is minder belangrijk dat het meteen briljant is dan dat je het specifieke probleem dat je wilt oplossen vindt en je technische omgeving gereed maakt om gegevens op te nemen. Uiteindelijk is een slimme AI eenvoudigweg een AI die werkt.