Waarom 87% van de AI- en Machine Learning-projecten mislukt
10 december 2021 
4 min. leestijd

Waarom 87% van de AI- en Machine Learning-projecten mislukt

Niet elk innovatieproject wordt een succes. Dat geldt natuurlijk ook voor projecten in Artificial Intelligence en Machine Learning. Maar dat 87% van de AI-projecten mislukt (Bron: Venturebeat) is wel een erg hoog percentage. Hier leggen we uit hoe dat komt en hoe je dit falen kunt voorkomen.


Reden 1: AI is het feestje van de Data Scientist

De eerste reden dat AI-projecten zo vaak mislukken, is dat een Artificial Intelligence-project vaak het feestje is van de Data Scientist is van de organisatie. En dat is jammer want juist wanneer de Data Scientist en productspecialist de handen ineenslaan bij AI is de kans tot succes het grootst. De Data Scientist kan namelijk prachtige algoritmes trainen, maar als dat niet bijdraagt aan de processen van de business, ligt mislukking op de loer.

Reden 2: Het duurt te lang…

Een AI-algoritme trainen kost veel tijd. Dit ‘leren’ bestaat uit het labelen of annoteren van data, wat meestal gecompliceerd en tijdrovend is. Soms duurt het daardoor te lang voordat de AI-oplossing genoeg geleerd heeft om echt van waarde te zijn. Echter zijn er AI-oplossingen in de markt die dit probleem getackeld hebben. Zo heeft Robovision het labelen van data heel laagdrempelig gemaakt. Daarnaast hebben ze ook een marktplaats gecreëerd waar een getraind algoritme gekocht kan worden waardoor veel tijd wordt bespaard.

Voorbeeld waarbij het labelen van data gemakkelijk is gemaakt met de 'boxtool'
Reden 3: Geen oog voor adoptie

Een no-brainer: je kunt een AI-model nog zo goed getraind hebben en samengewerkt hebben met de productspecialist, maar als er geen oog is voor adoptie door de mensen in de business faalt je Artificial Intelligence-project. Niet zelden wordt de organisatie eromheen vergeten.

Reden 4: Gebrek aan de juiste kennis

Als je het plat slaat, is Machine Learning pure wiskunde. Die kennis moet er wel zijn op het project. Dan hebben we het over kennis aan de procesmatige kant en aan de AI-kant. Die expertise is moeilijk te vinden terwijl die juist zo hard nodig is, met name voor de uiteindelijke deployment en het continu monitoren van het algoritme.


Reden 5: De scope van het AI-project is niet duidelijk

Omdat Kunstmatige Intelligentie nieuwe technologie is, maakt dat het afbakenen van de scope van het project lastig. Als doelstellingen niet duidelijk bepaald worden, lopen verwachtingen en realiteit niet synchroon. Het advies is daarom om klein te beginnen met een Proof of Concept en vooraf met elkaar af te spreken wanneer de POC geslaagd is. Een Proof of Concept houdt het project beheersbaar en overzichtelijk met als grootste voordeel dat je gevoel krijgt welke data je AI-oplossing op gaat leveren.

Reden 6: Doel en middel van Artificial Intelligence door elkaar gehaald

Artificial Intelligence is altijd een middel tot een bepaald doel, nooit een doel op zich. Om iets met AI te doen omdat het AI is, is vaak het verkeerde vertrekpunt. Wat wel het juiste vertrekpunt is? Probeer een business case te maken en begin klein met een Proof of Concept. Lees hierover vooral ook ons blog Met AI aan de slag? Doorloop eerst deze stappen’.

Reden 7: De techniek is nog niet volwassen

Kunstmatige Intelligentie is nieuwe technologie. Het kan dus zijn dat jouw uitdaging of plan op dit moment nog niet met AI opgelost kan worden, of dat het nog te duur is. Maar niet getreurd: AI-platformen zijn continu in ontwikkeling, met steeds weer nieuwe upgrades. Dat betekent dat jouw vraagstelling enkele maanden later opeens wel haalbaar/betaalbaar kan zijn.

Webinar Artificial Intelligence
 
Ben je benieuwd naar de stand van de techniek in Artificial Intelligence? Of wil je weten of jouw organisatie er baat bij kan hebben? Kijk dan hier ons webinar over Artificial Intelligence Webinar on demand.