The AI revolution is well underway. Every week brings the launch of new, groundbreaking AI applications. Sometimes these tools are launched too hastily and behave in ways their creators had not anticipated. Consider the chatbot that tried to break up the marriage of a tech journalist, the airline bot recommending competitor flights, or image generators that preferentially portray white men as doctors or surgeons.

Artificial intelligence has been a subject of university research since the 1950s. Today, it’s not just scientists and engineers who are interested; AI has become a societal topic. This has led to ethical and legal debates that could significantly impact how AI will be used in the future. So be very aware that an AI project is much more than just a technical exercise. When thinking about your AI project, consider these other aspects and view your project through various lenses.

Start with why

Want to launch an AI project? Don’t start with what is technically possible (almost anything is possible), but rather with answering other essential questions: What are we doing? And most importantly: Why are we doing this? What problem are we solving? And for whom? Are there internal policy agreements about using AI? Include these in your considerations. Then delve into the potential risks from ethical and legal perspectives.

At Â鶹ԭ´´, we have thought through all these aspects thoroughly. We follow the rule that AI must always be explainable. Under the hood of our , there never is an inexplicable black box. We always want to know how AI reaches a conclusion. Additionally, our tools must never make autonomous decisions. We believe that humans should always be ultimately responsible for making choices.

Is the use case clear? Are the preconditions clear? Then you can start looking at the technology perspective. What algorithm do you use to make decisions? Which datasets do you use to train this algorithm? And how do you ensure that these datasets do not contain biased information? Document all the choices you make.

Governance over coolness

The umbrella of all measures you take to ensure that AI stays within the lines is called AI Governance. My motto is “Governance over coolness.” Always prioritize setting up governance over rushing to launch your new, trendy app.

A good tip for setting up your AI Governance is to establish a committee with people who can objectively look at the project through different lenses (HR, Legal, Ethical). When you properly set up AI Governance, you achieve AI that is Relevant, Reliable, and . You develop an AI tool that is relevant for users, offers trustworthy output, and operates within the correct ethical and legal frameworks.

Maintaining control and overview

As you can see, there are quite a few aspects to keep track of. At the same time, the demand for AI is higher than ever. Before you know it, AI projects can proliferate throughout your organization. Maintaining control can then become a challenge. That’s why Â鶹ԭ´´ has established a strategic partnership with Collibra. Are you building AI solutions with Â鶹ԭ´´ or with data from your Â鶹ԭ´´ environment? With Collibra, you can easily set up an organization-wide registry of all those AI projects. Collibra also helps you fully configure the governance around your AI projects. From Collibra, you can easily link to underlying datasets, such as those within Datasphere.

If you set up AI Governance from day one with Collibra, you will always have a clear view of all your AI projects. If the law changes or a dataset turns out to be faulty, you can immediately determine which AI projects in your organization are affected.

AI Governance

Interested in learning more about AI Governance? or , where AI Governance will be among the key topics discussed.

The post Ensuring AI that is Relevant, Reliable, and Responsible appeared first on Â鶹ԭ´´ Nederland Blogs & Nieuws.

Gegevens kunnen een verhaal vertellen. Maar een cijfer vertelt pas een begrijpelijk verhaal als helder is hoe je het moet interpreteren. Om een getal goed te kunnen interpreteren, heb je meer nodig dan de wetenschap dat het om een proefwerk, het inflatiecijfer of het niveau van je bloedsuiker gaat. Je moet ook weten hoe het opgebouwd is. En het is goed om te weten hoe dat getal tot stand gekomen is. Laat me je uitleggen wat ik bedoel.

Definities zorgen voor context

Dashboards behoren inmiddels tot het standaard gereedschap in het bedrijfsleven. Iedereen kijkt naar mooi vormgegeven cijfers en staatjes. Toch zie je vaak dat ook die cijfers zonder context gepresenteerd worden. Neem een verzuimberekening. Wat zegt zo’n getal als je niet weet hoe dat getal opgebouwd is? Het maakt bijvoorbeeld veel uit of zwangerschapsverlof meegenomen wordt in de berekening. Wanneer je een fors verzuim constateert op een bepaalde afdeling, is het goed om te weten dat twee mensen elk drie maanden met zwangerschapsverlof zijn. Anders trek je misschien een verkeerde conclusie. Dat hoge verzuimcijfer zegt immers niets over de gezondheid van de mensen op de afdeling, de kwaliteiten van de manager of de werkdruk op de vloer. Je kunt alleen goed reflecteren op een cijfer wanneer je weet hoe het berekend wordt.

Historie zorgt voor context

Naast de definitie van het getal, is er nóg een element dat voor context zorgt: de proceshistorie. Wat is er allemaal gebeurd voor een getal als ‘Days Payable Outstanding’ op een dashboard verscheen? Welke stappen zijn doorlopen en wat was bijvoorbeeld de doorlooptijd van iedere stap? Door naar dit soort procesdata te kijken, zie je wat allemaal gebeurd is. Zo krijgt je getal context. En op basis van die context kun je je proces optimaliseren, bijvoorbeeld wanneer blijkt dat bepaalde stappen bottlenecks vormen. En misschien valt er nog veel meer te destilleren uit de historie van zo’n getal.

Kijk dus bij voorkeur niet alleen naar het getal, maar ook naar de totstandkoming ervan.

Dit geldt helemáál wanneer je met Machine Learning en Artificial Intelligence aan de slag gaat. Wanneer je jouw slimme, zelflerende systemen alleen voedt met een eenvoudige dump uit je bedrijfssysteem, verlies je namelijk alle zakelijke context. Er bestaat dan geen link meer tussen de data en de wijze waarop die gegevens tot stand zijn gekomen. Het betekent uiteindelijk dat jij en je collega’s (of de systemen zelf) beslissingen nemen op basis van onvolledige data.

Goed nieuws: je beschikt over alle context die je nodig hebt

Gelukkig is het helemaal niet zo moeilijk om data in de juiste context te plaatsen. In de bedrijfssystemen kun je het historische verloop van orders bijvoorbeeld helemaal terughalen. En dat niet alleen: jouw systemen bewaren de totstandkoming en metadata (data óver de data) van álle gegevens. En jij kan daar slim gebruik van maken.

Ontdek op 1 november hoe je data in de juiste context zet

Vind je dit interessante materie? Ben je benieuwd naar de manieren waarop je context geeft aan data? En wil je weten wat dit op kan leveren? Dan ben je van harte welkom op de die we organiseren op donderdag 1 november in ’s-Hertogenbosch. We verwelkomen verschillende boeiende klantsprekers. Je ontdekt bijvoorbeeld hoe ASML waarde haalt uit haar data. Verder gaan Â鶹ԭ´´ experts in op Machine Learning, Extended Planning & Analytics en Cloud Data Warehousing. of . Deelname is kosteloos.

The post Waarom data zonder context geen waarde heeft (en wat je daaraan kunt doen) appeared first on Â鶹ԭ´´ Nederland Blogs & Nieuws.

Data is het nieuwe goud, hoor je weleens. Toch is een datapunt of een dataset niet per definitie waardevol. Want wat die getallen of gegevens precies zeggen, wordt pas duidelijk als je ze voorziet van de juiste context. Als je de gegevens beziet in de business context waarin zij tot stand kwamen, komen ze tot leven. Op dat moment veranderen gewone gegevens in waardevolle informatie waar een organisatie iets mee kan.

Het belang van context wordt nog eens benadrukt als je bedenkt dat veel organisaties data verzamelen buiten hun bedrijfssysteem om. Naast de gestructureerde data in hun ERP-oplossing, produceren en verzamelen ze ook allerlei andere informatie. Denk bijvoorbeeld aan sensordata uit het track & trace systeem.

Goedkope opslag
Dergelijke gegevens worden over het algemeen opgeslagen in een data lake, een cloud platform ter ondersteuning van big data analytics. Azure Data Lake van Microsoft is daar een goed voorbeeld van. Ook geschikt voor het creëren van data lakes is Amazon S3, een platform dat je informatie op laat slaan in zogenaamde Buckets. Voor het bewaren van grote hoeveelheden ruwe data is dergelijke goedkope opslag een prima medium. Op het moment deze data geanalyseerd moet worden, wordt het lastiger. Dan ontstaat namelijk de noodzaak voor contextuele informatie.

Neem nou het eerdergenoemde track & trace systeem. Bij het verzenden van een pakketje wordt de zending voortdurend gescand. Elke scan zegt iets over de locatie waar een bepaalde barcode zich bevindt. Zonder de bijbehorende gegevens uit je bedrijfssystemen zijn die afzonderlijke scans zijn niets waard. Wanneer je de scans echter koppelt aan verzenddata, orderdata, klantgegevens en andere informatie uit je ERP-omgeving, krijgen die scans waarde. Dan ontstaat er immers een beeld van de precieze reis die een zending aflegt. Bovendien wordt het mogelijk om te berekenen wanneer het pakketje precies afgeleverd wordt.

Hoe breng je nou ál die gegevens op zo’n manier samen dat je ermee kunt gaan werken? Je zou ervoor kunnen kiezen om informatie uit je bedrijfssysteem te exporteren naar het data Lake. Als je de informatie uit je Â鶹ԭ´´ omgeving haalt en samenvoegt met al die andere gegevens, zou je ermee kunnen gaan rekenen. Het is technisch zeker mogelijk. Toch is die oplossing niet ideaal. Want bij het exporteren van gegevens uit je bedrijfssysteem, gaan contextuele zaken zoals het onderliggende model, relaties, historie en generieke meta data niet mee. Daarmee verliest die informatie zijn waarde.

Daarom wordt de geëxporteerde data vaak opnieuw gestructureerd, opnieuw gefilterd en opnieuw geaggregeerd. Dat is echter een behoorlijk bewerkelijk en daarmee ook behoorlijk duur proces dat bovendien gevoelig is voor fouten. Het komt er in de basis op neer dat datgene wat Â鶹ԭ´´ van nature meelevert, opnieuw opgebouwd wordt. Hoewel er scenario’s zijn waarin het exporteren van data uit een Â鶹ԭ´´ landschap noodzakelijk is, is het in veel gevallen ongewenst en onnodig.

Â鶹ԭ´´ BTP brengt alles samen
Gelukkig is er een oplossing: het Â鶹ԭ´´ Business Technology Platform. Dit platform stelt organisaties in staat om alle noodzakelijke stappen te doorlopen om data – zowel Â鶹ԭ´´ data als externe gegevens – te analyseren. Maar dan wel mét behoud van de oorspronkelijke business context. Door slim gebruik te maken van de mogelijkheden van Â鶹ԭ´´ HANA, Â鶹ԭ´´ Data Warehouse Cloud, Â鶹ԭ´´ Data Intelligence en Â鶹ԭ´´ Analytics Cloud wordt het mogelijk om volledige data-to-value ketens op te zetten. Zo’n keten zorgt er stap voor stap voor dat een datapunt daadwerkelijk waarde krijgt. Dat begint bij het verzamelen, combineren en analyseren van gegevens en wordt gevolgd door het verrijken, opslaan en inzetten ervan.

Meer weten?
Vind je dit interessante materie? Bekijk dan die plaatsvond op 20 april 2022. Of van die dag. Deze boeiende presentaties geven je onder meer inzicht in de datastrategieën van Philips Domestic Appliances en AkzoNobel. We zijn druk bezig met de organisatie van de volgende Data to Value Day. Wil je deze dag bijwonen?

The post Geef waarde aan gegevens in je data lake zonder kopje onder te gaan appeared first on Â鶹ԭ´´ Nederland Blogs & Nieuws.