AI as a service

Datagedreven artificial intelligence zoals machine learning en deep learning hebben een paar grote voordelen ten opzichte van traditionele engineeringtechnieken. In toepassingen zoals computervision, spraakherkenning en optimale controle presteren datagestuurde AI-algoritmes aanzienlijk beter. Een bijkomend voordeel is dat deze algoritmes zich aanpassen aan de nieuwste gegevens en dus geoptimaliseerd zijn voor echte praktijksituaties. Bovendien, wanneer het modelleren van een engineeringprobleem met traditionele technieken te moeilijk blijkt, biedt een datagedreven AI-benadering een alternatieve manier om het probleem op te lossen.

Ondanks deze vele voordelen zijn echte technische toepassingen met kunstmatige intelligentie nog steeds een zeldzaamheid. Het probleem met AI is niet de theorie, maar hoe je het in de praktijk moet brengen.

Een obstakel bij de toepassing van kunstmatige intelligentie op technische problemen is het gebrek aan AI-kennis binnen traditionele engineeringteams. Datagestuurde benaderingen zijn nog zo nieuw dat het vaak ontbreekt aan een goed begrip van wat er nodig is om met AI aan de slag te gaan en te integreren in een technisch systeem. Naast een iteratief engineeringproces van het definiëren van een probleem en het vinden van een oplossing brengt AI een nieuwe iteratieve levenscyclus van experimenteren die moet worden beheerd. Deze cyclus bestaat uit het verzamelen van gegevens, het annoteren van gegevens, het trainen van een model en het implementeren van dat model. Een nieuwe manier van werken met AI-vaardigheden en -tools is nodig om succesvol te zijn.