AI is in staat geweldige resultaten te boeken voor bijvoorbeeld organisaties in de gezondheidszorg. Maar in praktijk lopen gebruikers in hun innovatieprojecten vaak tegen allerlei beperkingen aan. De data die nodig is om AI tot volle wasdom te laten komen zit opgesloten in oude applicaties, in private datacenters. En ook privacy-overwegingen spelen regelmatig een rol. Innovatie met AI vraagt dan ook om de juiste opslag van de gebruikte data.
“NetApp draait al bijna dertig jaar mee in de IT-wereld en is marktleider op het gebied van data-opslag”, zegt Oscar Wijnants, Directeur bij NetApp Nederland, “en inmiddels gaat dat veel verder dan het realiseren en beheren van datacenters. Wij hebben er in de afgelopen jaren ook voor gezorgd dat onze data-opslag-technologieën beschikbaar zijn op de diverse grote platforms, waar ze als een service afgenomen kunnen worden.”
“En als je het tegenwoordig hebt over data, heb je het ook over AI. Die twee horen onlosmakelijk bij elkaar. Een kenmerk van AI-toepassingen is dat ze zich overal kunnen manifesteren: in een datacenter, in de cloud maar ook steeds meer in the edge, En dat is in veel gevallen ook noodzakelijk. Denk maar eens aan een zelfrijdende auto, die plotseling registreert dat er iemand oversteekt. Dan is er geen tijd om eerst met het datacentrum te communiceren, daar de data te analyseren en pas nadat er een response ontvangen is op de rem te trappen. Dan moet het AI engine toch echt meteen een beslissing nemen op de plek waar de data geregistreerd wordt.”
Healthcare
Een sector waar veel gebeurt op het gebied van AI is de sector healthcare. Hij vervolgt: “In ziekenhuizen wordt al sinds jaar en dag gewerkt met foto’s. Tot voor kort waren dat altijd zwart-wit foto’s die ook nog eens heel traag beschikbaar kwamen. Op dat vlak gaat de digitale transformatie razendsnel, want het ging eerst van zwart-wit naar kleur, toen naar 3-D en momenteel zie je de transitie van 3D naar 3D-modeling. Bij elke stap in deze transitie werd exponentieel meer data geproduceerd. En de techniek bleek ook nog eens in staat om de fotobestanden veel sneller beschikbaar te stellen.”
Zijn collega Joost van Drenth, Manager Solutions Engineering, voegt daaraan toe: “Een ander voorbeeld van slim datagebruik is King’s College, een Britse universiteit die in een federatie met andere instituten samenwerkt aan het optimaliseren van AI-modellen voor onder meer het maken van scans. Die samenwerking is erg belangrijk, maar tegelijkertijd lastig. Zodra je onderling gegevens wilt gaan uitwisselen heb je immers te maken met zaken als privacy protocollen.”
Machine learning
“Met ons dataplatform kon King’s College de modellen met haar partners delen, terwijl de eigenlijke data toch binnen het netwerk van de afzonderlijke partners bleef. Zo werd er als het ware lokale data gebruikt voor machine learning, waarvan de uitkomsten wel eenvoudig met de partners gedeeld konden worden en dan ook losgelaten konden worden op hùn gegevens. Zo zijn we in staat geweest om bepaalde modellen te voeden met data van 77 miljoen patiënten, zonder ook maar één patiëntendossier uit te wisselen.”
En healthcare is niet het enige marktsegment waarin men naar dergelijke oplossingen kijkt.
Van Drenth: “Met name binnen finance zijn de verwachtingen over AI en data zeer hooggespannen. Maar waar je overal tegenaan loopt is dat de data die nodig is om AI tot volle wasdom te laten komen nu opgesloten zit in de oude applicaties, die voor het overgrote deel nog leven in private datacenters, en niet in de cloud. En het kopiëren van alle data uit die oude applicaties naar de cloud platforms is niet bepaald kosteneffectief. Ook hier krijgen we dus de vraag om data tussen de diverse platforms te verbinden, zonder dat klanten zich voortdurend druk hoeven te maken om zaken als ransomware, security en privacy.”
Doelstellingen
Wijnants: “De business vraagt om innovatieve AI en data-oplossingen. Veel CIO’s zetten het op de agenda en de IT-afdelingen hebben vaak best moeite om snel te kunnen leveren. Uiteindelijk praten wij daarom ook vaak met IT, omdat wij hen kunnen helpen om aan de vraag van de business te voldoen.”
Drenth: “Alles begint met het goed formuleren van je doelstellingen. En vervolgens is het – zeker bij AI – belangrijk om niet meteen een volle schaal te willen uitrollen. Je moet de ontwikkeling opstarten op kleinere platforms, waarbij je snel kunt opstarten en experimenteren, maar waarbij je ook snel kunt falen. Dat hoort erbij. En daarnaast moet je een dataplatform omarmen dat je de maximale keuzevrijheid geeft in het gebruik van die innovatieve tooling die bij jouw business past. Dat is op dit moment wel een moving target, want de markt is nog lang niet geconsolideerd. Daar komt nog eens bij dat de regelgeving volop in beweging is. Het is daarom belangrijk dat je de data flexibel aan elkaar kunt koppelen en je niet vastzit aan eerder gemaakte keuzes.”
Complexiteit
Wijnants: “De complexiteit van de platforms is nog altijd dermate hoog, dat de mensen die ermee kunnen werken schaars zijn. Met name in publieke organisaties, waar de budgetten beperkt zijn, zie je dat dit een uitdaging is. En wanneer je niet de wil of de middelen hebt om de gewenste aanpassingen in processen en procedures door te voeren, kun je je afvragen hoe zinvol het geautomatiseerd intelligent analyseren van gegevens eigenlijk is. Daardoor zijn ook lang niet alle AI-projecten succesvol.”
Maar er zijn ook veel goede voorbeelden van organisaties die er wel in slagen om hun businessmodel volledig aan te passen op het analyseren van data. “Neem Astra-Zeneca. Tot voor kort was het produceren van vaccins voor hen een nevenactiviteit. En nu moeten ze in heel korte tijd ineens miljoenen doses van de band laten rollen. Dat heeft enorme impact op dat bedrijf, maar ze bleken wendbaar genoeg.”
Succes
“Als je naar dit soort succesvolle voorbeelden van businesstransformatie kijkt, dan zie je dat een flexibel dataplatform belangrijk is voor innovatie. Eenvoud is belangrijk, zeker omdat de mensen die de achterliggende techniek ècht begrijpen schaars zijn. Daarnaast is het zaak bereid en in staat te zijn om data toegankelijk te maken voor je hele organisatie, succes komt onder meer door het democratiseren van data-analyse. De oplossing ligt in het kiezen voor hybride toepassingen, waarmee verschillende werelden met elkaar verbonden worden.”
