VCM_092025_LR

SUPPLY CHAIN MANAGEMENT

bijvoorbeeld te bepalen wanneer je welke informatie in je proces moet hebben en hoe je snel kunt ingrijpen wanneer het misloopt. Daarna volgt een korte prototypingfase. Han dige en laagdrempelige wireframe tools in die fase zijn Figma en Miro. Die laten toe samen zaken te visualiseren, zodat je een beeld krijgt van hoe de AI-oplossing er in de praktijk uit kan zien. Bij softwareontwikkeling wordt een generieke aanpak gehanteerd, met het samenbrengen van de betrokken partijen, het opmaken van een planning en het opstellen van de archi tectuur. Van daaruit kan dan de implementatie worden ingezet en gedetailleerd met speci fieke methodieken. S. Piest: “Belangrijk in dit traject is om de verschillende modellen goed te evalueren. Daarom moet je snappen wat er achter de schermen gebeurt. We zoeken steeds naar de juiste ‘metrics’, zodat we bijvoorbeeld de prestatie van een algoritme kunnen meten. Verder is het belangrijk dat je al in een vroeg stadium gaat nadenken over de juridische, ethische en sociale aspecten. Zo mogen niet alle bestaande data daadwerkelijk worden gebruikt.” “Koppel AI zo snel mogelijk aan de praktijk. Pas op dat moment wordt de

Om de verschillende toepassingen te evalueren, wordt een ‘KPI-menukaart’ gebruikt. Sebastian Piest raadt aan te focussen op één KPI, zodat je een gefocuste toepassing krijgt. Binnen transport kan dat bijvoorbeeld het aantal leeggereden kilometers zijn.

uit het begrip van de business, de processen en de gebruikers. Ze helpt ook zicht te krijgen op de data die in de toekomst nodig zullen zijn, zoals masterdata en locatiedata. “Om de verschillende toepassingen te eva lueren, gebruiken we een ‘KPI-menukaart’. We raden aan te focussen op één KPI, zodat je een gefocuste toepassing krijgt. Binnen transport kan dat bijvoorbeeld het aantal leeggereden kilometers zijn”, aldus Sebastian Piest. Om het hele proces te ondersteunen, werd binnen de CoP-AI een GPT-assistent ontwik keld. “Die legt bijvoorbeeld uit hoe het AI Design Canvas werkt, waardoor je als co-de signer snel ideeën kunt toetsen”, zegt Sebas tian Piest. “Als je op basis van een workshop al een Canvas hebt gemaakt, dan kan de GPT die analyseren en concrete verbetertips geven. En wanneer een idee al meer ontwik keld is, kan de GPT ook geschikte algoritmes voorstellen. We zetten dus AI in om AI-pro jecten beter te maken. Mooi toch? Uiteraard betekent dat niet dat we geen experts meer

nodig hebben, maar het proces kan dankzij de GPT wel worden versneld.”

Hoe verder je in het traject gaat, hoe groter de inspanningen worden. “Een design script heb je vaak al binnen een week. Ook prototypen kan snel gaan. Maar zodra je daadwerkelijk tot implementatie overgaat, spreken we al gauw over enkele maanden, soms meer dan een jaar”, weet Sebastian Piest. “We leren bedrij ven ook dat AI geen eenmalige oplossing is. AI-modellen leren over tijd. Ze moeten dan ook worden onderhouden, gemonitord en aangepast aan veranderende omstandighe den. Een AI-implementatieproces is dus nooit echt af.” AI-projecten in de praktijk Intussen heeft deze stapsgewijze aanpak bij verschillende bedrijven zijn vruchten afge worpen. Zo werkte het transportbedrijf Emons Group aan een AI-agent die lege kilometers helpt te verminderen door automatisch rit ten op verschillende marktplaatsen in Noord west-Europa te scannen. Die toepassing is gebaseerd op ‘reinforcement learning’, waarbij

technologie waardevol.”

Een methodiek die vaak wordt gebruikt om het AI-implementatietraject in te gaan, is het CRISP-ML(Q)-model. Dat is meteen ook de meest gebruikte projectmethodiek voor data science projecten. De methodiek vertrekt van

24

WWW.VALUECHAIN.BE