AI data readiness
AI data readiness is de mate waarin je data goed genoeg is om AI één specifieke toepassing te laten uitvoeren. Je beoordeelt het per toepassing aan de hand van vier vragen: bestaat de data, is ze bereikbaar, betekent ze in elk systeem hetzelfde, en is ze volledig en recent genoeg. Eerst al je data opschonen is daarvoor niet nodig.
Readiness hoort bij een toepassing, niet bij een bedrijf
De vraag "is onze data klaar voor AI?" heeft geen antwoord zolang niet duidelijk is waarvoor. Data die ruim voldoende is om binnenkomende offerteaanvragen te sorteren, kan onbruikbaar zijn om de vraag te voorspellen. Zo wordt datakwaliteit ook gewoonlijk gedefinieerd: data is van goede kwaliteit als ze geschikt is voor het beoogde gebruik. Dezelfde dataset kan dus tegelijk klaar en niet klaar zijn, afhankelijk van de vraag die je eraan stelt.
De mythe die projecten stillegt
"Eerst moet al onze data op orde zijn." Het klinkt verantwoord, en het leidt meestal tot een migratie- of opschoonprogramma zonder einddatum. Intussen wacht elke AI-toepassing. Een eerste toepassing raakt doorgaans een beperkt aantal velden. Die moeten kloppen. De rest kan wachten tot een toepassing erom vraagt.
Vier vragen per toepassing
| Vraag | Wat je controleert | Waarschuwingssignaal |
|---|---|---|
| Bestaat de data? | Wordt het gegeven ergens vastgelegd | De kennis zit in iemands hoofd of mailbox |
| Is ze bereikbaar? | Is er een export of koppeling die je mag gebruiken | De data zit opgesloten in een systeem waar niemand bij kan |
| Betekent ze overal hetzelfde? | Gebruiken systemen en afdelingen de term op dezelfde manier | Verkoop en finance tellen een order op een ander moment |
| Is ze volledig en recent genoeg? | Genoeg historie, geen gaten in de velden die ertoe doen, vaak genoeg bijgewerkt | De velden die je nodig hebt zijn half leeg of een maand oud |
De derde vraag wordt het vaakst overgeslagen. Betekent een term in verschillende systemen iets anders, dan legt een semantische laag die betekenis een keer vast, bovenop de systemen die je al hebt.
Een voorbeeld
Stel: een groothandel wil dat AI orders die per mail binnenkomen in het ERP zet. Daarvoor zijn artikelcodes, klantnummers en prijsafspraken nodig. Bestaan die, zijn ze bereikbaar en zijn ze actueel, dan is de data klaar voor deze toepassing, ook als de verkoophistorie van vijf jaar geleden rommelig is. Wil dezelfde groothandel de vraag voorspellen, dan wordt die historie ineens wel belangrijk, en is het antwoord misschien nee.
Het bruikbare antwoord per toepassing heeft drie vormen: klaar, klaar na een beperkte reparatie, of nog niet.
Wie het beoordeelt
Niet een data-engineer alleen. Of een term overal hetzelfde betekent, is een vraag aan de afdelingen die hem gebruiken, en het antwoord heeft gevolgen voor hoe mensen werken en worden afgerekend. Daarom kijkt een AI Readiness Scan naar de data achter elke kans voordat de kansen worden gerangschikt.
Hoe je de data achter één toepassing in de praktijk op orde brengt, lees je in Je data op orde krijgen voordat je AI-agents loslaat.