AI gebruiken voor workflowoptimalisatie en softwareontwikkeling

Geschreven door: Danny Kleine
Solutions.io

Al een tijdje is AI de grote hype. Het is overal en iedereen lijkt het te gebruiken. Er valt veel over te zeggen en het internet staat vol met ideeën en artikelen over kunstmatige intelligentie en machine learning. Ik besloot ook wat bij te dragen met wat wij de afgelopen maanden hebben gezien en ervaren met automatiseringstools en digitale transformatie, en waar ik denk dat dit allemaal naartoe gaat.

Wat kun je met AI doen?

Er zijn veel toepassingen voor bedrijfsprocessen optimalisatie. Bijna te veel om op te noemen. Ik heb gemerkt dat zodra je AI-tools en automatisering gaat gebruiken, je op een andere manier over de mogelijkheden gaat nadenken en het makkelijker wordt om het in je workflows te integreren.

Onlangs kookte ik mijn eerste AI-gegenereerde recept. Eigenlijk nam ik een foto van mijn koelkast en vroeg ik de robots om te vertellen wat ik kon maken met mijn restjes. Naast wat hallucinaties over welke groenten er in mijn koelkast zaten, kreeg ik behoorlijke aanbevelingen.

De resultaten variëren. Niet alles is nuttig of behulpzaam. Over het algemeen zou ik zeggen: begin simpel en bouw je tools langzaam uit. Probeer geen grote workflows te implementeren zonder veel controlestappen of het zal waarschijnlijk mislukken.

Laten we nu eens kijken naar een aantal AI-implementaties. Dit is geen uitputtende lijst, alleen wat wij bijzonder nuttig vonden.

Programmeren

Voor ons het meest natuurlijke startpunt. Ik heb veel verschillende tools geprobeerd en tot nu toe lijkt AI het meest geschikt als assistent die je kan helpen bij verschillende softwareontwikkelingstaken. Het schrijven van tests of het reviewen van bestaande code werkt echt goed. Het maken van kleine tools en helpers is ook eenvoudig genoeg.

Hele software schrijven met tools zoals Loveable? In theorie werkt het. Je krijgt iets dat er degelijk uitziet en zijn werk zou kunnen doen. Het wordt moeilijker als je consistente output moet krijgen en wilt voorkomen dat de tools fundamentele wijzigingen aanbrengen. Als je je niet bewust bent van de constant aangebrachte wijzigingen, kun je het allemaal kwijtraken (lees hier meer).

Data-analyse

Data-gerelateerde taken zijn nu veel gemakkelijker met machine learning mogelijkheden. Webscrapers zijn in minuten gemaakt. Crawlers en parsers van en naar verschillende bestandsformaten zijn eenvoudig te maken. De AI kan patronen herkennen en data dienovereenkomstig invullen. Pas alleen op dat het je data niet onverwacht wijzigt.

Vertaling en webwerk

Zwaar bediscussieerd is vertaling. Hoewel natuurlijk niet zo goed als een daadwerkelijke vertaling laten maken, kan het veel geld besparen om minder kritische bedrijfsinformatie automatisch te vertalen. Je stelt een woordenlijst op met belangrijke vertalingen en laat de AI naar de context kijken en het zware werk doen. Automatische workflows kunnen nieuwe content vertalen zodra deze beschikbaar komt.

Een tijdje geleden vertaalden we een van onze interne platforms naar het Oekraïens en nadat onze lead developer van daar de taal had gecontroleerd, was het oordeel "mwah, het is oké".

Waar moet je op letten bij het gebruik van AI?

Als je AI in je organisatie wilt implementeren, zijn er een paar belangrijke dingen om in gedachten te houden.

Welke tools worden gebruikt in je team?

Veel mensen gebruiken AI-tools onafhankelijk van hun werk. Dit roept de vraag op: wil je het gebruik beperken of centraliseren voor je organisatie?

Als iedereen zijn eigen tools gebruikt, kun je niet controleren waar data terechtkomt. Als je bijvoorbeeld de gratis versie van GitHub Copilot gebruikt om code te schrijven, wordt de code gebruikt voor hun modellen. Dit kan betekenen dat je eigendomscode of bedrijfslogica in AI-modellen terechtkomt. Als je teamabonnementen gebruikt, kun je vaak bepalen of en hoe data moet worden gedeeld.

Dit vereist allemaal vooraf nadenken, en waarschijnlijk het opstellen van bedrijfsrichtlijnen over het gebruik van AI.

Wie krijgt en bezit je data?

Wanneer je AI-tools gebruikt, deel en ontvang je een grote hoeveelheid data. Je deelt mogelijk gevoelige informatie in je prompts, en deze informatie kan worden gepubliceerd.

Tegelijkertijd proberen veel bedrijven je input en data te gebruiken om hun eigen modellen te trainen. Een opmerkelijk voorbeeld dit jaar was WeTransfer, die probeerde gedeelde data te gebruiken om hun modellen te trainen. Ze moesten snel terugkrabbelen nadat mensen ze hierop aanspraken (lees hier meer).

Hoe zal AI (prijsstelling) zich ontwikkelen?

AI-tools ontwikkelen zich momenteel snel. Er zijn natuurlijk de grote spelers zoals Claude en OpenAI die de meeste aandacht krijgen. Maar tegelijkertijd zijn er veel gespecialiseerde startups en tools die werken aan het ontwikkelen van hun eigen oplossingen. Het vinden van de juiste tool voor de klus kan een uitdaging zijn.

Gelukkig zijn de meeste van deze tools momenteel zeer betaalbaar. Voor 20-50€ per maand kun je een basistool hebben om mee te experimenteren.

Tegelijkertijd zien we al grotere en duurdere plannen ontstaan. Ik verwacht dat AI-tools veel duurder zullen worden naarmate ze volwassener worden en meer voorspelbare waarde aan hun gebruikers gaan bieden. Sterker nog, het is niet eens meer een voorspelling. OpenAI kondigde onlangs aan dat nieuwe functies zijn gekoppeld aan het abonnement van $200 per maand (bron).

Richtlijnen en conclusie

Ik heb gemerkt dat AI-gebruik veel delen met teamleden inhoudt. Delen waaraan wordt gewerkt en hoe het wordt bereikt (of verbeterd) helpt om betere resultaten en betere structuren te krijgen om mee te werken.

Het is goed om enkele richtlijnen te hebben over hoe AI in je organisatie te implementeren en gebruiken. Overweeg de hierboven geschreven punten en besluit wat het belangrijkst is voor je team. Verschillende teams kunnen verschillende prioriteiten hebben, dus het is goed om met een solide strategie te komen.

Wil je bespreken hoe AI in jouw workflows zou passen? Neem contact met ons op.