In en rond organisatie wordt er steeds meer data verzameld, getransformeerd en opgeslagen. In een wereld die steeds sneller draait, is het cruciaal om te kunnen sturen op real-time of near-real-time data. Daar komt ook bij kijken dat de juiste mensen de juiste informatie tot zich kunnen nemen.
Vanuit die gedachte hebben we onderzocht hoe AI-selfserviceplatformen kunnen helpen. Denk bijvoorbeeld aan salesmensen die tegen hun data kunnen ‘praten’. De ultieme vraag die we daarbij stelden: “Hoe kun je een self-serviceplatform voor datavragen implementeren binnen een organisatie?”. De oplossing hiervoor is universeel, of je nu een chatbot bouwt voor salesvragen of een custom GPT inricht voor interne data-analyse.
De kern van een succesvolle data-chatbot is niet de technologie zelf, maar hoe je hem afbakent en framed. Wat mag het systeem wél en wat mag het juist niet? Een goede instructieprompt is cruciaal. Als een onzichtbare handleiding wordt een custom prompt meegestuurd met de vraag van de medewerker. Die instructie zorgt ervoor dat de chatbot de juiste toon, context en inhoud hanteert.
Een aantal essentiële onderdelen bij het ontwerpen van je custom prompt zijn:
- Wat mag de chatbot wel of niet zeggen?
Wil je alleen kwalitatieve antwoorden, of mogen er ook cijfers genoemd worden? - Welke context en interpretatiekaders zijn er?
Een verschil van 2% kan in de ene context irrelevant zijn, maar in een andere situatie juist cruciaal. Hoe zorg je ervoor dat de juiste informatie getoond wordt? - Welke interne kennis is cruciaal?
Zorg ervoor dat je definities of synoniemen meegeeft. Wat betekenen interne definities en afkortingen en welke woorden worden gebruikt voor dezelfde, of juist andere, informatie-elementen?
En dan begint de iteratieve cyclus van AI:
- Trainen op relevante data
- Vragen testen & instructieprompt aanpassen
- Kiezen voor implementatievorm, bijvoorbeeld in Power BI met CoPilot of een custom GPT die via een API gekoppeld is.
Uiteraard zijn er ook risico’s waar je rekening moet houden:
- AI-hallucinaties
De chatbot kan vol vertrouwen onjuiste antwoorden geven. Zeker risicovol als de eindgebruiker minder kennis heeft van de data. - Meerdere ‘waarheden’ in de organisatie
Zonder centrale datadefinities ontstaan er al snel tegenstrijdige inzichten. Eén en dezelfde vraag kan dan leiden tot verschillende antwoorden — afhankelijk van wie hem stelt en aan welk systeem. - Externe data uitsluiten
Door externe bronnen uit te sluit worden fouten beperkt. Zo behoud je de controle over je eigen bedrijfsdata.
En de basis van dit alles is dat er gebruik gemaakt wordt van kwalitatief goede data. Een AI-model loslaten op een dataset met een lage datakwaliteit, is gedoemd om te mislukken.
Nieuwsgierig naar hoe jij een AI-chatbot kunt inzetten bovenop je dataplatform? Wij denken graag mee. Neem contact met ons op voor een vrijblijvend gesprek of demo.
