AI en data-integratie: een onmisbare symbiose

Data-integratie is essentieel voor krachtige AI-oplossingen, benadrukt Pim Simons, Integration Domain Lead bij Codit. “Hoe kwalitatiever en consistenter de data, hoe beter de AI-output.” Het brengt data uit verschillende systemen samen en levert waardevolle inzichten.

“Bij grote bedrijven met diverse IT-systemen vormt integratie het hart van de onderneming”, zegt Francis Defauw, Chief Portfolio & Marketing Officer bij Codit. “Zonder integratielaag functioneert het bedrijf niet. Use cases steunen op deze datastromen.”

Een concreet voorbeeld: een leverancier van verse groenten en fruit optimaliseert zijn bestel- en leverprocessen door vraag nauwkeurig te voorspellen. Dit helpt bij efficiënte personeelsplanning en minder afval. Data-integratie is hierbij cruciaal.

Voor een nauwkeurige vraagvoorspelling is data nodig uit CRM-, voorraad- en transportsystemen. Deze data zitten in aparte applicaties, zogenaamde datasilo’s. Integratie is noodzakelijk om waarde te halen uit deze data en betere voorspellingen te doen. Dankzij data-integratie werken bedrijven efficiënter en spelen ze beter in op marktbewegingen en klantbehoeften, wat een strategische meerwaarde biedt.

Data-integratie gaat verder dan het louter verzamelen van gegevens. Het gaat erom data uit verschillende systemen in een samenhangend geheel bijeen te brengen, volgens een bepaalde referentiearchitectuur. “In plaats van de systemen direct te koppelen, brengen we alle data via een integratielaag samen”, legt Pim uit. “Dat maakt de dataflows beter beheersbaar en biedt de flexibiliteit om nieuwe functionaliteiten snel toe te voegen.”

Schaalbaarheid is essentieel voor data-integratie, met name naarmate de gebruikte datavolumes toenemen. Wie enorme hoeveelheden data efficiënt wil opslaan, komt al snel bij cloudgebaseerde oplossingen uit, zoals Microsoft Azure, die bijna ongelimiteerde schaalbaarheid bieden. Daarbij is het dan weer de uitdaging om goed op de kosten te letten.

“Die kosten zitten doorgaans niet zozeer in de opslag van data, maar wel in de tools die je erop loslaat voor de ontwikkeling en implementatie van AI-applicaties”, verduidelijkt Pim. Daarnaast weten bedrijven vaak niet welke data ze in de toekomst nodig hebben. “Ze ontdekken pas later dat ze bepaalde datasets missen. Door vanaf het begin ruwe data op te slaan, bouw je een historiek op die later waardevol kan zijn.”

Maar ook daar zijn praktische uitdagingen aan verbonden. “Naarmate er meer applicaties in gebruik zijn, neemt ook het aantal dataformaten toe”, zegt Pim. “Maar werken met gangbare, leesbare dataformaten, maakt het wel makkelijker om er later ook complexere taken mee uit te voeren. Data-integratie gebeurt dan ook bij voorkeur in consistente formaten, zoals JSON of XML.”

Een sterke data-integratiestrategie vereist meer dan technologie alleen. Het vraagt om een combinatie van governance, geavanceerde tools en automatisering om schaalbaarheid en betrouwbaarheid te garanderen.

“Data governance is essentieel om datakwaliteit en privacy te waarborgen, zeker nu AI-modellen vaker bedrijfsgevoelige data gebruiken”, legt Pim uit. “Een tool zoals Microsoft Azure Purview sluit dan mooi aan op de DevOps-processen, wat zorgt voor de ondersteuning van data governance binnen grootschalige data-integratie.”

Na GenAI komt de technologische golf van Agentic AI, waarbij applicaties autonoom met elkaar communiceren zonder menselijke tussenkomst. “Het uiteindelijke doel is dat AI-applicaties zelf suggesties doen aan klanten, zoals automatisch bestellingen plaatsen, die klanten alleen nog hoeven te bevestigen”, schetst Francis.

Om die visie te realiseren, neemt het belang van data-integratie nog verder toe. “De kwaliteit en consistentie van data bepalen of Agentic AI goed functioneert”, besluit Pim. “Fouten in de datastroom kunnen leiden tot verkeerde suggesties of beslissingen, mogelijk met ongewenste gevolgen. Zonder een solide integratielaag werkt dat soort autonome systemen niet.”