Als jouw SaaS-bedrijf machine learning-modellen bouwt, aangepaste AI-systemen traint of nieuwe algoritmische aanpakken ontwikkelt voor voorspellings- of classificatieproblemen, doe je vrijwel zeker kwalificerend O&O. De uitdaging is het schriftelijk vastleggen op de manier die de RVO nodig heeft.
Wat AI- en ML-werk laat kwalificeren
Machine learning kwalificeert voor WBSO wanneer het project echte onzekerheid omvat over of een bepaalde aanpak zal werken. Een bestaand model fine-tunen op nieuwe data met gedocumenteerde methoden — het toepassen van wat bekend is — kwalificeert niet als O&O. Een nieuwe trainingsaanpak ontwikkelen voor een specifiek domein waar standaardmethoden tekortschieten, onderzoeken waarom standaardmodellen ondermaats presteren op jouw dataverdeling, of nieuwe architecturen bouwen voor problemen die bestaande oplossingen niet adequaat oplossen — dit kwalificeert.
Veelvoorkomende kwalificerende AI- en ML-projecten
- Nieuwe modelarchitecturen ontwikkelen voor domeinspecifieke problemen waarbij standaardarchitecturen ondermaats presteren
- Onderzoek naar data-augmentatie of transfer learning-aanpakken voor domeinen met weinig data
- Onderzoeken waarom een model faalt op specifieke inputverdelingen en mitigaties ontwikkelen
- Nieuwe aanpakken bouwen voor realtime-inferentie met resourcebeperkingen die standaard serving-oplossingen niet kunnen halen
- Multimodale modellen ontwikkelen waarbij de fusie-architectuur technisch onzeker is
Hoe de technische onzekerheid te kadreren
AI- en ML-projecten hebben vaak meerdere lagen van technische onzekerheid. Begin met de probleemniveau-onzekerheid: is er een bekende aanpak die jouw doelgerichte prestatie haalt op dit specifieke probleemtype? Zo niet, waarom niet?
De grens productie vs. onderzoek
Één veelvoorkomende complicatie in SaaS AI-ontwikkeling: de onderzoeksfase en de productieengineering fase overlappen. Engineers die 's ochtends kwalificerend onderzoek doen, kunnen 's middags infrastructuur deployen en tests schrijven. WBSO dekt alleen de kwalificerende uren. Bouw tijdregistratie die onderzoek onderscheidt van engineering voor elk project.
Documentatie die je claim ondersteunt
De beste ondersteunende documentatie voor AI- en ML-WBSO-projecten is je experimentvolgsysteem. Als je MLflow, Weights & Biases of een vergelijkbaar tool gebruikt, heb je tijdgestempelde records van experimenten, hypothesen, resultaten en iteraties. Dit is precies het soort systematische onderzoeksdocumentatie dat een WBSO-claim ondersteunt.
Klaar om je concurrenten te volgen?
WBSO.io monitort automatisch websites, e-mails en social media van je concurrenten — en levert gestructureerde intelligence rechtstreeks in je inbox.