Blog

Optimaliseer Integraties met ML en AI

“Stel je voor: je ontvangt dagelijks talloze e-mails over je producten, variërend van lovende feedback tot kritische klachten. Hoe zou je het vinden als een slimme machine deze e-mails automatisch voor je analyseert en de juiste acties in gang zet? Dat is de kracht van artificial intelligence (AI) en machine learning (ML) in integratieprocessen.

Hoewel AI en ML tegenwoordig overal opduiken, blijft vaak onduidelijk hoe deze technologieën specifiek integratiespecialisten kunnen ondersteunen. In deze blog duiken we dieper in op hoe ML-modellen binnen integratieflows jouw werk als integratiespecialist kunnen optimaliseren.

De huidige ontwikkelingen rondom AI en integratie kunnen we in twee groepen verdelen:

  1. AI die helpt bij het ontwikkelen van de API: Dit omvat functionaliteiten zoals GitHub Copilot en Einstein, waarbij automatisch componenten kunnen worden aangemaakt.
  2. Het gebruik van ML-modellen in een integratieflow

In deze blog zullen we dieper ingaan op de tweede groep en proberen te beantwoorden hoe het gebruik van ML-modellen in integraties een integratiespecialist kan helpen.

Laten we eerst beginnen met de aanname dat we net een opdracht hebben gekregen van een bedrijf. Wanneer zij e-mails ontvangen over een van hun producten, willen ze op basis van deze e-mails verschillende API’s aansturen. Als de e-mail een positief sentiment bevat, wordt er automatisch een bericht gestuurd waarin staat dat het een fijne samenwerking was en wordt er verder niets gedaan. Als de e-mail een negatief sentiment heeft, moeten er verschillende processen in gang worden gezet om te onderzoeken wat er mis is gegaan. In andere woorden, er wordt sentimentanalyse uitgevoerd

Deze casus is op te lossen door gebruik te maken van integratieplatformen zoals MuleSoft. In MuleSoft kunnen we het proces als volgt implementeren:

  • Een API wordt geactiveerd door de ontvangst van een e-mail.
  • De tekst wordt uit de mail gehaald en gekoppeld aan een ID.
  • Deze combinatie wordt naar een beoordelingsplatform gestuurd, in afwachting van een medewerker die het sentiment van de e-mail kan beoordelen.
  • Als de e-mail is beoordeeld, wordt hij teruggestuurd naar MuleSoft en worden de daaropvolgende processen geactiveerd, afhankelijk van het sentiment.

Dit proces vinden we terug op de volgende afbeelding:

Hoewel dit voor een klein bedrijf een goede oplossing zou kunnen zijn, zitten er natuurlijk haken en ogen aan deze aanpak. De daadwerkelijke sentimentanalyse is een handmatig proces en moet worden uitgevoerd door medewerkers, dit kan veel tijd kosten omdat er gewacht moet worden totdat iemand aangeeft of de e-mail positief of negatief is. Ook moeten medewerkers regelmatig controleren of er geen nieuwe mails zijn.

Hoe kan AI ons helpen in deze situatie? Als we sentimentanalyse kunnen laten uitvoeren door een ML-model, kan dit proces worden geoptimaliseerd. Ten eerste is er geen tussenplatform meer nodig waarop de e-mails worden beoordeeld. Ook hoeft er niet gewacht te worden op medewerkers die handmatig e-mails beoordelen; dit kan het ML-model voor ons doen.

Er zijn twee dingen waar we over na moeten denken als we een ML-model willen gebruiken in MuleSoft. Ten eerste moeten we nadenken over hoe we het model beschikbaar gaan stellen in MuleSoft. Dit is het makkelijkst te implementeren als het model beschikbaar is via een API-call. Dit kunnen we dan ook definiëren als een vereiste functionaliteit van een platform waar we ML-modellen gaan ontwikkelen. Een model moet beschikbaar zijn via een request, zodat we in MuleSoft alleen een request-component hoeven aan te maken. In dit request geven we het e-mailbericht door aan het model, waarna het model het juiste sentiment teruggeeft. Nu kan onze focus weer teruggaan naar de vraag hoe we precies een ML-model gaan implementeren.

Omdat in MuleSoft geen mogelijkheden zijn voor het maken en beschikbaar stellen van een ML-model, zullen we een extern platform moeten zoeken. Dit heeft als bijkomend voordeel dat het gebruik van het model en de modeltraining van elkaar gescheiden zijn. Hierdoor kunnen we de data die wordt gebruikt voor training afschermen van de gebruikers en ontwikkelaars van de API’s, en hebben alleen data scientists toegang tot de data. Een voorbeeld van een platform met deze functionaliteiten is Azure Databricks.

Voor het trainen van het model moeten we de volgende stappen doorlopen:

  1. Bepaal wat een ML-model precies moet leren:
    Bepaal de input en de output van het model. In ons scenario willen we het sentiment van e-mails bepalen. Onze input is daarom het bericht van de e-mail, terwijl de output ofwel 1 (positief) of 0 (negatief) is.
  2. Zet tekst om in cijfers:
    ML-modellen kunnen alleen leren met cijfers, dus er moet een manier worden bedacht om tekst om te zetten naar cijfers. Een eenvoudige oplossing hiervoor is om elk woord een uniek cijfer te geven, maar er zijn complexere en betere technieken beschikbaar. Het belangrijkste bij deze stap is om in gedachten te houden dat de tekst-naar-cijfer omzetting altijd op dezelfde manier moet gebeuren, anders geeft het model niet het gewenste antwoord.
  3. Splits je data op in een train en test dataset:
    Ontwikkel je model op je train dataset en test de nauwkeurigheid van het model op de test dataset.
  4. Sla het model op en hou versies van het model bij:
    Dit zodat je goed kunt terugzien hoe je bepaalde modellen hebt gedefinieerd.
  5. Maak het model beschikbaar via een API call:
    Hierbij wordt de input in de body meegestuurd en bestaat de response uit het sentiment.

In deze oplossing wordt de MuleSoft-integratie geactiveerd door het sturen van de mail. Hieruit halen we het bericht en sturen het naar het model op. Deze geeft ons het sentiment van de e-mail en afhankelijk hiervan worden er vervolg stappen uitgevoerd.

In deze blog hebben we twee oplossingen gezien voor integratieoplossingen die een keuze moeten maken afhankelijk van het sentiment van een e-mail. Hieruit is gebleken dat ML-modellen een workflow kunnen vereenvoudigen. Doordat ze getraind en beschikbaar gesteld worden via een API-call, wordt het eenvoudig om je ML-modellen te gebruiken in API’s en integratieplatformen zoals MuleSoft. Onderzoek dus welke processen versimpeld kunnen worden door het gebruik van de juiste ML-modellen.

Door te investeren in AI en ML kunnen integratiespecialisten efficiëntere, snellere en nauwkeurigere oplossingen bieden aan hun klanten, wat leidt tot betere resultaten en hogere tevredenheid. SynTouch kan je hierbij ondersteunen en helpen. Neem contact met ons op voor meer informatie en advies.

Sander BosOptimaliseer Integraties met ML en AI

Related Posts