In IT is nooit een gebrek aan trends, maar de ‘alfa-trend’ voor de komende jaren is toch wel artificiële intelligentie (AI). Dit was het uitgangspunt voor een interessante workshop, de eerste in een reeks over applied intelligence, onlangs door Accenture georganiseerd in de Villa van ICT Media in Vught. Een aantal digitaal verantwoordelijken liet zich voorlichten en deed zelf ook een duit in het zakje. “Alles komt nu bij elkaar en is klaar voor AI.”

Mark Wiermans van Accenture vat kernachtig samen waar het bij AI op neerkomt: “AI is een machine die een feedback loop gebruikt om zich te verbeteren. Dat heeft een cumulatief effect, wat voor de economie verstrekkende gevolgen heeft. Wie nu een voorsprong neemt, is nauwelijks meer in te halen.”

Waar staan we nu?

De snelle ontwikkeling van de technologie is als een mes dat aan twee kanten snijdt. Het bevordert aan de ene kant het lerend vermogen, zodat AI mogelijk wordt. Anderzijds gaat AI helpen met de adoptie van technologie, door bijvoorbeeld gesproken instructies mogelijk te maken. “Tech wordt intelligenter.”

AI komt voor in de varianten machine learning en deep learning. Deze zijn aan te vullen met technologieën als computer vision en spraak. De resultaten mogen er zijn: intelligente processen, agents, beter onderzoek. “Het grote verschil met jaren geleden is de veel betere en eenvoudigere interactie. AI is ook veel eenvoudiger om te ontwikkelen”, zegt Mark Wiermans.

Inmiddels interpreteren expertsystemen wetteksten en weet AI in een innovatief vertical-farming project in New York maar liefst 95 procent energie te besparen.

Een nuance is op zijn plaats: het vakgebied is enorm omvangrijk. Een introductie over een breed front, compleet met requirements en dergelijke, is daarom niet kansrijk. “Het beste advies is gewoon te beginnen en te leren van je ervaringen. Dat geeft je support om steun in de directie te krijgen voor opschalen.”

Reality check

Mythen zijn er volop rond AI. Levensgevaarlijke robots die het straks op ons gemunt hebben bijvoorbeeld, of machines die onze banen overnemen. Allemaal niet relevant, vindt Accenture: “Of AI al of niet mensen gaat vervangen, is de vraag niet. Het gaat erom hoe we AI kunnen gebruiken om dingen te verbeteren en groeiprocessen te versnellen. Vaak versterken mens en machine elkaar.”

Een meer inhoudelijke mythe is de denkwijze dat als we met AI op dezelfde manier te werk kunnen gaan, we lineair kunnen blijven groeien. Volgens Accenture, dat spreekt over AI als groeiversneller, zal het heel anders gaan.

Groeiversneller

Hoe werkt de groeiversneller? In de eerste plaats zal AI helpen om betere besluiten te nemen (intelligent automation). Dat kan bijvoorbeeld door RPA en AI te combineren, of door processen en supplychains te analyseren. Een tweede aanjager van groei is labor and capital augmentation. Een ontwikkeling als Industrie 4.0 is hier een mooi voorbeeld van. Data uit de werkomgeving en afkomstig van machines wordt ingezet om processen te verbeteren en voorspellingen te doen. Labor augmentation is de combinatie van mens en machine, die tot flinke productiviteitsgroei kan leiden.

We denken ten onrechte dat we met AI lineair kunnen blijven groeien

Een derde factor wordt wel innovation diffusion genoemd. De ene innovatie leidt hier tot de andere. Zo is de opkomst van de autonome auto aanleiding tot de ontwikkeling van nieuwe verzekeringsproducten.

Experimenteren

AI implementeren doe je niet à la ERP maar door te experimenteren, zo stelt Mark Wiermans. Je komt dan al snel uit bij proof of concepts (POC’s). Het leren en trainen in de organisatie moet worden aangepast om de combi van mens en machine beter te kunnen benutten. Daarbij past een open cultuur waarin je kunt falen. Zonder fouten immers geen leren. En vergeet de data niet: “Data is onontbeerlijk. Werk aan je datasnelweg.”

Onder de aanwezigen ontstaat discussie over de vraag waar ideeën vandaan komen als we gaan experimenteren. Niet altijd van de board. Soms is daar zelfs een extern centrum voor nodig. Hoe dan ook is het zaak bij extern gerichte zaken je klanten te betrekken, vinden de deelnemers. Bij interne projecten ligt dat anders – die hebben vaak een kostenfocus.

Aan tafel valt te horen dat experimenteren geen doel op zich mag zijn, omdat het altijd een risico met zich meebrengt. Kun je bijvoorbeeld wel opschalen? Betrek daarom de business eerder bij experimenten. En zorg voor een sponsor in de business voor digital en nieuwe technologie.

Accenture schetst de contouren van de aanpak. Het opnieuw ontwerpen van de business is de eerste stap. Daarbij hoort een nieuwe benadering van werk, waarbij mens en machine samenwerken. Zorg dan voor training. Leg goed uit wat je wil, wat je uitgangspunten zijn. En toets regelmatig of je goed bezig bent. Train, explain, sustain is het motto.

De deelnemers aan de workshop vragen zich af in hoeverre je nog kunt toetsen als je met een verder ontwikkeld systeem werkt. Begrijp je nog waarom er uitkomt wat er uitkomt? Een interessante vraag, waarop nog niet direct een antwoord is.

Creativiteit

Dan is het tijd om aan de slag te gaan. De deelnemers verdelen zich over drie groepen, om zich te buigen over onderwerpen als design thinking, workforce automation, risico’s en ethiek, en virtuele assistenten. De opdracht is ideeën uit te werken die de toepassing van AI op het betreffende gebied verder helpen. Er komen mooie vondsten uit. Wat te denken van bijvoorbeeld het voorstel om ieder een digital twin te geven, die het werk voor hem of haar doet en het geld binnenbrengt?

AI rukt op, maar de menselijke creativiteit blijft voorlopig onovertroffen.


Tips en adviezen

Irina Mizhiritskaya (Virtual Agents), Benjamin Gardiner (Tekstanalyse) en Sergej Obzigailov (ethiek) van Accenture gingen dieper in op drie specifieke aspecten van AI. We belichten de praktische adviezen die ze in hun verhalen vlochten.

Virtual Agents

  • Begin met een dataset. Ga niet uit van vooronderstellingen over hoe medewerkers of klanten vragen stellen. Vaak kloppen die niet!
  • Zie een agent als een extensie van je brand.
  • Zie de inzet van virtual agents niet als een IT-project.
  • Test, test, test! Je wil geen matige indruk geven als je bots voor het eerst inzet.

Machine-learning: tekstanalyse

  • Biedt veel mogelijkheden voor automatisering, kostenreductie en kwaliteitsverbetering.
  • Accuratesse is belangrijk. Overweeg daarom of tussentijds af en toe hertrainen nodig is.
  • Wie is bij outsourcing verantwoordelijk voor de kwaliteit? Wie is eigenaar van de rule base?
  • Denk aan het risico van vendor lock-in. Als je leverancier ermee ophoudt, ben je dan al je regels en geoptimaliseerde rules kwijt?
  • Gebruik daarom zoveel mogelijk standaarden, zoals Python voor regels.

Ethiek en bias

  • Techniek: heb ik juiste data, kan ik die in andere culturen ook gebruiken?
  • Merk: hoe worden onze klanten behandeld? Wat doen we als er iets fout gaat?
  • Governance: hoe beleg je de verantwoordelijkheden binnen de organisatie inzake ethiek?
  • Organisatie: pas je werkwijze aan, neem de juiste mensen in dienst.

REAGEREN

Plaats je reactie
Je naam