Waar analytics een aantal jaar geleden een hot topic was en nu als mainstream kan worden beschouwd, zijn artificial intelligence (AI) en machine-learning (ML) ‘the new kids on the block’. Gemeten naar publicaties over AI en ML zou je zeggen dat iedereen hiermee bezig is. Die conclusie is op z’n zachtst gezegd voorbarig. Zelfs over wat de overeenkomsten en verschillen zijn tussen AI en ML (en analytics) bestaan meningsverschillen. Genoeg reden om hier aandacht aan te besteden, net als aan de toepassingen van AI en ML die er nu al zijn.

Artificial intelligence, wie de Terminatorfilms heeft gezien – waarbij het zelfbewust en onbestuurbaar AI-netwerk Skynet als waarschuwing diende – heeft er waarschijnlijk niet zo’n warm gevoel bij. Stephen Hawking, Elon Musk en Nick Bostrom hebben, als leden van de Scientific Advisory Board van het Future of Life Institute, herhaaldelijk gewaarschuwd tegen een gedachteloos en onvoorbereid omarmen van AI. Hawking verklaarde zelfs dat: ‘A.I. could be the worst event in the history of our civilization’. Toch is het precies dit onderwerp dat in de schijnwerpers staat.

Definities

Artificiële intelligentie wordt gezien als het vermogen van machines (voornamelijk computers) om menselijke intelligentie te simuleren. Het herkennen van personen, taal en afbeeldingen is een voorbeeld hiervan. Een (medisch) expertsysteem is een ander voorbeeld. De volgende vraag is hoe een machine leert, aangezien intelligentie niet iets statisch is.

Eén manier is om de computer te programmeren. Een andere manier is om een computer te voorzien van zelflerende algoritmes. Dit staat ook wel bekend als machine learning (onderdeel daarvan is deep learning: het zonder supervisie verwerken van ongestructureerde en ongelabelde data).

Machine learning (ML) herkent verbanden in grote hoeveelheden data en genereert vervolgens regels en modellen. Inmiddels is duidelijk dat er potentiële nadelen kleven aan deze werkwijze. Als uit analyse van historische sollicitatiegegevens blijkt dat mannen met een Nederlandse achternaam vaker worden aangenomen, is die achternaam opeens een indicatie voor ‘succes’. Vandaar dat data privacy-wetgeving zoals de AVG (GDPR) aangeeft dat ‘een betrokkene het recht heeft niet te worden onderworpen aan een louter op geautomatiseerde verwerking gebaseerd besluit’.

“AI kan gezien worden als het tot leven wekken van statische software”

Analytics is het verkrijgen van inzichten uit data om die vervolgens te kunnen toepassen. Bij het verkrijgen van inzichten spelen data scientists een rol, eventueel ondersteund door AI/ML. Een organisatie zoals de Belastingdienst kan niet alle aangiften inkomensbelasting uitspellen en heeft baat bij een model dat aan de hand van bepaalde parameters aangeeft aan welke inkomensaanslagen aandacht te besteden omdat die waarschijnlijk correctie behoeven. Het opzetten van een dergelijk model is typisch een rol voor een data scientist, ondersteund door AI/ML. Waarbij, zoals uit het sollicitatievoorbeeld blijkt, de ondersteuning tussen de data scientist en AI/ML wederzijds is.

Toepassingen

Gezien de aandacht die er nu is voor AI en ML zou je kunnen denken dat het om nieuwe onderwerpen gaat. Niets is minder waar. De oorsprong van beide begrippen is te herleiden tot de jaren vijftig van de vorige eeuw. Ook zijn er al veel toepassingen:

  • Creditscoring: het toekennen van een kredietscore op basis van een aantal elementen, zoals leeftijd, inkomen, sociale status en betalingsgedrag (-historie).
  • Gezichtsherkenning: herkennen van individuele personen op basis van een aantal kenmerken van het gelaat. Deze technologie wordt bijvoorbeeld toegepast op foto’s (Google), bij beveiligingscamera’s of op smartphones.
  • Predictive maintenance: bepalen waar preventief onderhoud moet plaatsvinden rekening houdend met gebruikte materialen, locatie, weersinvloeden, et cetera.
  • Natural language processing: vertalen van gesproken taal naar instructies die door een machine kunnen worden uitgevoerd (Siri, Cortana).
  • Energy demand forecasting: voorspellen van de vraag naar energie op basis van analyse van historische data.
  • Voorspellen van shoppingtrends: voorspellen welke artikelen verkocht gaan worden (en in welke aantallen) op basis van analyse van historische verkoopdata, weer, prijsinformatie, et cetera.

Het model achter al deze toepassingen vertoont een zekere gelijkenis. Het gaat er steeds om dat iets bepaald moet worden (kredietscore, herkenning persoon, energievraag) wat afhangt van een aantal andere factoren. De vraag hierbij is hoe hetgeen bepaald moet worden (Y) afhangt van de bepalende factoren (X). Eigenlijk gaat het dus om die relatie, Y= F(X), zo goed mogelijk te beschrijven.

Hiervoor is veel (relevante) data nodig en veel rekenkracht. Ook geldt dat op voorhand niet duidelijk is wat het juiste algoritme is: het algoritme dat bij de beschikbare data de meest correcte berekening van de gezochte Y oplevert. Dat betekent dat organisaties er goed aan doen om tijd te steken in het vinden van een nog beter voorspellend algoritme. Wie dat algoritme heeft gevonden kan daar goed geld mee verdienen. Het is alsof je opeens een beter kompas hebt, waardoor je eerder op de juiste plaats terechtkomt. Helaas is ook dit eindig. In de loop van de tijd zal blijken dat andere algoritmes inmiddels betere resultaten opleveren. Dat kan liggen aan de beschikbaarheid van betere algoritmes of aan het feit dat de werkelijkheid ook verandert.

Waarom zijn AI en ML hot?

Als er al zoveel toepassingen van AI en ML zijn, waarom is er dan nu zo’n grote belangstelling voor? Er is een aantal factoren dat de huidige aandacht voor artificial intelligence en machine learning verklaart.

  • Toename van het aantal potentiële toepassingen. Door de digitalisering van de samenleving is het aantal domeinen waarin AI en ML een rol (kunnen) spelen enorm gegroeid.
  • Computing power is alleen maar goedkoper geworden. AI/ML-toepassingen leggen een groot beslag op de beschikbare rekenkracht. Met name door cloudoplossingen (denk aan AWS) is het nu mogelijk om computing power te schalen tegen aanvaardbare kosten.
  • AI wordt wel de volgende stap in automatisering genoemd. AI kan gezien worden als het tot leven wekken van de statische software die tot op heden wordt gemaakt. Zo kun je AI zien als het hoofd (brein) op het lichaam, dat wordt gevormd door IoT (gekoppelde apparaten die met elkaar communiceren), waardoor nieuwe toepassingen kunnen ontstaan.
  • Datagroei. De beschikbaarheid van grote en groeiende datavolumes maakt het bijzonder interessant om AI en ML op los te laten. Met name ML profiteert van grote hoeveelheden data. Meer data is een voorwaarde om te komen tot betere regels en modellen.
  • Zonder overdrijving kan gesteld worden dat AI en ML kunnen zorgen voor disruptie in alle domeinen waarin het wordt toegepast. Daarmee is het ook bijzonder aantrekkelijk voor bedrijven.

Bovengenoemde factoren maken duidelijk waarom AI en ML worden gezien als een grote belofte, waarbij we slechts aan het begin staan van een golf van nieuwe AI/ML-toepassingen.

Adoptie en start

Ondanks de grote belangstelling voor artifial intelligence blijkt uit onderzoek van McKinsey dat er nog geen grote adoptie van AI heeft plaatsgevonden.

Slechts 20 procent van de ondervraagde bedrijven geeft aan met AI aanwezig te zijn. Het zijn met name de grotere, digital natives (zoals Google, Amazon en Facebook) die AI omarmen en erin investeren. De redenen dat andere organisaties (nog) niet in AI stappen, hebben met name te maken met het niet zien van een goede businesscase en het ontberen van voldoende kennis (en resources) op dit gebied. Zo gaf 41 procent van de bedrijven aan onzeker te zijn over de opbrengsten van AI. En 54 procent van de organisaties geeft tegenover Gartner aan dat de skills-gap het grootste probleem is.

“41 procent van de bedrijven geeft aan onzeker te zijn over de opbrengsten van AI”

Voor organisaties die met AI willen starten geldt dat de route niet anders is dan die eerder voor analytics werd gevolgd. Dat is ook niet verwonderlijk, aangezien AI wordt gezien als de volgende stap in een digitale werkwijze. Het Center of Excellence (CoE) voor artificial intelligence speelt daarbij een centrale rol: alle benodigde resources voor AI komen hier bijeen om te werken aan de toepassing die wordt nagestreefd. Steun van het C-level is hierbij onontbeerlijk.

Gartner’s CIO Survey 2019 laat zien dat 14 procent van de bedrijven nu al AI gebruikt. En 50 procent van de bedrijven geeft aan om dit tegen 2020 te doen.

Producten

Organisaties die AI overwegen, kunnen in principe twee wegen volgen. De eerste weg bestaat eruit om zelf aan de slag te gaan met een AI-platform. Daarna en daarnaast is het mogelijk om bestaande AI-applicaties in te zetten.

Er zijn al verschillende producten beschikbaar die AI-functionaliteit bieden:

  • ChatBot, Mindbot: verzorgen van live chats.
  • Braina: spraakherkenning.
  • ArcGIS: spatial analysis.
  • Clarifai: beeldherkennings-api.
  • H2O.ai: AI-platform, creëren en trainen van ML-modellen.

Maar ook de gevestigde non-native spelers hebben inmiddels hun eigen AI-aanbod. Zo heeft Microsoft zijn Azure AI-platform, IBM biedt Watson, Oracle heeft een AI Platform Cloud Service en SAP heeft Leonardo. Voldoende keuze dus.

Conclusies

Artificial intelligence en machine learning zijn momenteel hot topics. De beschikbaarheid van veel data gekoppeld aan goedkope rekenkracht opent de deur voor nieuwe en vaak disruptieve toepassingen in alle mogelijke sectoren. Tegelijkertijd is het onderwerp niet nieuw en bestaan er al vele toepassingen zoals spraakherkenning, preventief onderhoud, het voorspellen van de energievraag en de laatste winkeltrends.

Organisaties die met AI en ML aan de slag willen, hebben de mogelijkheid om die toepassingen zelf te ontwikkelen, gebruikmakend van een AI-platform. Daarnaast is het ook mogelijk om gebruik te maken van een of meerdere AI-applicaties zoals voor live chats, spraak- of gezichtsherkenning of vertaling.

Onderzoeken van McKinsey en Gartner laten adoptiecijfers van tussen de 14 en 20 procent zien, waarbij het merendeel bestaat uit grote, digital natives. De verwachting is dat dit cijfer in de komende jaren omhooggaat tot 50 procent van de bedrijven in 2020 (Gartner). Early adopters zoals Google, Amazon en Facebook hebben een voorsprong, ook waar het gaat om deep learning. Dan wordt het goed om het advies van Hawking, Musk en Bostrom ter harte te nemen, omdat niemand op Skynet zit te wachten.

REAGEREN

Plaats je reactie
Je naam