Serie van 10 blogs naar aanleiding van het boek “Winnen met kunstmatige intelligentie”

Blog #10 – december 2020
Leiderschap en kunstmatige intelligentie
Of je nu een wereldwijd opererende productieonderneming leidt of een lokale zorgorganisatie, de impact van kunstmatige intelligentie op je business neemt ieder jaar verder toe en daarmee ook de urgentie om hier strategie op te formuleren. De technologie die kunstmatige intelligentie mogelijk maakt, is ruimschoots voorhanden. We hebben de rekenmethoden, de data en de computerkracht. In combinatie met sensoren, camera’s, beeldherkenning en stemsturing is bijna alles mogelijk. De belangrijkste belemmering voor de verdere uitrol is ons voorstellingsvermogen. Zie je de mogelijkheden eerder dan je concurrenten en kun je hiermee eerder de markt op?
Een van de moeilijkste aspecten van strategievorming in tijden van snelle technologische veranderingen is de timing. Wat is het juiste moment om je bedrijfsvoering en businessmodel radicaal te veranderen? Als het heel goed gaat met je bedrijf is er geen urgentie om de organisatie te transformeren en bestaande inkomstenbronnen te kannibaliseren. Hoe leg je dat immers uit aan medewerkers en aandeelhouders? Het is belangrijk het ontwikkelen van een toekomstvisie en een besluit over timing als twee afzonderlijke en volgtijdelijke activiteiten te zien. Als je een toekomstvisie hebt ontwikkeld en daarna constateert dat het nu nog te vroeg is om die te implementeren, dan kan dat een heel goede, logische strategische keuze zijn. Maar andersom, dat wil zeggen: nu oordelen dat er nog geen reden is om over de toekomst na te denken, is geen goed management.
Problemen kunnen sneller ontstaan dan je denkt, omdat kunstmatige intelligentie een voorbeeld is van een exponentiële technologische ontwikkeling. De impact verdubbelt iedere anderhalf tot twee jaar, maar daar merk je in het begin niet veel van. En op het moment dat de impact wel voelbaar wordt, voelt dat heel snel en onverwachts. Het aanpassingsvermogen van de meeste mensen en organisaties is vooral incrementeel. Dit leidt op den duur tot een zodanig groot gat tussen wat er kan en wat er gebeurt, dat er nieuwe partijen komen die een bestaande markt ontwrichten. Dit effect staat bekend als de Law of Disruption. En dan gebeurt er wat Ernest Hemmingway in 1926 al beschreef: ‘How did you go bankrupt? (..) Two ways, (..) Gradually and then suddenly.’
Waar zit de businesscase?
Een goed begin is de strategische opties te verkennen voor het toepassen van kunstmatige intelligentie. Wat is er allemaal mogelijk? Het doel van deze verkenning is te komen tot een lijst van mogelijke businesscases, die je prioriteert naar haalbaarheid en impact om tot een selectie te komen. Bestaande bedrijven hebben daarbij de neiging in eerste instantie te kijken naar opties om kosten te besparen of meer omzet te genereren binnen het kader van het bestaande businessmodel. In de operationele processen zijn vaak efficiencyverbeteringen mogelijk als je meer data over het proces gaat verzamelen en die data gebruikt om het proces te optimaliseren. Op dezelfde manier kan ook de kwaliteit van de output worden verbeterd. Als je afwijkingen detecteert voordat je producten worden verzonden, levert dat ook een hogere klanttevredenheid op. Kunstmatige intelligentie kan verder bijdragen aan een hogere omzet door een betere selectie te maken van interessante klanten en door klanten aanbevelingen te doen die beter aansluiten bij hun behoeften, wensen en sentiment. Ook dynamic pricing draagt bij aan een hogere omzet.
Daarnaast moet je kijken naar de mogelijkheden die kunstmatige intelligentie biedt voor het ontwikkelen van nieuwe producten en diensten en om radicale, disruptieve veranderingen in de sector tot stand te brengen. Voor veel start-ups is dit de reden om toe te treden tot een markt. Voor bestaande organisaties vraagt het een bewuste inspanning om buiten het bestaande businessmodel te denken. Het is essentieel niet alleen naar kostenbesparingen te kijken, maar ook naar andere klantbelevingen en groeimogelijkheden in nieuwe markten. Een eenzijdige focus op kosten leidt uiteindelijk tot krimp, omdat een kostenvoordeel niet tot in lengte van dagen houdbaar is.
Veranderen begint aan de top
Het doorvoeren van veranderingen in een organisatie begint altijd aan de top. Als leiders niet in de gaten hebben dat de wereld is veranderd en niet in staat of bereid zijn zich daaraan aan te passen, gebeurt er niets. De impact van de digitalisering en kunstmatige intelligentie is bovendien zo groot dat je anders over strategie en technologie moet denken. Technologie is niet meer een middel om een strategie te realiseren, maar de basis van de strategie. Voorheen was het gebruikelijk eerst de strategie te bepalen en daarna te bedenken welke middelen, waaronder technologie, je daarvoor moet mobiliseren. Tegenwoordig moet je je afvragen hoe je technologie kunt inzetten om je klanten beter en efficiënter te bedienen. En daar hoort een andere manier van werken bij.
Er is een groot verschil tussen de voorlopers en de volgers in de markt. Voorlopers doen aan ‘self-disruption’. Zij transformeren hun organisatie van het ene businessmodel naar het andere en profiteren van nieuwe bronnen van winstgevendheid, voordat zij marktaandeel verliezen aan nieuwkomers op de markt. Het is een groot contrast met de bedrijven die zo in zichzelf gekeerd zijn dat zij ideeën en businessmodellen van nieuwe toetreders en start-ups op voorhand afdoen als irrelevant. Deze bedrijven zullen de waarschuwingssignalen van ophanden zijnde veranderingen zeer waarschijnlijk missen.
Menselijke intelligentie
In eerdere blogs heb ik uitvoerig stilgestaan bij de risico’s en mogelijke ethische consequenties van kunstmatige intelligentie en het belang om die actief te adresseren. Kunstmatige intelligentie heeft de potentie het leven (nog) beter te maken en het is onze gezamenlijke verantwoordelijkheid om dat op een verantwoorde manier te realiseren. Dit vraagt om te beginnen dat we meer kennis vergaren over kunstmatige intelligentie en een beter begrip krijgen van de mogelijkheden, de voordelen en de risico’s van de technologie. Levenslang leren is niet alleen van belang met het oog op je inzetbaarheid op de arbeidsmarkt. Ook het maatschappelijk debat over de ethische en andere gevolgen van kunstmatige intelligentie is gebaat bij meer deelnemers met kennis van zaken.
We kijken naar de leiders van de bedrijven om de transitie van de economie vorm te geven en nieuwe producten en diensten op de markt te brengen. Van de overheid mag worden verwacht dat de condities worden geschapen die het Nederlandse bedrijfsleven in staat stellen te kunnen concurreren met de grootmachten op het gebied van kunstmatige intelligentie: China en de Verenigde Staten. Bij de politiek ligt de verantwoordelijkheid wetgeving, scholing en sociale zekerheid aan te passen aan de nieuwe technologie. De wet moet burgers beschermen, maar mag tevens de innovatie niet belemmeren. Het onderwijs moet leerlingen voorbereiden op nieuwe banen. En waar de nieuwe technologie tot uitzonderlijke werkloosheid of uitsluiting van bepaalde groepen leidt, moet sociale zekerheid worden geboden.
We zitten middenin een ingrijpende technologische, economische en maatschappelijke transitie en we hebben vooral veel menselijke intelligentie nodig om de kunstmatige intelligentie in goede banen te leiden.
Blog #9 – november 2020
Datamonopolies ondermijnen de democratie
Door een combinatie van netwerkeffecten en schaalvoordelen leiden veel digitale businessmodellen tot een “winner takes all” dynamiek. Er ontstaat een oligopolie, waarbij een handvol spelers de markt bepalen. In de Verenigde Staten en Europa zijn Google (eigenlijk Alphabet), Microsoft, Apple, Facebook en Amazon dominant, in China zijn dat Baidu, Alibaba en Tencent. Deze grote technologiebedrijven snappen heel goed dat kunstmatige intelligentie afhankelijk is van data en zij doen er dan ook alles aan zo veel mogelijk data te verzamelen. Vervolgens ontstaat er een vliegwiel. Als je meer data hebt, worden de algoritmes beter. Daarmee verbetert de gebruikerservaring en zul je meer en nieuwe klanten aantrekken. Die genereren op hun beurt weer meer data, waardoor de algoritmes nog nauwkeuriger worden en je diensten nog aantrekkelijker worden, terwijl de kosten per klant afnemen.
De marktpositie van deze grote technologiebedrijven is dankzij slim aan elkaar gekoppelde functies zo dominant, dat je als consument niet meer om hen heen kan. Amazon heeft een onlineretailplatform met een marktaandeel van 50% in de Amerikaanse e-commerce en het vermoeden bestaat dat Amazon zijn eigen producten voortrekt op het platform. Apple zou toegang van derden tot de App Store onnodig afschermen. Google zou bij de presentatie van de resultaten van de zoekmachine rekening houden met de eigen financiële belangen. En allemaal nemen ze succesvolle kleinere spelers en start-ups over voordat zij een serieuze concurrent kunnen worden.
Dit heeft ook impact op onze democratie. Wij zijn voor onze nieuwsvoorziening afhankelijk geworden van zoekmachines (zoals Google) en sociale media (zoals Facebook). De algoritmes die zij gebruiken, maken een selectie van het nieuws dat je te zien krijgt. Op basis van je onlinesurfgedrag of je locatie wordt ingeschat in welk nieuws je het meest bent geïnteresseerd. Zo kan het gebeuren dat je alleen informatie krijgt te zien die je eigen mening bevestigt en dat tegenargumenten worden uitgefilterd. Bovendien werken sociale media polarisering in de hand, omdat extreme berichten meer likes krijgen dan genuanceerde berichten. Als onafhankelijke en objectieve journalistiek het aflegt tegen propagandistisch of nepnieuws, kan dat de democratie ondermijnen.
Wij realiseren ons – als burgers – nog te weinig hoeveel waarde onze persoonsgegevens hebben en hoe belangrijk het is dat die data goed worden beveiligd. In ruil voor ‘gratis’ diensten van zoekmachines, sociale media en videowebsites delen wij onze persoonlijke gegevens, die vervolgens worden gebruikt om ons advertenties te tonen die aansluiten bij onze voorkeuren én inspelen op onze gevoeligheden. Bovendien wordt de scope van de data die wordt verzameld steeds groter. Naast onze aankopen en politieke voorkeuren, worden ook data verzameld over onze gezondheid en levensstijl.
In Europa neemt besef van urgentie toe
Europa is afhankelijk van niet-Europese technologiebedrijven. De data van Europese burgers staan op servers van Amerikaanse bedrijven zoals Google, Microsoft en Facebook. Europese bedrijven met een vergelijkbare schaal en reikwijdte bestaan niet. En een groot deel van de kritische internet- en telecominfrastructuur draait op apparatuur van het Chinese Huawei. Vandaar dat er soms al wordt gesproken over Europa als een digitale kolonie. Project Gaia-X is wellicht het begin van een tegenbeweging. Duitsland heeft het initiatief genomen voor een Europese aanbieder van clouddiensten met als doel de afhankelijkheid van de Verenigde Staten en China te verminderen.
De democratie beschermen tegen misbruik van data staat inmiddels ook op de agenda van de Europese Commissie. De wetgeving op het gebied van privacy is hier een voorbeeld van. Een nog openstaande vraag is hoe je effectief kunt optreden tegen nepnieuws zonder de vrijheid van meningsuiting te beperken. Nepnieuws kan de democratie ondermijnen, maar als de overheid nieuwsorganisaties of nieuwsberichten gaat beoordelen, zou dat een vorm van censuur zijn. En zelfcensuur door bedrijven die boetes willen voorkomen, is al niet veel beter. Moeten we de democratie beschermen met ondemocratische maatregelen?
Ook worden scenario’s verkend om de macht van Big Tech in te perken (Mark Beunderman, ‘Big Tech is machtig, maar er is wat aan te doen’, NRC, 15 juli 2019). Het eerste scenario is het opbreken van de grote bedrijven. Het voorbeeld is hier Standard Oil dat in 1911 in 34 bedrijven werd opgesplitst. De vraag is hoe je een splitsing van de technologiebedrijven vormgeeft. Een mogelijkheid is de platformfunctie, zoals een zoekmachine, marktplaats of appstore, los te koppelen van de andere diensten. De kans op customer lock-in is dan kleiner. Het tweede scenario is eenvoudiger, namelijk strenger optreden bij voorgenomen fusies en overnames. Op basis van bestaande mededingingswetgeving is dit al haalbaar. De grote technologiebedrijven hebben zoveel liquiditeit dat voor hen bijna alles te koop is. Concurrentie wordt zo geneutraliseerd, innovatie belemmerd en de belangen van consumenten geschaad. Verschillende overnames uit het verleden, zoals de overname van Instagram door Facebook, zou met de kennis van nu niet meer zo eenvoudig zijn goedgekeurd. In het derde scenario worden de technologiebedrijven niet kleiner gemaakt, maar wordt monopolistisch gedrag door middel van regelgeving tegengegaan. Door het gebruiken en delen van data te beperken, wordt het datamonopolie minder sterk. Ook kun je het recht om je eigen gegevens van het ene bedrijf naar het andere mee te nemen, de zogenoemde dataportabiliteit, afdwingen. Verder kun je regelen dat platforms de eigen producten en de producten van concurrenten gelijk moeten behandelen (non-discriminatie). En je kunt interoperabiliteit eisen, waardoor Apple ook derden moet toestaan een soort App Store voor de iPhone te maken.
Europa moet ook meer investeren
De macht van de huidige datamonopolies verkleinen, is slechts een deel van de oplossing. Je moet wel een alternatief bieden en bereid zijn daarin te investeren. Op dit moment staat Europa er in de internationale vergelijking slecht voor. Als je de internationale ranglijsten ziet van technologiebedrijven of van succesvolle start-ups op het gebied van kunstmatige intelligentie, dan komen daarin nauwelijks bedrijven uit Europa voor. Van de belangrijke patenten op het gebied van kunstmatige intelligentie is slechts 15% Europees, tegenover de helft Chinees en een derde Amerikaans.
De beperkte investeringen in kunstmatige intelligentie in Europa hebben ook als gevolg dat goede mensen uit Europa vertrekken. Studenten en onderzoekers die hier zijn opgeleid, maar in de Verenigde Staten veel geld kunnen verdienen, zien we niet meer terug. Dit leidt tot een brain drain van Europees talent. En universiteiten kunnen de vraag naar opleidingen op het gebied van data science en kunstmatige intelligentie niet aan, omdat er te weinig docenten zijn. Daarnaast zien we dat succesvolle Europese initiatieven door Amerikaanse bedrijven worden opgekocht.
Europa is (heel) laat ontwaakt, maar ik zie het besef van urgentie en de investeringen in kunstmatige intelligentie ieder jaar toenemen. We moeten wel van het idee af dat je met ethische en juridische kaders alleen de wedstrijd kunt winnen. Je moet ook zelf de technologie hebben, evenals het talent en de ondernemingen die de toepassingen op de markt brengen.
Blog #8 – oktober 2020
Waarom kunstmatige intelligentie de manager niet overbodig maakt
Zou een organisatie volledig kunnen worden aangestuurd door algoritmes? Zou kunstmatige intelligentie de manager overbodig kunnen maken? Het lijkt wellicht een aantrekkelijk vooruitzicht, want in organisaties gaat van alles mis door menselijk handelen. Organisaties hebben bijvoorbeeld de neiging tot conservatisme, waardoor de impact van externe ontwikkelingen en technologische mogelijkheden wordt onderschat en genegeerd. We bespraken eerder al het fenomeen digitaal darwinisme dat op den duur tot het faillissement leidt van bedrijven die zich niet tijdig aanpassen aan de veranderende omstandigheden.
The DAO
Een aardige poging om een alternatieve organisatievorm te creëren, was The DAO, opgericht in mei 2016. DAO staat voor decentralized autonomous organization. The DAO bestond alleen uit open-source software, om precies te zijn een smart contract op het platform van Ethereum. Er was geen personeel, geen directeur en geen bestuur. Het was opgezet als een beleggingsfonds en iedereen die geld inlegde, kreeg stemrecht om mee te beslissen over de investeringen die het fonds zou doen. De regels van het spel, zoals geprogrammeerd in de software, waren voor iedereen zichtbaar en konden worden veranderd als een meerderheid van de deelnemers zo besliste. Het idee sprak velen aan, want binnen een maand had deze virtuele organisatie $162 miljoen opgehaald. Deelnemers konden anoniem blijven en overheidstoezicht was er niet. Het duurde niet lang. Een groep computerwetenschappers ontdekte fouten in de software, waardoor het mogelijk was het stemproces te manipuleren. Een anonieme hacker wist vervolgens ongeveer een derde van de ingelegde fondsen te stelen, of in ieder geval onbereikbaar te maken voor de deelnemers in het fonds. Om de situatie te herstellen is een zogenoemde ‘hard fork’ toegepast in de virtuele cryptomunt Ethereum, waardoor het mogelijk was de eerdere transacties terug te draaien. Sindsdien is Ethereum gesplitst in Ethereum en Ethereum Classic en beide bestaan nu naast elkaar.
De desillusie was niet alleen dat deze fraude plaatsvond, maar ook dat de hard fork alleen mogelijk was door menselijk ingrijpen. Dit is ook illustratief voor een veelvoorkomend misverstand over distributed-ledgertechnologie (DLT) of blockchain. Het verhaal wil dat deze technologieën veilig zijn omdat het vertrouwen is gedecentraliseerd. Vertrouwen in mensen blijft echter altijd een factor van betekenis. In dit geval moest je vertrouwen hebben in de programmeurs. Bij systemen met kunstmatige intelligentie is het niet anders. Hier moet je bijvoorbeeld vertrouwen hebben in de mensen die een algoritme trainen, de werking ervan toetsen en de toepassing ervan overzien.
Waarom bestaan organisaties?
De fundamentele reden voor het bestaan van organisaties, met mensen, is dat het simpelweg onmogelijk is om alle denkbare omstandigheden te beschrijven en te programmeren in een contract (zie: Andrew McAfee en Erik Brynjolfsson, Machine, platform, crowd. Harnessing our digital future, W.W. Norton & Company, 2017, hoofdstuk 13). Contracten zijn altijd incompleet omdat omstandigheden veranderen of er zich situaties voordoen die niet vooraf zijn bedacht. Een organisatie lost dit op door managers beslissingen te laten nemen. Managers en leiders blijven nodig, omdat in onze complexe wereld voortdurend keuzes moeten worden gemaakt en activiteiten en reacties moeten worden afgestemd. Bovendien worden wij zelden overtuigd door alleen getallen en algoritmes. Wij hebben behoefte aan verhalen daarbij. En daar komt dan nog bij dat mensen graag met andere mensen samenwerken. De organisatie onder leiding van mensen zal dan ook niet snel verdwijnen, maar wel veranderen. We zien dat de hiërarchie afneemt en er meer gelijkwaardigheid komt, vooral met betrekking tot ideeën. Managers zijn geen poortwachters van informatie meer. Transparantie en delen van informatie staan centraal.
Om een algoritme te ontwerpen, heb je veel voorbeelden nodig en die zijn er niet voor uitzonderlijke situaties. Bovendien kunnen bestuurders en directeuren informatie hebben die de huidige omstandigheden veranderen. Denk aan nieuwe wet- en regelgeving of technologische doorbraken, die niet in de – per definitie historische – dataset zijn opgenomen. We hebben managers nodig om beslissingen te nemen als de informatie incompleet is en je toekomstige resultaten niet kunt herleiden uit historische cijfers.
Leiderschap is problemen identificeren en oplossen
Juist in het stellen van vragen zit het overwicht van de mens en de beperking van de machine. Computers met slimme algoritmes zijn alleen gemaakt om vragen te beantwoorden. Dit betekent dat ondernemers, vernieuwers, wetenschappers, uitvinders en andere mensen die bedenken wat het volgende probleem is dat we gaan oplossen of het volgende gebied dat we gaan onderzoeken, heel hard nodig blijven.
Daarnaast zijn mensen, lees: leiders, in organisaties nodig om nieuwe oplossingen te implementeren en andere mensen te overtuigen van het nut en de noodzaak om te veranderen. We kunnen met behulp van kunstmatige intelligentie voorspellen wat er gaat gebeuren en processen optimaliseren, maar de meeste mensen moeten actief worden gemotiveerd en aangespoord om daarvan gebruik te maken.
Ook algoritmes mogen fouten maken
Dat we management en leiderschap niet kunnen robotiseren, sluit niet uit dat kunstmatige intelligentie bij het nemen van beslissingen een steeds grotere rol speelt, ook op strategisch niveau. Een veelgehoord bezwaar tegen het gebruik van slimme systemen is dat deze niet foutloos zijn, wat meestal ook zo is. Als je een algoritme traint aan de hand van verkeerde data is de uitkomst ook fout. Als de data vooroordelen bevatten, zitten die vooroordelen ook in de resultaten van het algoritme. Bovendien is machine learning vaak een black box. Het aantal knooppunten in een (deep learning) neuraal netwerk is zo groot dat het onmogelijk is na te gaan wat er precies op elk punt gebeurt. De machine weet meer dan zij ons kan vertellen. Dit maakt het lastig de uitkomst te interpreteren en uit te leggen, ook als die uitkomst juist is. De vraag is echter hoe erg dat is. Ook mensen maken afwegingen ‘op gevoel’ die zij niet altijd goed kunnen uitleggen. Als je maar lang genoeg doorvraagt naar iemands motief, kom je uiteindelijk tot het weinig bevredigende antwoord ‘omdat ik het zo wil’.
Bij het beoordelen van kunstmatige intelligentie moet perfectie niet het criterium zijn, maar het best beschikbare alternatief. Mensen zijn allesbehalve foutloos, maar wij zijn in de regel veel toleranter voor de fouten van mensen dan de fouten van machines.
Comply or explain
Hoewel kunstmatige intelligentie vooral dient om bestuurders te ondersteunen, is het in de toekomst eenvoudig voor te stellen dat bestuurders die afwijken van het advies van een prescriptief informatiesysteem dat moeten verantwoorden. Het zou een nieuwe dimensie toevoegen aan het corporate-governanceprincipe ‘comply or explain’ (pas toe of leg uit). En als de routinematige beslissingen door kunstmatige intelligentie worden genomen, worden sociale vaardigheden, empathie, creativiteit en originaliteit belangrijkere competenties voor directies dan kennis van operaties en financiën. Vragen stellen wordt belangrijker dan antwoorden geven.
Blog #7 – september 2020
Personalisatie van producten en diensten door kunstmatige intelligentie
Eén van de waardevolle toepassingen van kunstmatige intelligentie is het personaliseren van producten en diensten, die we dan ook wel ‘smart’ noemen. Producenten verzamelen data over wie je bent, wat je doet en hoe je hun product of dienst gebruikt. En op basis van die data wordt de gebruikservaring gepersonaliseerd. In dit blog bespreek ik hier een paar voorbeelden van.
Het verschil tussen maatwerk en personalisatie
De begrippen maatwerk en personalisatie worden vaak door elkaar gebruikt, maar betekenen iets anders. Het verschil wordt bepaald door de vraag wie het initiatief heeft voor de productaanpassing. Bij maatwerk, in het Engels customisation, kunnen gebruikers een product of dienst eenvoudig zelf aanpassen aan hun eigen wensen. Als je online een abonnement neemt op een nieuwsbrief en je geeft aan hoe vaak je de nieuwsbrief wilt ontvangen en over welke onderwerpen, dan is er sprake van maatwerk. Bij personalisatie past de aanbieder de dienst aan op basis van data over de klant en predictive analytics. In het voorbeeld van de nieuwsbrief wordt de inhoud in dat geval aangepast op basis van demografische gegevens (geslacht, leeftijd, inkomen) en gedrag (welke artikelen heb je gelezen en op welke links heb je geklikt). Het resultaat is dat klanten een persoonlijke service ervaren en de indruk krijgen dat de aanbieder hen goed kent. Bij een nieuwsbrief is dat triviaal; in de financiële dienstverlening en de gezondheidszorg leidt hetzelfde proces van personalisatie tot significant betere uitkomsten die een grote invloed kunnen hebben op je leven.
Gepersonaliseerde verzekeringen
Verzekeraars kunnen met meer data een betere inschatting maken van de risico’s die zij verzekeren. Voor de meeste schadeverzekeringen worden momenteel vooral demografische gegevens gebruikt die iets zeggen over de buurt waarin iemand woont of het klantsegment waartoe een verzekerde behoort. Dit kan veel preciezer door in te zoomen op individuele objecten en personen. Zo zijn er sinds enkele jaren autoverzekeringen op de markt waarbij de premie afhankelijk is van je rijgedrag. Door middel van een on-board diagnostics (OBD) dongel die je eenvoudig in je auto kunt bevestigen of met een app op je telefoon worden gegevens over je rijgedrag verzameld en doorgegeven aan de verzekeraar. Die stelt vervolgens vast hoe snel je rijdt, optrekt en remt en waar je dat doet. Als je rijgedrag als veilig wordt beoordeeld, krijg je korting op de premie. Dit type verzekering is in Nederland verkrijgbaar bij Fairzekering en de ANWB.
Dezelfde logica is ook toe te passen bij ziektekosten- en levensverzekeringen. Steeds meer mensen dragen smart watches die informatie verzamelen over je hartslag, het aantal minuten inspanning per dag en je slaapritme. Als je bereid bent data over je persoonlijke gezondheid en levensstijl te delen, zijn verzekeraars bereid daarvoor premiekorting te geven. Het Vitality-programma van de Zuid-Afrikaanse verzekeraar Discovery biedt klanten die gezond leven korting op de verzekeringspremie en op sportartikelen. Sinds eind 2019 biedt a.s.r. hetzelfde programma in Nederland aan.
Gepersonaliseerde gezondheidszorg
Ook in de gezondheidszorg zien we de mogelijkheden van vergaande personalisatie. DNA-analyse wordt snel goedkoper en zal binnen afzienbare tijd gemeengoed zijn. Als je een medische behandeling moet ondergaan, kun je je persoonlijke gevoeligheid voor de medicatie vaststellen en de dosering optimaliseren voor maximaal effect en minimale bijwerkingen. DNA-analyses geven ook inzicht in de kans dat je bepaalde ziekten krijgt, zodat je daar door middel van regelmatige screening of preventieve zorg iets aan kunt doen. Voor het leggen van verbanden tussen DNA en ziekteverschijnselen wordt machine learning toegepast. En dankzij de CRISPR-CAS-techniek is het nu zelfs mogelijk je DNA aan te passen. Het voert te ver om de techniek hier in detail uit te leggen, maar simpel gezegd betekent CRISPR-CAS dat je kunt knippen en plakken met DNA.
Gepersonaliseerde juridische dienstverlening
Juridische dienstverlening was uiteraard altijd al gepersonaliseerd. Nieuw is dat de personalisatie dankzij kunstmatige intelligentie ook gerobotiseerd tot stand kan komen. In de financiële dienstverlening hebben we Fintech, in de gezondheidszorg Healthtech en in de juridische dienstverlening Legaltech. Aanbieders zoals doehetzelfnotaris.nl, Firm24 en VraagHugo hebben een eenvoudige online tool waarin op basis van antwoorden van klanten contracten worden opgesteld.
Voor routinematig juridisch werk is de robot lawyer in opkomst. Het controleren van huurcontracten, arbeidsovereenkomsten en leveringsvoorwaarden is een tijdrovende en voor de meeste juristen een routinematige en weinig boeiende bezigheid. In de Verenigde Staten kan LawGeex door middel van algoritmes automatisch aangeven welke clausules in een geheimhoudingsovereenkomst ongebruikelijk zijn, ontbreken of mogelijk moeten worden aangepast. De resultaten van LawGeex zijn gebenchmarkt en daarbij bleek dat het algoritme een nauwkeurigheid realiseerde van 94% en een groep van twintig ervaren advocaten gemiddeld 85%. Het grootste verschil zat hem in de tijd die hiervoor nodig was. De advocaten hadden gemiddeld 92 minuten nodig voor vijf contracten, LawGeex niet meer dan 26 seconden.
De gevolgen voor advocaten, notarissen en andere juristen zijn groot. Enerzijds ontstaat er druk op het traditionele ‘uurtje-factuurtje’-verdienmodel en leidt transparantie van zowel prijzen als kwaliteitsbeoordelingen van klanten tot meer concurrentie. Daar komt dan nog bij dat het aantal uren dat je aan een zaak moet besteden, aanzienlijk kan worden gereduceerd door gebruik te maken van slimme systemen. Toch is het geen slecht nieuws voor de sector. De juridische praktijk wordt met name voor particulieren, zzp’ers en kleine ondernemingen toegankelijker, waardoor de vraag naar juridische ondersteuning verder kan toenemen. En voor de professionals moet het toch fantastisch zijn om minder tijd te besteden aan routinewerk en meer aan strategische vragen, creatieve oplossingen en persoonlijk klantcontact?
Hoe nu verder?
In elke sector zijn er dankzij kunstmatige intelligentie mogelijkheden om producten en producten te personaliseren. Essentieel daarbij is de vraag welke data je beschikbaar hebt en welke data je kunt verkrijgen die inzicht geven in de wensen en de behoeften van je klanten. Verder moet je bij de toepassing alert blijven op onbedoelde negatieve consequenties, zoals vooroordelen en dergelijke, waar ik al eerder over schreef. Desondanks is er voor organisaties in alle sectoren, zowel profit als non-profit, alle reden om de mogelijkheden van personalisatie door middel van kunstmatige intelligentie nader te onderzoeken.
Blog #6 – juli 2020
De businesscase van kunstmatige intelligentie in de supply chain
De afgelopen decennia zijn supply chains, onder andere door de globalisering, steeds complexer geworden. Om hier grip op te houden, is een digitale transformatie onvermijdelijk gebleken. Handmatige processen (telefoon, pen en papier) worden vervangen door digitale systemen en informatie tussen klanten en leveranciers wordt elektronisch uitgewisseld. En naarmate er meer data beschikbaar zijn, zijn er ook meer mogelijkheden om machine learning toe te passen. Een paar voorbeelden.
Vraagvoorspelling
Wat als je een betere projectie had van de vraag naar je producten? Je zou minder weggooien, minder voorraad aanhouden en geen neeverkopen hebben. Zeker in sectoren met hoge omloopsnelheden en lage marges, zoals voeding, maakt dit een groot verschil voor de winstgevendheid van de onderneming. De omzet gaat omhoog en de kosten van productie, opslag en logistiek nemen af.
Dankzij machine learning en big data worden de algoritmes voor het voorspellen van de vraag steeds geavanceerder en nauwkeuriger. Naast de historische gegevens over de vraagontwikkeling kunnen ook lokale weersverwachtingen, veranderingen in de reacties van klanten op sociale media, prijswijzigingen van concurrenten en recente media-aandacht worden meegenomen. Niet alleen de nauwkeurigheid, maar ook de frequentie neemt toe. Vraagvoorspelling kan doorlopend worden geüpdatet, waarbij realtime niet ondenkbaar meer is.
Vraagvoorspelling is ook mogelijk voor nieuwe producten en nieuwe markten. Als je de vraag naar je bestaande producten goed begrijpt en weet op welke attributen consumenten reageren, kun je ook voorspellen wat nieuwe productvarianten zullen opbrengen. Dit bespaart kosten van markttesten en reduceert de time-to-market.
Onderhoud
In de supply chain wordt machine learning ook ingezet om de voorraden van reserveonderdelen te beperken. Een veel voorkomende belemmering is dat onderdelen in de administratie niet altijd de juiste classificaties hebben. Hierdoor komt het voor dat hetzelfde onderdeel onder meerdere artikelnummers bekend is en ook op meerdere plaatsen op voorraad wordt gehouden. Deze onduidelijkheid leidt tot verkeerde bestellingen en retouren. Grote voordelen worden al behaald door een eenduidige en elektronische vastlegging van de data te organiseren en ook hiervoor kan machine learning worden ingezet. Door middel van machine learning kun je onregelmatigheden in de database ontdekken (anomaly detection).
Stel dat je leverancier bent van machines en van de bijbehorende reserveonderdelen. Hoe meer data je van je klanten hebt over de staat en het gebruik van de machines, hoe nauwkeuriger je kunt voorspellen welke machine wanneer onderhoud nodig heeft (predictive maintenance) en welke onderdelen daarbij nodig zijn.
Logistiek
In het vervoer over de weg, het water of het spoor worden door middel van machine learning routes geoptimaliseerd en wachttijden geminimaliseerd. Een goede, betrouwbare voorspelling van aankomst- en vertrektijden is zowel voor de vervoerder als voor de afhandeling ter plaatse van groot belang. De data die je hiervoor nodig hebt, komen uit zowel interne als externe bronnen. Naast commerciële leveranciers kennen we in Nederland tien basisregistraties, waaronder de BAG (Basisregistratie Adressen en Gebouwen), de BGT (Basisregistratie Grootschalige Topografie), de BRT (Basisregistratie Topografie), de BRO (Basisregistratie Ondergrond) en de BRV (Basisregistratie Voertuigen).
Daarnaast komen data steeds vaker én realtime van sensoren en camera’s via het Internet of Things. Camera’s die net zo gemakkelijk op een vaste plaats kunnen staan als kunnen worden gemonteerd op een drone zijn goed in staat bijvoorbeeld nummerborden te lezen, objecten te identificeren en mensen te herkennen.
Robots
In zowel logistiek als productie wordt de rol van robots belangrijker. Zij worden dankzij kunstmatige intelligentie steeds slimmer en op meer terreinen inzetbaar. De eerste robots in fabrieken waren relatief dom: zij stonden op een vaste plaats en voerden steeds precies dezelfde handeling uit. Moderne robots zijn uitgerust met sensoren en bewegen zelfstandig door de ruimte. Boston Dynamics deelt regelmatig indrukwekkende filmpjes van robots die deuren openen, door een park rennen en een achterwaartse salto maken.
De technologie voor het herkennen van objecten en gezichten is zo goed geworden dat robots actief waarnemen wat er om hen heen gebeurt en daarop reageren. Zij botsen nergens tegenaan en als de robot in de weg loopt, kun je hem eenvoudig met je hand tegenhouden of een andere kant opsturen. Robots die tussen en met mensen kunnen werken, noemen we cobots. Cobot is een samenvoeging van collaborative robot. Deze robots zouden zonder kunstmatige intelligentie niet kunnen functioneren. De afstemming van de activiteiten van de robots onderling en het aanpassen van routes in geval van een storing is volledig computergestuurd.
Kunstmatige intelligentie en robots in een productieomgeving helpen processen te versnellen, kosten te verlagen en output te verhogen. Door de nauwkeurigheid van de machines neemt het aantal fouten af en de kwaliteit toe. Ook de flexibiliteit kan zodanig worden vergroot dat je tegen redelijke kosten meer maatwerk kunt leveren en sneller kunt omschakelen. De uitval van machines wordt beperkt door sensoren die aangeven wanneer preventief onderhoud moet plaatsvinden.
Efficiency en kwaliteit door samenwerking
Voor efficiency en kwaliteit in de supply chain is optimalisatie binnen je eigen organisatie niet voldoende. De keten wordt alleen sterker en beter door afstemming tussen de verschillende schakels. Effectieve samenwerking tussen partners in de moderne supply chain vraagt om het real-time delen en analyseren van data zodat het juiste product op het juiste moment bij de juiste klant komt.
Blog #5 – juni 2020
De businesscase van kunstmatige intelligentie voor marketing en verkoop
De impact van kunstmatige intelligentie is zo groot dat de houdbaarheid van bestaande businessmodellen onder druk staat. Wie nu een strategisch plan maakt voor de komende drie à vijf jaar kan niet om kunstmatige intelligentie heen. Alle bedrijfsonderdelen moeten hiermee aan de slag. Dat geldt zowel voor de primaire processen in marketing, verkoop, productie en logistiek als voor de ondersteunende diensten. In dit blog bespreek ik een aantal mogelijkheden van kunstmatige intelligentie voor marketing en verkoop. Andere functies komen in volgende blogs aan de orde.
Klantprofilering en persoonlijke aanbevelingen
Marketing en verkoop worden steeds persoonlijker, omdat het met machine learning mogelijk is een gedetailleerd profiel van bestaande en potentiële klanten op te bouwen. Een profiel bevat naast de identiteit van de klant gegevens over zijn tevredenheid, loyaliteit en waarde voor het bedrijf. Ook wordt er een beeld gevormd van zijn voorkeuren, behoeften en interesses. De klantsegmenten (min of meer homogene groepen klanten) worden steeds kleiner en in steeds meer detail gedefinieerd.
Een klantprofiel wordt opgebouwd vanuit verschillende databronnen. Data over bijvoorbeeld eerdere aankopen, betaalgedrag en vragen aan de klantenservice zijn beschikbaar in interne databases. Als je een product levert dat data genereert, omdat er sensoren in zitten en het een IP-adres heeft (Internet of Things), dan weet je ook hoe je product wordt gebruikt. En dan zijn er nog diverse externe databronnen die het profiel verder kunnen verrijken, zoals sociale media, kenmerken van de buurt waar je klant woont en gegevens van de Kamer van Koophandel.
In alle fasen van het klantproces kun je hiermee je voordeel doen, zowel online als offline. Verkoop begint met het genereren van leads. Door middel van predictive analytics kun je potentiële klanten vergelijken met bestaande klanten en op basis daarvan inschatten welke van je producten en diensten het beste aansluiten bij hun behoeften. Het resultaat is dat de kans van slagen toeneemt en dat je je tijd vooral besteedt aan de prospects met het grootste potentieel.
Reclames worden dankzij kunstmatige intelligentie steeds persoonlijker. Niet iedereen krijgt online dezelfde banners te zien en niet iedereen ontvangt van winkelbedrijven dezelfde aanbiedingen. Albert Heijn weet dankzij de bonuskaart precies wat je normaal gesproken koopt en stemt persoonlijke aanbiedingen daarop af. Een klant die een voorkeur heeft voor A-merken, krijgt geen aanbiedingen voor huismerken. En wie geen luiers koopt, is ook niet geïnteresseerd in babyvoeding. De data maken duidelijk welke consument je met welke boodschap op welk moment kunt overtuigen iets te kopen en tegen welke prijs.
Andere bekende voorbeelden van persoonlijke aanbevelingen zien we bij streamingdiensten zoals Netflix en Spotify. Hun assortiment is zo groot dat veel consumenten door de bomen het bos niet meer zien. De meldingen die je krijgt van nieuwe films en series die waarschijnlijk goed aansluiten bij jouw voorkeuren zijn bedoeld je zo lang mogelijk te vermaken en je te motiveren je abonnement voort te zetten. Om relevante aanbevelingen te doen, kun je je om te beginnen baseren op de aankopen die iemand eerder heeft gedaan en op de producten die daaraan zijn gerelateerd. Geavanceerder wordt het als je ook aankopen van andere consumenten en commentaren op sociale media gaat meenemen.
Onderstaande figuur biedt een samenvattend overzicht van de mogelijkheden.

Iedere klant zijn eigen customer journey
De meeste organisaties werken tegenwoordig met een customer journey, waarin wordt beschreven welke interacties een klant heeft met je product en je bedrijf. Het is per definitie een vereenvoudiging van de werkelijkheid. Veel klanten houden zich immers niet aan het voor hen bedachte pad en switchen gemakkelijk en vaak tussen kanalen: offline (fysieke winkel) én online (webwinkel), rechtstreeks én via distributeurs of platforms, via een medewerker én via chatbots of virtuele assistenten. De realiteit is dat er een grotere verscheidenheid tussen klanten is en dat er meer patronen in klantgedrag zijn dan wij op een zinnige manier kunnen visualiseren en interpreteren. Ook hier biedt kunstmatige intelligentie uitkomst. Dankzij slimme algoritmes is het mogelijk klanten een persoonlijke customer journey aan te bieden met een eenduidige beleving bij ieder contact, vanuit een geïntegreerd klantbeeld. Daarnaast kan analyse van de data inzicht geven in de indicatoren van toekomstig klantverloop, zodat je daarop kunt reageren. Ook kun je identificeren welke marketingactiviteiten meer en minder succesvol zijn en welke klanten het meest winstgevend zijn.
Als je het gedrag van je klanten kunt voorspellen en kunt inschatten hoe groot hun voorraad nog is, dan kun je producten gaan bezorgen voordat klanten zelf in de gaten hebben dat het weer tijd wordt om te bestellen. Dit wordt predictive personalisation genoemd. Een voorbeeld hiervan is HP Instant Ink. Hier koop je geen inkt, maar betaal je aan HP een prijs per pagina die je print. De printer is aan het internet gekoppeld (Internet of Things) en laat aan HP weten wanneer de inkt bijna op is. Je krijgt nieuwe inkt thuis bezorgd voordat je inkt op is.
Overigens is de vrijblijvendheid van het gebruik van data en kunstmatige intelligentie in de relatie met de klant er inmiddels wel een beetje vanaf. Klanten verwachten tegenwoordig dat iedere medewerker met wie zij te maken krijgen volledig op de hoogte is van hun situatie en inzicht heeft in de historie. Je kunt hier zelf een CRM (Customer Relationship Management)-systeem voor bouwen, maar de meeste bedrijven kiezen voor een cloudoplossing, zoals Salesforce. Hierin kun je alle informatie over klanten beschikbaar maken voor medewerkers. Het systeem ondersteunt het verkoopproces, de klantenservice en de marketingcampagnes over alle kanalen heen.
Minder kunst, meer wetenschap
Met de hoeveelheid data die nu beschikbaar is en de kracht van kunstmatige intelligentie om die data te analyseren, worden marketing en verkoop steeds meer wetenschap. Alle stappen in het verkoopproces worden gemeten, zodat er gericht kan worden gestuurd om de effectiviteit van het proces te maximaliseren. Eenvoudig is het overigens geenszins, want de datasets over klantgedrag zijn vaak weinig gestructureerd, klantgedrag is chaotisch en succesfactoren zijn niet altijd eenduidig. Daar staat tegenover dat juist deze complexiteit een motief is om kunstmatige intelligentie in te zetten.
Blog #4 – mei 2020
Het dilemma van de black box
Niet alle toepassingen die met kunstmatige intelligentie mogelijk zijn, moeten we ook willen. In dit blog sta ik stil bij het dilemma van de black box. Is het verantwoord om een systeem te gebruiken dat je niet begrijpt?
Er lijkt sprake van een negatieve correlatie tussen nauwkeurigheid aan de ene kant en transparantie en uitlegbaarheid aan de andere kant. Traditionele statistische methoden die heel goed uit te leggen zijn, leveren een minder nauwkeurige voorspelling of aanbeveling op dan methoden die gebruik maken van machine-learning of deep learning. Je krijgt betere resultaten, maar wat er precies onder de motorkap gebeurt, is nauwelijks uit te leggen. Dit staat bekend als het ‘explainability issue’ en staat de acceptatie en implementatie van kunstmatige-intelligentietoepassingen in de weg. Immers, ook een black box die precies doet wat die moet doen, heeft beperkt nut als je niet kunt vaststellen dat de uitkomsten juist en rechtvaardig zijn.
Een veelvoorkomend probleem is de aanwezigheid van vooroordelen in de data. Dit hebben we bijvoorbeeld gezien bij een systeem als Compas, dat Amerikaanse rechtbanken gebruiken om de duur van een gevangenisstraf te bepalen. Het systeem was getraind op basis van beslissingen die mensen in vergelijkbare situaties namen en omdat die mensen discrimineerden, deed het systeem dat daarna ook. Kort gezegd, hoe donkerder de huidskleur, hoe langer de gevangenisstraf.
Zeker als de aanbevelingen of beslissingen die door een systeem worden gegenereerd grote gevolgen hebben voor mensen is het van belang dat een goede uitleg en toelichting wordt gegeven. ‘Explainable AI’ is een noodzakelijke voorwaarde en momenteel een belangrijk onderwerp van wetenschappelijk onderzoek. LIME, dat staat voor local-interpretable-model-agnostic explanations, is een voorbeeld van een techniek die kan helpen kunstmatige intelligentie transparanter te maken. LIME laat op basis van een gevoeligheidsanalyse aan de gebruiker zien welke onderdelen van de input het meest hebben bijgedragen aan de output.
Alle ethische raamwerken voor kunstmatige intelligentie benadrukken dat de technologie er is om de mens te helpen en dat dit op een manier moet gebeuren die de mens controle geeft over de technologie. Dit is ook de strekking van een advies van het Europees Economisch en Sociaal Comité (EESC) aan de Europese Commissie in 2017, waarin wordt gepleit voor een ‘human-in-command’-benadering.
Menselijke interventie blijft om drie redenen noodzakelijk. In de eerste plaats zijn machines niet in staat doelstellingen te bepalen, te dromen over de toekomst en morele afwegingen te maken. Algoritmes zijn als technisch hulpmiddel uitermate geschikt voor voorspellingen en optimalisaties, maar hebben geen bewustzijn, geen geweten en geen eigen doelen. Als mensen niet langer de context zouden bepalen waarbinnen kunstmatige intelligentie functioneert, leidt dit onvermijdelijk tot onwenselijke uitkomsten.
In de tweede plaats zijn systemen met kunstmatige intelligentie niet in alle omstandigheden bruikbaar. We hebben mensen nodig om beslissingen te nemen bij niet-routinematige activiteiten. Omdat deze minder vaak voorkomen, zijn er onvoldoende data beschikbaar over prestaties in het verleden om besluitvorming over te laten aan een machine.
In de derde plaats zijn de uitkomsten van algoritmes niet altijd foutloos. Menselijke interventie blijft nodig om de werking van het algoritme te testen en uitkomsten te verifiëren. Dat moet niet alleen bij de start gebeuren, maar doorlopend, want ook systemen die technisch goed functioneren, kunnen worden gemanipuleerd, bijvoorbeeld door hackers.
Om de de uitkomsten van kunstmatige intelligentie te kunnen controleren, is het noodzakelijk dat het systeem transparant en begrijpelijk is. Daarnaast moet er een mogelijkheid zijn voor mensen om in te grijpen: de black box moet een grey box worden.
Een ander probleem is dat naarmate beslissingen door kunstmatige intelligentie vaker juist blijken te zijn, we daar zo op gaan vertrouwen dat we gemakzuchtig worden. Dit kan leiden tot blind vertrouwen op een systeem dat we niet begrijpen. Bovendien kunnen wij sommige vaardigheden kwijtraken. Als alle auto’s zelfrijdend zijn, wordt het rijbewijs afgeschaft en verliezen mensen de vaardigheid om een auto te besturen. Daar is op statistische gronden overigens veel voor te zeggen. In het verkeer komen jaarlijks alleen al in Nederland zo’n 650 mensen om het leven. Wat als we dat aantal met zelfrijdende auto’s met 90% kunnen reduceren? Moeten we dat dan meteen doen? De algoritmes die de auto besturen, maken nog wel fouten, maar veel minder dan mensen. Leg je de nadruk op de ongevallen die zijn voorkomen dankzij de zelfrijdende auto of op de ongevallen die door dezelfde auto zijn veroorzaakt? We zien vaak dat de acceptatie van fouten door machines een stuk lager ligt dan de acceptatie van fouten die door mensen worden gemaakt.
Hetzelfde dilemma doet zich voor in de gezondheidszorg. Wat heb je liever? Een medisch specialist die een diagnose stelt zonder gebruik te maken van kunstmatige intelligentie en dat in 70% van de gevallen juist doet óf een slim systeem dat het in 99% van de gevallen bij het rechte eind heeft? Het lijkt rationeel, vanuit economisch perspectief, te kiezen voor de tweede optie, maar zo eenvoudig is het niet. Met de medisch specialist kun je een gesprek hebben over de mogelijkheden en gevolgen en je kunt hem of haar aansprakelijk stellen. Ook kunnen zich nieuwe technologische ontwikkelingen hebben voorgedaan of nieuwe medicijnen op de markt zijn gekomen die nog niet in de dataset zitten en derhalve nog niet door het systeem kunnen worden aangeraden. De beste optie is dat de medisch specialist zich laat assisteren door kunstmatige intelligentie, maar de mogelijkheid houdt daar gemotiveerd van af te wijken. Ook dan hebben we een grey boxsituatie gecreëerd.
Blog #3 – april 2020
Waarom machine learning geen normaal automatiseringsproject is
Dankzij kunstmatige intelligentie en in het bijzonder machine learning veranderen de data-analyses die we kunnen maken van beschrijvend/reactief naar voorschrijvend/proactief. Met meer (big) data en meer rekenkracht kunnen data-analyses niet alleen een beschrijving geven van wat er in het verleden is gebeurd, maar kunnen ze ook worden gebruikt om te voorspellen en te optimaliseren. Hoe complexer de analyse, hoe groter het concurrentievoordeel dat daarmee kan worden behaald. Deze ontwikkeling is weergegeven in onderstaande figuur, die van beneden naar boven moet worden gelezen.

Descriptive analytics is de meest basale vorm van data-analyse. Het doel is te beschrijven wat er eerder is gebeurd en daarmee de oorzaken van succes en falen in het verleden te achterhalen. Dat verleden kan gaan over gebeurtenissen van jaren of maanden geleden, maar ook over een minuut geleden. Ook als data in realtime worden geanalyseerd, spreken we van descriptive analytics. Een alternatieve benaming is business intelligence. Vaak kom je met eenvoudige wiskunde en Excel al een heel eind. Voor geavanceerdere toepassingen zijn er methoden op basis van machine learning zoals Principal Component Analysis, bedoeld om het aantal variabelen te beperken door middel van dimensiereductie en K-means clustering, bedoeld om data in groepen of clusters in te delen.
Bij predictive analytics worden op basis van trends en patronen in de data voorspellingen voor de toekomst gegenereerd, zodat je kunt anticiperen op wat er – met een zekere waarschijnlijkheid – kan gaan gebeuren. Dit wordt ook wel forecasting genoemd. Enkele veelvoorkomende toepassingen zijn het voorspellen van toekomstige verkopen aan de hand van trends in consumentengedrag of het voorspellen van de waarschijnlijkheid dat iemand zijn lening zal terugbetalen. Machine learning kan worden ingezet voor classificatie en regressie, dat wil zeggen voor het voorspellen van een categorie respectievelijke een numerieke waarde.
Prescriptive analytics is de laatste stap en levert aanbevelingen op over wat je als organisatie te doen staat om een zeker doel te realiseren. Hoe kom je van A naar B? Dit kan door middel van simulaties of optimalisaties worden geanalyseerd. Toepassingen zijn bijvoorbeeld: de productieplanning vaststellen, de optimale voorraadniveaus berekenen in de diverse schakels in het productieproces en de logistiek of de timing van marketingcampagnes optimaliseren.
In deze context is een veel gestelde vraag wat het verschil is tussen een automatiserings- en een machine learningproject. In onderstaande figuur is dit geïllustreerd. Bij automatisering worden door mensen regels in systemen geprogrammeerd die bepalen hoe inputdata moeten worden verwerkt tot een antwoord. Bij machine learning maak je gebruik van een analysemethode die op zoek gaat naar de relatie tussen de inputdata en het gewenste resultaat. De output is niet steeds hetzelfde antwoord, maar een (lerend) algoritme.

Dit betekent dat machine learning vraagt om een hele andere vorm van risicomanagement. Bij traditionele automatisering kun je de werking van een systeem uitvoerig testen voordat je het systeem in gebruik neemt. Bij machine learning kan de uitkomst van vandaag een andere zijn dan de uitkomst van volgende week als het algoritme weer beter is geworden omdat er meer data zijn verwerkt. De vraag is of en hoe wij als mensen systemen met machine learning kunnen begrijpen en beheersen. Hoe realiseer je ‘human-in-command’? Hoe manage je een black box? Hier kom ik in het volgende blog op terug.
Blog #2 – maart 2020
Kunstmatige intelligentie is een bewegend doel
Niet iedereen die het over kunstmatige intelligentie heeft, bedoelt hetzelfde. Voor sommigen is kunstmatige intelligentie een computer met de hersencapaciteiten van een mens (IQ én EQ). Voor anderen – en ook voor mij – is het geavanceerde data-analyse en daarmee veel minder eng. Waarom is er geen eenvoudige en algemeen aanvaarde definitie?
De term kunstmatige intelligentie stamt uit het jaar 1956. In die tijd was het idee een computer zodanig te programmeren dat die menselijk gedrag zou gaan vertonen. Het was een top-downbenadering: als je het gedrag van mensen in regels kunt vatten, kun je een computer die regels laten uitvoeren. Dit is echter te complex gebleken en bovendien weten we inmiddels dat menselijk gedrag niet rationeel is en dat de werking van het menselijke brein moeilijk is te ontcijferen.
Deze werkwijze is dan ook naar de achtergrond geraakt. In de jaren tachtig van de vorige eeuw werd de scope van kunstmatige intelligentie versmald tot een expertsysteem voor specifieke taken. Sindsdien is de benadering bottom-up: je traint een computer om specifieke taken uit te voeren op basis van data. Goed beschouwd is kunstmatige intelligentie dus helemaal geen intelligentie, maar slechts een onderdeel daarvan, namelijk voorspellingen maken. Als je aan je Google Home vraagt ‘wat is de hoofdstad van Drenthe’ en je krijgt als antwoord ‘Assen’, dan is het niet omdat Google Home dat werkelijk weet, maar omdat hij in staat is te voorspellen naar welk antwoord mensen die die vraag stellen op zoek zijn. Systemen met kunstmatige intelligentie worden ook wel beschouwd als voorspelmachines.
De eerste toepassingen van kunstmatige intelligentie zijn gebaseerd op algoritmes die door mensen zijn bedacht en geprogrammeerd. De machine voert aan de hand hiervan specifieke taken uit en heeft alleen een antwoord op een situatie die vooraf is gedefinieerd. Interessanter wordt het als de machine leervermogen krijgt en op basis van ervaring ook in afwijkende, maar vergelijkbare situaties de juiste beslissing kan nemen.
We komen dan op het terrein van machine learning. Als algoritmes automatisch beter worden als er meer data worden toegevoegd, spreken we van machine learning. Kort gezegd is machine learning een subset of deelverzameling van kunstmatige intelligentie.
Een machine-learningprogramma dat wordt gevoed met een groot aantal röntgenfoto’s met daarbij de symptomen die op die foto’s zijn te zien, kan op den duur die symptomen zelf gaan herkennen. Het programma gaat op zoek naar de gemeenschappelijke kenmerken van de foto’s met hetzelfde label en als je een nieuwe foto hebt, voorspelt het programma welke symptomen daarop te zien zijn aan de hand van een vergelijking met de eerder bestudeerde foto’s. Voor beeldherkenning wordt overigens vaak gebruikgemaakt van deep learning, wat weer een subset is van machine learning. Hierbij gebruik je artificiële of kunstmatige neurale netwerken om grote hoeveelheden data te analyseren.De samenhang tussen kunstmatige intelligentie, machine learning en deep learning wordt vaak weergegeven in drie concentrische cirkels.

Als we kunstmatige intelligentie algemeen definiëren als een computer die iets doet waarvoor normaal gesproken menselijke intelligentie nodig is, hebben we te maken met een bewegend doel (moving target). Lang geleden zou in deze definitie immers een rekenmachine als kunstmatige intelligentie zijn beschouwd, omdat tot dan toe alleen mensen wiskundige berekeningen konden maken. Nu wordt de rekenmachine als zodanig normaal beschouwd dat deze niet meer wordt geclassificeerd als kunstmatige intelligentie. De definitie verandert derhalve in de loop van de tijd.
Momenteel zijn autonomie en adaptiviteit de kernbegrippen in de definitie van kunstmatige intelligentie. Autonomie is het vermogen taken uit te voeren in een complexe omgeving zonder voortdurende begeleiding van een gebruiker. Met adaptiviteit of aanpassingsvermogen wordt bedoeld dat de prestaties in de loop van de tijd verbeteren doordat er wordt geleerd van ervaringen. Dit betekent dat anno 2020 kunstmatige intelligentie meestal machine learning betekent.
Blog #1 – februari 2020
Kunstmatige intelligentie is de hypefase allang voorbij
In science fictionverhalen wordt kunstmatige intelligentie vaak geassocieerd met een robot die zich als een mens gedraagt. Hij gaat zijn eigen gang, keert zich vervolgens tegen de mensheid en er is een heldendaad nodig om de wereld te redden. Een kunstmatige intelligentie die menselijk gedrag vertoont, wordt ‘strong AI’ genoemd, maar is nog heel ver weg. Een computersysteem dat op basis van data routinematige taken van mensen kan overnemen, noemen we weliswaar ‘weak AI’, maar is veel realistischer én heeft veel meer impact op organisaties, de samenleving en onszelf.
In de basis levert kunstmatige intelligentie vooral een verbetering op van de traditionele methoden van data-analyse die we kennen uit de statistiek. In die zin zou je kunnen redeneren dat we het hier over een hype hebben. Toch is er meer aan de hand. Er zijn namelijk meer methoden beschikbaar gekomen en de algoritmes voor machine learning zijn veel beter geworden, vooral door de ontwikkeling van neurale netwerken en deep learning. De rekenkracht is enorm toegenomen, waardoor analyses die voorheen een week duurden nu in minder dan een seconde kunnen worden uitgevoerd. Bovendien zijn er meer data beschikbaar dan ooit tevoren.
De ontwikkeling van de kunstmatige intelligentie is hierdoor het afgelopen decennium in een stroomversnelling gekomen. In alle organisaties is het belang van data en data-analyses groter dan ooit. De wijze waarop kunstmatige intelligentie wordt gebruikt is echter heel verschillend. Bedrijven richten zich in eerste instantie vaak op het verlagen van de kosten om daarmee de efficiency van het bestaande businessmodel te verbeteren. Als de ervaring toeneemt, ontwikkelen bedrijven een breder perspectief en richten ze zich bijvoorbeeld ook op het vergroten van de effectiviteit van de verkoop om hun marktaandeel te vergroten. De voorlopers gebruiken kunstmatige intelligentie om nieuwe producten en diensten te ontwikkelen en daarmee hun markt groter te maken of een nieuwe markt te creëren. De verschillen tussen de early adaptors en de laggerds nemen toe en het wordt voor de laatste groep steeds urgenter om aan te haken.
Het is eenvoudiger gezegd dan gedaan om toepassingen van kunstmatige intelligentie te ontwikkelen en te implementeren. Een strategie voor kunstmatige intelligentie begint ermee dat je je toekomstige businessmodel duidelijk voor ogen krijgt. Hoe zal de markt waarin je actief bent zich ontwikkelen en welke positie wil je daarin innemen? Weet je wat de concurrentie doet met kunstmatige intelligentie? En: zijn de concurrenten van nu ook de concurrenten van de toekomst of zullen nieuwe toetreders de verhoudingen in de sector fundamenteel veranderen? Wat je nodig hebt is een beeld van de kansen die kunstmatige intelligentie voor je organisatie in de volle breedte biedt, waarbij niet is uit te sluiten dat grote delen van de bestaande bedrijfsvoering moeten worden gereorganiseerd om die kansen te benutten.
Voor de implementatie heb je een digitale infrastructuur nodig die je in staat stelt data te verzamelen en te beheren op een manier die ondersteunend is aan het bedrijfsproces en die voldoet aan de wet- en regelgeving daaromtrent, zoals de Algemene Verordening Gegevensbescherming (AVG). Dit klinkt misschien ingewikkeld, maar is beslist niet de grootste barrière. Veel moeilijker is het de juiste mensen te vinden die over de technische vaardigheden beschikken en die de businessbehoefte kunnen vertalen naar dataanalyses. De beschikbaarheid van talent op het gebied van kunstmatige intelligentie is zo beperkt, dat organisaties zich moeten afvragen of zij in staat zijn dergelijk talent zelf aan te trekken en vast te houden. Vaak is uitbesteden geen keuze, maar noodzaak.
En dan komt daar de weerstand vanuit de bestaande organisatie nog bij. Hoe zorg je ervoor dat de inzichten die je dankzij kunstmatige intelligentie verkrijgt in de processen van de organisatie worden geïmplementeerd? Kunstmatige intelligentiesystemen worden in eerste instantie vaak als expertsysteem geïntroduceerd. Mensen kunnen het systeem raadplegen en vervolgens naar eigen inzicht beslissen of zij de aanbeveling van het systeem volgen. De vrijblijvendheid neemt af als in de loop van de tijd blijkt dat het systeem betere uitkomsten genereert dan mensen. Uiteindelijk wordt de werkwijze omgekeerd en worden de beslissingen die door het systeem worden voorgesteld de standaard en kijken mensen mee om in te kunnen grijpen als er iets misgaat. Het is vergelijkbaar met de ontwikkeling van de zelfrijdende auto. Als een auto autonoom rijdt, is de bestuurder toch nog verplicht op te blijven letten en de handen aan het stuur te houden.
Ook voor overheden is er alle reden om proactief met kunstmatige intelligentie aan de slag te gaan. Hier liggen immers nieuwe mogelijkheden voor economische groei. Zoals bedrijven hun eigen concurrentiepositie beschermen, beschermen overheden de internationale positie van een land, bijvoorbeeld door te investeren in onderwijs en wetenschap, door privaat ondernemerschap te bevorderen en de transitie van de arbeidsmarkt in goede banen te leiden. Bovendien wordt er naar de overheid gekeken om een antwoord te vinden op de maatschappelijke risico’s van kunstmatige intelligentie. Door zelf actief onderzoek te doen en te investeren in kunstmatige intelligentie kun je als overheid voor je land niet alleen de directe vruchten plukken, maar ook invloed uitoefenen op de manier waarop kunstmatige intelligentie wordt uitgerold en toegepast.
Om de kansen te kunnen benutten is een realistisch beeld nodig van wat kunstmatige intelligentie werkelijk is. Wie de science fiction negeert en ziet wat er nu al mogelijk is en wereldwijd gebeurt, laat zich niet leiden door onnodige angst voor de technologie en realiseert zich dat de hypefase allang voorbij is.