Blogserie naar aanleiding van “Winnen met kunstmatige intelligentie”

Blog #6 – juli 2020

De businesscase van kunstmatige intelligentie voor marketing en verkoop

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.

Comments are closed.