AI voor uw organisatie: de 6 grootste feiten en fabels

Artificial Intelligence (AI) kan uw organisatie helpen efficiënter te werken tegen lagere kosten, en u in staat stellen betere service te verlenen. Zelflerende systemen nemen menselijke taken over, analyseren razendsnel grote hoeveelheden data, ontdekken patronen en doen voorspellingen die bedrijven voorsprong geven op de concurrentie. Maar wat kan AI wel en juist níet betekenen voor uw organisatie? Aan de hand van drie belangrijke onderwerpen zetten wij zes feiten en fabels over AI op een rij.

Concurrentievoordeel met AI

Feit: AI en Big Data leiden tot een concurrentievoordeel
Als u AI op de juiste manier toepast, kunt u een voorsprong nemen op uw concurrenten. Er valt winst te behalen op drie sleutelonderdelen: risicoreductie, snelheid en sales. Bij risicoreductie kunt u denken aan accurate detectie van afwijkingen in de productielijn. Snelheid draait om operationele efficiëntie of het spotten van trends in de markt, maar ook een snelle responsetijd bij problemen of het snel beantwoorden van klantvragen. Bij sales kunt u denken aan het sneller opvolgen van leads en het verbeteren van de gebruikservaring door middel van AI.

Fabel: AI is de enige manier
Hoewel AI veel voordelen biedt om een voorsprong te nemen op de concurrentie, kunt u zonder AI ook winst behalen uit Big Data. U kunt de data uit verschillende bronnen bijvoorbeeld aan elkaar koppelen en analyseren. Door het bekijken van klantgegevens in combinatie met aankopen, betalingen, klachten en online bewegingen, komt u tot waardevolle inzichten. Maar u kunt ook uw eigen data verrijken met externe data: zoals weer, verkeer en seizoenspatronen. Daar kunt u vervolgens verbanden in ontdekken. Met deze twee activiteiten leert u welke aspecten een rol spelen in de vraag van een klant en hoe u bepaalde processen efficiënter maakt. U kunt uw concurrenten voor zijn door dit toe te passen: ook zonder AI te gebruiken.

AI en Ethics

Feit: Uitkomsten van AI-modellen zijn vaak niet herleidbaar
AI machine learning-modellen worden meestal getraind met data uit het verleden. Het model vindt patronen en komt zo met oplossingen voor de toekomst. Ondanks dat deze patronen ontstaan op basis van bestaande data, is niet altijd te achterhalen hoe het model de oplossingen bedenkt. Hoewel dat voor de meeste modellen geldt, bestaan er vormen van AI waarbij die uitkomst wel te achterhalen is. Zo maakt het machine learning-model Decision tree een slimme beslisboom, die uitgeprint kan worden en goed te volgen is. Het model Lineair regression stelt een formule op, die door mensen gecheckt kan worden. En uiteindelijk is er het 'ouderwetse' rule based programmeren. Daarmee vertelt een programmeur het AI-model stap voor stap wat hij moet doen. De uitkomsten van AI modellen zijn in deze drie gevallen dus wel te herleiden.

Fabel: AI-modellen geven geen objectieve uitkomsten
Er zijn schrijnende voorbeelden van AI-modellen die nadelige of ongewenste conclusies trekken. Een voorbeeld is de toepassing van AI in recruitment: vrouwelijke kandidaten werden als minder potentieel gezien, omdat ze minder vaak in historische data voorkwamen. Dit soort problemen kunnen worden voorkomen door data te analyseren voordat een AI-model wordt gebouwd. Data scientists kunnen uitzoeken of er onbedoelde bias in data is geslopen. Datasets zijn vaak bevooroordeeld, omdat samenlevingen en werksituaties homogener zijn dan we zouden willen. Door dat vooraf te onderkennen, kunnen keuzes gemaakt worden. Bijvoorbeeld door in het recruitment-proces een AI niet op foto, geslacht of vrouwelijke kenmerken te laten scannen. Daarnaast zijn er tal van mogelijkheden om algoritmes te maken voor onderwerpen waarbij bevooroordeling niet in een dataset kán sluipen. Dat komt omdat persoonlijke kenmerken geen rol spelen bij het voorspellen. Een voorbeeld is het project van BPSOLUTIONS, waarbij wachttijden op de spoedeisende hulp worden voorspeld. Het enige kenmerk van de patiënt dat wordt meegenomen is de prioriteit waarmee hij of zij moet worden behandeld. Daarnaast kijkt het algoritme naar de plaats van de patiënt in het proces, en de kamer waarin de patiënt op de spoedeisende hulp verblijft.

Datakwaliteit

Feit: om machine learning toe te passen is veel data van hoge kwaliteit nodig
Een AI machine learning-model wordt beter wanneer het met meer data getraind wordt. Daarnaast is de kwaliteit van de data belangrijk. Hoe beter de kwaliteit, hoe beter het model kan presteren. Na onderzoek van de datakwaliteit, ziet een data scientist soms mogelijkheden om de datakwaliteit te verbeteren. Voor een dergelijke verbeterslag moet de datakwaliteit wel een minimaal niveau hebben. Regels waarvan de kwaliteit onvoldoende is, worden daarom uit de set verwijderd.

Fabel: u moet al uw data opschonen voordat u data slim kunt gebruiken
Wanneer u met AI wilt starten, kunt u het beste beginnen met een kleine, afgebakende test case. Zo’n test case schept een beeld van de mogelijkheden van AI voor de organisatie. De test case heeft impact op de business, maar is wel zo klein mogelijk. Vervolgens wordt bekeken welke data nodig is, hoe deze ontsloten wordt en hoe schoon deze is. Daarbij wordt alleen de data opgeschoond die nodig is voor de test case. Daardoor kan de waarde van AI aangetoond en benut worden, zonder grote data opschoningsprojecten daaraan vooraf te laten gaan.

BPSOLUTIONS kan u helpen bij het ontsluiten van data uit verschillende bronnen en bij het ontwikkelen van betrouwbare AI-modellen. BPSOLUTIONS helpt ook bij het implementeren van de infrastructuur die daarvoor nodig is. Zo ontstaan kansen om efficiënter te werken, klanttevredenheid te vergroten en de concurrentie voor te blijven. Bij alles wat we doen, proberen we wereld elke dag een beetje slimmer te maken.

Lees ook de blog: Artificial Intelligence, wat is het en waarom is het zo belangrijk?

Door: Leonie Syrier (foto), Lead Data Scientist bij BPSOLUTIONS