Blog Job van den Berg

Waarom Artificial Intelligence een trend is en wat je er echt mee kunt

Overal lees en hoor je erover. De kansen van Artificial Intelligence, vaak afgekort tot A.I. Een positief teken, want de mogelijkheden van data worden breder herkend, ook door niet data-experts. De term 'Artificial Intelligence' gaat nog wel eens een eigen leven leiden: verschillende definities en betekenissen die men eraan geeft en weinig grip op wat het precies is en doet. Daarom gaat expert Job van den Berg in deze blog graag in op wat Artificial Intelligence nou precies is, waarom het bestaat en hoe jouw bedrijf er voordeel uit kan halen.

Job van den Berg 15 maart 2022

Algoritme ontwikkeling ai job van den berg

Job van den Berg

Chief Data & Insights Officer bij Blue Field Agency

Job van den Berg was tot januari 2022 bij DPG Media verantwoordelijk voor de B2B-datastrategie. Inmiddels is hij Chief Data & Insights Officer bij Blue Field Agency. Zijn doel is om echt impact te maken met data. Omdat bedrijven steeds meer eigen data verzamelen en data-driven werken, is de juiste inzet en interpretatie van data nog belangrijker geworden. Job is ook expertblogger bij De Ondernemer en schrijft maandelijks voor deze website.

Waarom Artificial Intelligence

Laat ik eens beginnen met een goede definitie van Artificial Intelligence. Het is eigenlijk een verzamelnaam van modellen die zelflerend zijn en in zekere zin zelf kunnen ‘nadenken’. Je zou kunnen zeggen dat deze datamodellen steeds meer op mensen beginnen te lijken. Ze kunnen, net als wij, zelf beslissingen nemen. Nu er zoveel data aanwezig zijn en omdat we steeds meer met data willen doen, is Artificial Intelligence enorm in opkomst. Daarnaast is A.I. een logische stap in de ‘data-evolutie’: de doorontwikkeling van datamodellen die eerst nog eenvoudig waren en nu steeds complexer worden. Ik neem je graag mee naar het begin en het ontstaan van deze datamodellen om zo de toegevoegde waarde van Artificial Intelligence goed te kunnen duiden.

Is er een relatie tussen kenmerken? Correlatiemodellen

We begonnen met correlatie-analyses. Een statistische techniek om verbanden aan te tonen. We wilden eerst weten of kenmerken met elkaar samenhangen. Bijvoorbeeld: is er een verband tussen omzet in de winkel en het weertype (regen, zon, bewolkt etc.)? Met andere woorden, hebben we voldoende bewijs om aan te nemen dat het weer bepalend is voor sales. Een relevante vraag waar je geen Artificial Intelligence voor nodig hebt maar wel een ‘simpele’ zogeheten correlatie-analyse. En uit die analyse blijkt dat het weer sales inderdaad sterk beïnvloedt - ook als je geen ijsjes verkoopt! Niet voor elke business vraag is A.I. meteen nodig om deze te beantwoorden. Zoals je leest, volstaat soms een eenvoudig model ook al om je business-vraag te beantwoorden.

Lees ook: Kunstmatige intelligentie: gaat een robot morgen jouw team overnemen?

De volgende stap werden zogeheten regressiemodellen. Hierbij konden we één stap verder gaan, namelijk kijken of er een oorzaak-gevolg-relatie zat tussen twee gegevens. In het geval van het weer kon je bij dit model dus kijken of de sales omlaag ging doordat het slecht weer was. Belangrijk, want daarmee sluit je toevallige relaties uit. Om toevallige relaties uit te leggen: als het in een jaar altijd geregend heeft op maandag, en zonnig is op zaterdag lijkt er een goede reden te zijn dat je meer verkoopt als de zon schijnt. Klinkt logisch, maar als het altijd regent op zaterdag en zonnig is op maandag, dan zou je nog steeds meer verkopen op de immer drukke zaterdag. Bij een data-analyse zonder regressiemodel zou je tot een andere conclusie komen dan mét regressiemodel.

'Met een voorspellend model kunnen we impact van klimaatverandering op toekomstige sales doorrekenen. Zo kun je je nu al voorbereiden op de toekomst'

Scenarioplanning: data science

Een regressiemodel gaat over analyses en het aantonen van verbanden in het ‘hier en nu’. Soms wil je ‘in de toekomst’ kunnen kijken en voorspellen wat de kans is dat er een bepaalde observatie plaats gaat vinden. Of je wil doorrekenen wat de impact van specifieke investeringen op de lange termijn kunnen zijn. Hele logische vragen, maar voor dit soort analyses heb je een grote hoeveelheid data nodig over de tijd heen verzameld.

Data science kwam op dit moment in de ‘data-evolutie’ om de hoek kijken - modellen die helpen om scenario-analyses te doen en die de mogelijkheid bieden om 'what if'-voorspellingen te doen. Laat ik de case over de relatie tussen ‘het weer’ en ‘sales’ gebruiken om dit verder te duiden. Met een voorspellend model kunnen we impact van klimaatverandering op toekomstige sales doorrekenen. We ‘stimuleren’ bijvoorbeeld het scenario dat er meer zonuren zijn op basis van data van het KNMI. Uit het model blijkt dat over 10 jaar, wanneer het aantal zonuren met 7 procent is toegenomen (voorbeeld), de klantenbase naar verwachting zal stijgen, resulterend in een omzetstijging van 2 procent. Met deze fictieve resultaten kun je dus nu al voorbereiden op de toekomst. Want meer meer klanten, betekent ook meer personeel die je nu al kunt gaan werven.

Lees ook: Zo wordt jouw bedrijf future-proof met kunstmatige intelligentie

Modellen die zelf kunnen beslissen: Artificial Intelligence

En toen kwam Artificial Intelligence. Ook deze modellen zijn voorspellend maar hebben een belangrijke add-on. Ze zijn ‘zelflerend’ en niet ‘statisch’ zoals de voorgaande modellen. Het model kan zich door de tijd zelf verbeteren en optimaliseren en kan ook omgaan met nieuwe situaties. Dat klinkt cryptisch maar het beste voorbeeld om dit te illustreren, zijn zelfrijdende auto’s, die zitten vol met A.I. Want er zijn duizend verschillende verkeerssituaties en die vragen iedere keer om een andere actie: remmen, gas geven, uitwijken, etc. Per situatie moet dus worden bepaald wat de beste actie is. Dat is dus dynamisch. Daarnaast ontstaan er elke keer nieuwe situaties (bijv een weguitbreiding) waar het model op moet kunnen anticiperen. Kortom, het model kan omgaan met veranderende omstandigheden zonder dat ‘de mens’ het model per keer moet aanpassen.

Lees ook: Investeringsfonds Curiosity wil AI-startups in Noord-Europa helpen groeien

Terugkomend op het voorbeeld over ‘het weer’ en het veranderende klimaat. Het A.I.-model moet ook om kunnen gaan met veranderende weersomstandigheden. Hij moet getraind zijn hierop. Vaker regen betekent vaker de snelheid aanpassen en drukke wegen. En drukke wegen, betekent vaker maar vooral ook ‘voorzichtiger’ remmen en optrekken.

De data-evolutie samengevat

Now what: hoe kun je zelf aan de slag gaan met Artificial Intelligence?

Samenvattend stelt Artificial Intelligence je in staat om een model keuzes te laten maken. Waarom zou je dat willen? Grofweg zijn er een aantal redenen waarom je Artificial Intelligence nu zou willen toepassen:

  • Betere beslissingen nemen door A.I.: een bedrijf wil kunnen voorspellen hoe het belangrijke metrics in de organisatie (bijv sales, conversie, churn) kan beïnvloeden en welke acties nodig zijn om het beste resultaat te behalen bij veranderende omstandigheden. Artificial Intelligence stelt je in staat om ‘in de toekomst’ te kijken en uitgebreide scenario's te maken; ook als tussentijds de context verandert en er andere keuzes gemaakt moeten worden.

  • A.I. als wezenlijk onderdeel van een propositie: Een bedrijf ontwikkelt een geavanceerde oplossing waarbij Artificial Intelligence kan helpen betere dienstverlening voor je klanten te bieden. Dus A.I. is een fundamenteel onderdeel van je service en propositie. Denk aan een chatbot of een zelfrijdende auto waardoor je veel meer comfort ervaart in je auto en waarbij A.I. de ‘drijvende kracht’ achter de oplossing is.

  • Efficiency slag dankzij A.I. Er zijn veel repeterende en arbeidsintensieve taken die tijd en geld kosten. Artificial Intelligence stelt je in staat om geautomatiseerd deze handelingen over te nemen. Denk aan het automatisch invoeren van gegevens of handelingen die foutgevoelig zijn en nauwkeuriger door A.I. kunnen worden gedaan.

  • Data management middels A.I. Een bedrijf heeft zoveel verschillende databronnen die allemaal met elkaar in verbinding staan waardoor Artificial Intelligence een geschikte methode is om überhaupt de data te kunnen ontsluiten en verwaarden. Een voorbeeld is een relatief nieuwe A.I.-techniek genaamd Computer Vision, die foto’s kan ‘lezen’ en op basis van beelden data kan opslaan en verwerken. Het model vertaalt dus visuele beelden naar gegevens die je kunt opslaan en verwerken in modellen. Beelden worden letterlijk vertaald naar ‘0’en en 1’en’. Voorbeeld: iemand maakt een foto van de achterkant van zijn tv zodat de fabrikant op basis van de foto kan zien wat voor type snoertje je nodig hebt. Vervolgens kun je die informatie opslaan voor inzichten op een later moment.

Last but not least, de ethische kant van Artificial Intelligence. Omdat het model zelflerend is, kunnen deze modellen een ‘eigen leven gaan leiden’. Het model optimaliseert op observaties en verbetert zich gedurende de tijd. Daardoor verliezen wij als ‘mens’ de controle op ‘machines’. Het risico kan ontstaan dat het algoritme niet meer uitlegbaar is en moeilijker te verantwoorden. Het is daarom van belang dat de focus niet alleen ligt op de juiste toepassing maar op de verantwoording. Het bekendste voorbeeld is (helaas) de toeslagenaffaire waarbij algoritmes een te dominante rol hebben gekregen in het besluitvormingsproces. De werking en toegevoegde waarde van A.I. moet je zowel aan klanten als je medewerkers kunnen uitleggen. Ook moet je kunnen verantwoorden als ook uitleggen wat het Artificial Intelligence-model precies doet en waarom het bepaalde keuzes maakt.

Podcasts

Wil je meer horen over concrete toepassingen van Artificial Intelligence in de praktijk en de rol die het krijgt in de samenleving? En wil je horen hoe VodafoneZiggo Artificial Intelligence toepast? Beluister dan eens onderstaande podcasts van DPG Grow:

Blijf op de hoogte van het laatste nieuws voor ondernemers.

Ontvang iedere ochtend onze nieuwsbrief en blijf op de hoogte van het laatste ondernemersnieuws