4min

Data groeit steeds meer uit tot één van de meest waardevolle bezittingen van organisaties. Het wordt soms ook wel vergeleken met het nieuwe goud of de nieuwe olie, vanwege de talloze mogelijkheden die het biedt. Het is bijvoorbeeld een ‘enabler’ van kunstmatige intelligentie (AI), terwijl het ook waardevolle inzichten in processen oplevert. De vraag hoe je data het allerbest in kan zetten binnen de organisatie komt door de vele mogelijkheden dan ook al snel bovendrijven. Om een zo goed mogelijk antwoord te vinden, is het volgens SAS verstandig dat een organisatie zich afvraagt welk probleem het probeert op te lossen en hoe analytics bij kan dragen aan de oplossing.

Door aanvankelijk in te zoomen op het probleem zorg je ervoor dat je zo nuttig mogelijk met data om gaat. De verwachtingen rondom data, en daarmee automatisch analytics en AI, zijn zoals gezegd hoog. Organisaties voelen zich daardoor geneigd om hierop in te springen, zodat ook zij waarde halen uit hun data. Ze zetten dan een data science-team op dat een aantal modellen bouwt, maar die zijn dan niet gericht genoeg om het volledige potentieel uit de data te halen. Als er wel gekeken wordt naar een probleem of de problemen waar de organisatie mee te maken heeft, dan kunnen modellen precies ingezet worden voor de beste gebruikstoepassingen.

Voorbeeld van ‘problem solver’ spreekt aan

SAS heeft mede daarom zijn analytics-platform verder verbeterd om bedrijven en organisaties in staat te stellen het beste uit hun data te halen en AI in hun organisatie te implementeren. Op het recente SAS Global Forum werd bijvoorbeeld de specifieke gebruikstoepassing van het Amsterdam UMC uitgelicht. Bij het onderzoek naar en de behandeling van darmkanker liepen de gespecialiseerde artsen tegen bepaalde uitdagingen aan. De uitdaging zat hem onder meer in het meten van de omvang en het volume van een tumor, wat normaliter meer dan 20 minuten aan handmatig werk in beslag nam. Het betreft een proef waarbij er gestreefd wordt naar een gepersonaliseerd behandelplan, door uiteindelijk de effectiviteit van een behandeling voor het individu te voorspellen. Ook hoopt men dat het onderzoeksresultaat bruikbaar wordt voor het behandelen van andere vormen van kanker.

Om dit te realiseren zet Amsterdam UMC computer vision en een machine learning-model in. Het model is gebaseerd op een zogeheten ‘convolutional neural network’, wat wil zeggen dat er een algoritme gebruikt wordt om bepaalde waardes toe te kennen aan onderdelen van een object. Belangrijk aspect van een dergelijk neuraal netwerk is dat het niet vooraf intensief getraind moet worden, maar dat het zelf bepaalde kenmerken kan leren. De SAS-technologie kan dan zelfstandig de beelden beoordelen, wat tevens een stukje subjectiviteit van de arts weg moet nemen. Het idee is dat computer vision en de predictive analytics-mogelijkheden objectievere en accuratere evaluatiecriteria hanteren dan de artsen.

Platform uitbouwen om meer te ondersteunen

Amsterdam UMC geeft daarmee het voorbeeld dat een specifieke uitdaging grondig bekijken potentieel leidt tot een aanzienlijke verbetering van een geheel proces. In principe biedt het SAS Platform de basis voor het oplossen van allerlei problemen, zoals het bekijken van uitdagingen binnen het CRM-proces of een bank die de kredietscore onder klanten wil verbeteren. Om in de toekomst nog meer problemen op te lossen heeft SAS aangekondigd de komende jaren te investeren in nieuwe AI-technologieën en -oplossingen. Deze ontwikkelingen maken deel uit van de onlangs aangekondigde investering van 1 miljard dollar (880 miljoen euro) in AI om software-innovatie en AI-acceptatie wereldwijd te stimuleren.

De afgelopen jaren ging de aandacht onder andere uit naar computer vision, natural language processing (NLP) en deep learning, maar ook de ondersteuning voor oplossingen van andere IT-vendoren kon beter. Hierbij kun je denken aan het stroomlijnen van SAS deployments in AWS, Microsoft Azure en Google Cloud Platform en het halen van data uit SAP- en Oracle-databases. Over het algemeen hebben databases een bepaalde structuur die data-extractie lastig maakt, waardoor cruciale data voor business intelligence (BI) moeilijk te verkrijgen is. Om dit te adresseren heeft SAS bijvoorbeeld een omgeving om dataextractie uit SAP-systemen te realiseren.

Voor SAS is het samenwerken met andere bedrijven dus iets wat steeds belangrijker wordt. De mogelijkheden voor de professionele gebruiker zullen ook blijven toenemen. Wat SAS misschien nog wel belangrijker vindt is het bruikbaar maken van analytics voor iedereen. Idealiter kan de data scientist in gesprek met andere IT’ers en bestuurders over modellen en algoritmes, zodat het vertrouwen in AI kan groeien. Met de nieuwste versie van het SAS Platform worden complexe taken die nodig zijn om geavanceerde analytische modellen te bouwen geautomatiseerd. Hierdoor kunnen ook zakelijke gebruikers en leidinggevenden deze interpreteren en daaruit een goed gedocumenteerd verslag maken om sneller beslissingen te nemen.

Blijven innoveren in een snel veranderende wereld

Het is best logisch dat SAS steeds meer verschuift naar ‘analytics and AI for everyone’. Enerzijds zal het de acceptatie van de technologieën bevorderen, zodat ze nog meer problemen op kunnen lossen. Anderzijds beschikken cloud providers en SaaS-leveranciers steeds vaker over analytics tools die op één of andere manier concurreren met wat SAS doet. Dat maakt de noodzaak om te innoveren ook groter.

Uiteraard levert SAS op veel vlakken unieke software. De uitgebreide beheeropties voor modellen is bijvoorbeeld iets waar niet veel andere software providers aan kunnen tippen, wat essentieel is voor de AI-adoptie. Daar profiteert de eigen SAS-taal van, net als de ondersteunde open source-talen Python en R. Voorlopig voldoen die talen aan de verwachtingen van gebruikers, al belooft het bedrijf ons eventueel extra talen toe te voegen als daar vraag naar is. De data science-wereld verandert immers snel. We zijn dan ook benieuwd hoe SAS blijft innoveren.