4min

Kunstmatige intelligentie (AI) wordt op steeds meer gebieden toegepast, van virtuele assistenten tot zelfrijdende auto‘s. Tegelijk is er veel discussie over de wetenschappelijke, economische, sociale en politieke gevolgen ervan. Een ding is helder: AI is een veelkoppig monster met talloze toepassingsmogelijkheden. Maar welke sluiten het beste aan op jouw organisatie?

Het heeft lang geduurd voordat kunstmatige intelligentie de sprong maakte van universiteiten naar het bedrijfsleven. Inmiddels is het tij echter gekeerd, mede door de prijsdaling van dataopslag en de toegenomen rekenkracht. Inmiddels lezen we continu verhalen over nieuwe doorbraken en zakelijke  toepassingen, maar ook over de potentiële gevaren.

De vorm van AI die het meest wordt toegepast, valt onder de noemer ‘zwakke AI’. Dit omvat een uitgebreide reeks methoden, procedures en technologieën om op basis van gegevens nauwkeurige modellen te ontwikkelen of te trainen, en die toe te passen. Zo kunnen organisaties betere beslissingen nemen en voorspellingen doen. Welke methoden precies worden gebruikt, kan het gemakkelijkst worden uitgelegd aan de hand van concrete use-cases, die ik later in dit stuk zal behandelen.

Symbolisch en subsymbolisch

AI kan worden onderverdeeld in zogeheten symbolische en subsymbolische systemen. In een symbolisch systeem worden regels en relaties toegepast op concepten die door de mens begrepen kunnen worden. Denk bijvoorbeeld aan de eigenschappen van het begrip ‘vader’ om deze personen uit een diverse groep mensen te kunnen scheiden.

Subsymbolische systemen daarentegen zijn grotendeels black box-systemen voor de mens, waarvan zowel de werkwijze als de inhoud vrijwel onmogelijk te bevatten is. De vaders uit het eerdere voorbeeld worden hier op basis van een vlakverdeling in een multi-dimensionale dataruimte uitgesplitst, waar op zichzelf al amper te volgen is.

Welk AI-systeem het meest geschikt is, hangt af van de context van de toepassing en het type organisatie. Stel bijvoorbeeld dat de regelgeving voorschrijft dat beslissingen over leningsverplichtingen of de goedkeuring van bouwprocedures begrijpelijk en transparant moeten zijn, dan zijn subsymbolische procedures uit den boze.

Toepassingen AI-systemen

Kunstmatige intelligentie ontleent zijn intelligentie aan leren en modelleren. Machine Learning (ML)  biedt de mogelijkheid om een model automatisch te trainen op basis van gegevens. Er bestaan verschillende vormen, namelijk begeleid, onbeheerd en ‘reinforcement’ leren:

  • Begeleid leren betekent dat deskundigen vooraf een procedure moeten vastleggen voor het verwerken van een reeks trainingsdata om tot de juiste beslissing te komen. Aangezien er vaak veel training nodig is om tot goede resultaten te komen, is de vereiste inspanning vaak hoog.
  • Bij onbeheerd leren wordt het systeem meer vrij gelaten om verbanden te vinden tussen gegevens op basis van hun gelijkenis of afstand, zonder dat deskundigen hiervoor regels of procedures moeten invoeren. Bij deze vorm is de enige benodigde input meestal het aantal inzichten dat gevonden moet worden.
  • Onder de term ‘reinforcement learning’ vallen procedures die leren op basis van directe feedback en niet door het geven van trainingsvoorbeelden. De gewenste resultaten staan hier vast, en het systeem gaat op zoek naar de meest optimale route naar het gewenste resultaat. Bekende toepassingen zijn het leren spelen van strategische spellen als schaken en Go of videogames.
  • Los van de gekozen variant kan een model dankzij ML allerlei verbanden herkennen en nieuwe inzichten verschaffen. Dit levert een breed scala aan mogelijke toepassingen op, zoals bijvoorbeeld:
  • Alarmeringssystemen in de machinebouw, waarbij het systeem de mechanismen die tot falen leiden in een vroeg stadium leert interpreteren.
  • Integratie en koppeling van gegevens uit verschillende gegevensbronnen om daarin verbanden te kunnen zoeken. Denk bijvoorbeeld aan klantinteracties via social media en een webshop of helpdesk.
  • Het deels of vol volautomatisch herkennen van relevante tekstpassages in ongestructureerde documenten, zoals het proces van schademelding bij verzekeringsmaatschappijen.
  • Automatische procedures voor het opsporen en voorkomen van fraude in de financiële of verzekeringssector, ofwel fraudebestrijding.
  • Cameraregistratie en – bewaking, waarbij ML-modellen als autonome cameramannen fungeren, bijvoorbeeld om inbrekers en dieven te detecteren of voetbalwedstrijden te registreren met de meest relevante en spannende cameraposities.

Complexe oplossingen

Organisaties met complexe systemen passen vaak combinaties van verschillende AI-methoden toe. Neem dit voorbeeld uit de praktijk: een bank waarbij fondsbeheerders voor hun beleggingsbeslissingen op interne bankadviseurs vertrouwen. Deze deskundigen lezen allerlei analyses, bijvoorbeeld over de ontwikkeling van industriële sectoren in verschillende regio’s van de wereld. Het is bijna onmogelijk voor individuen of teams om alle relevante informatiebronnen bij te houden en daar vervolgens de juiste kennis en onderlinge relaties uit te halen. Met AI-procedures kan je alle beschikbare rapporten automatisch analyseren en de inzichten vervolgens in natuurlijke taal beschikbaar te stellen. Met Natural Language Processing worden de teksten geanalyseerd om zo de informatie te extraheren, zodat die vervolgens machinaal verwerkt kan worden. De verkregen informatie wordt daarna in een kennissysteem opgeslagen, dat op basis van een complex model investeringsbeslissingen kan voorstellen. Financiële experts kunnen hun vragen rond beleggingsadvies zelfs  in de vorm van natuurlijke taal stellen, vergelijkbaar met de manier waarop we dat doen met virtuele assistenten als Alexa, Google Assistant, Siri en Cortana.

Er is steeds meer vraag naar dit soort complexe AI-toepassingen, waarbij diverse technieken gebruikt worden om een organisatie op een efficiënte manier van de juiste inzichten te voorzien.

Praktisch toepasbaar

Het mag duidelijk zijn dat AI de conceptuele fase is ontstegen en tegenwoordig steeds meer waarde toevoegt aan organisaties. Toch zijn concrete toepassingen niet altijd vanzelfsprekend, zeker als een organisatie met complexe systemen, processen en regelgeving te maken heeft. Het is daarom van belang om advies in te winnen bij een ervaren adviseur met ervaring in zowel het integreren van AI-toepassingen in bestaande IT-systemen, als de complexe algoritmes en procedures die nodig zijn voor het effectief toepassen van kunstmatige intelligentie. Alleen dan zullen investeringen in AI ook daadwerkelijk tot bruikbare inzichten en resultaten leiden.

Dit is een ingezonden bijdrage van Jan Heuker, Managing Director bij adesso Netherlands. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.