Kunstmatige intelligentie bestaat al lang. Toch zien managers nu pas de commerciële kansen van deze betaalbare rekenkracht in. Met welke achtergrond kun je tot dit vakgebied toetreden en over welke competenties moet je daarvoor beschikken? Computable vroeg het de experts.
Jan Veldsink, docent bij RightBrains, adviseert om allereerst inzicht in het kunstmatige intelligentie-vakgebied te verkrijgen.
‘Kunstmatige intelligentie is een breed vakgebied dat zich uitstrekt van het programmeren van algoritmes tot het doen van biomedisch onderzoek. Het is een samenspel van disciplines: van spraakherkenning, machine-learning en robotica tot beeldherkenning, businessrules en natuurlijke taalinterpretatie (nlp). Je kunt je voorstellen dat daarvoor bijvoorbeeld nlp-kundigen, programmeurs en medewerkers die goed taal modelleren, nodig zijn. Het is aan jou om te zien waar jouw talenten en ervaringen liggen en daar een vakgebied bij te kiezen.’
Om stappen te maken in kunstmatige intelligentie is een achtergrond of ervaring met businessproces-analyse, data-analytics en masterdatamanagement (mdm) een vereiste, stelt Timo Fine, Benelux-manager bij Wipro Technologies. ‘Data-analyse helpt om beter te voorspellen, maar vooral bij het sturen op basis van alle beschikbare data.’
Analytisch en overtuigend
‘Een ding is zeker: wie met artificial intelligence (ai) aan de slag wil, zal moeten begrijpen hoe de business in elkaar steekt’, vervolgt Fine. ‘Ai is geen hobbyproject, maar serieuze business. Dit betekent dat functionarissen in staat moeten zijn om businesscases op te stellen. Naast een technische, bedrijfskundige of economische opleiding met een grote portie wiskunde en/of statistiek, moet je beschikken over een passie voor het puzzelen met data en moet je ‘gevoel’ hebben voor voorspellende modellen.’
Volgens Veldsink vertaalt zich dit in de volgende competenties: analytisch, flexibel, openstaan voor nieuwe ervaringen en ideeën, initiatiefrijk en buiten gebaande paden willen en kunnen wandelen.
Fine vult aan dat overtuigingskracht en kunnen communiceren op diverse niveaus ook kerncompetenties zijn om toegevoegde waarde in kunstmatige intelligentie te bieden. Dit omdat de boardroom nog twijfelt over de commerciële kansen van de technologie. ‘Bovendien heerst op de werkvloer vooral onzekerheid en angst voor banenverlies.’
Bedrijfsprocessen automatiseren
Hoe maak je binnen een organisatie stappen in kunstmatige intelligentie? Fine meent dat dit begint met het identificeren van bedrijfsprocessen waar ai eventueel toegevoegde waarde kan bieden.
‘Dat kan in de back-end zijn, waar bots routinematige taken van mensen overnemen. Ook in de front-end liggen mogelijkheden. Bijvoorbeeld bij het analyseren en monitoren van prospects en het voldoen aan wettelijke verplichtingen, zoals know your customer in de financiële dienstverlening.’
‘Ondernemingen doorlopen stapsgewijs een adoptieproces op weg naar volwassenheid op het gebied van kunstmatige intelligentie. Globaal starten ze met een lage graad van automatisering, dat overgaat tot extreme vormen van automatisering. Hyper automation is het sluitstuk’, vervolgt hij.
‘Aan het begin van deze roadmap ligt het accent op het standaardiseren van processen en het automatiseren van taken en activiteiten. Later komt de nadruk te liggen op procesautomatisering, zelflerende, interactieve software-robots en algoritmes die autonoom beslissingen nemen. Sluitstuk vormen (vooralsnog) de deep learning-netwerken, neurale netwerken die zelf kunnen redeneren.’
Twee methodes
Fine vertelt dat bedrijven op twee manieren kunstmatige intelligentie kunnen implementeren.
‘Als het doel helder is, kan de directie kiezen voor een klassieke benadering met drie eenvoudige stappen: na een proof of concept wordt een pilot gedraaid (eventueel in een publieke cloud) en daarna gaat de ai-toepassing in productie en vindt opschaling plaats.’
Hij vervolgt: ‘Als het managementteam nog geen uitgekristalliseerde visie heeft en niet weet wat het met AI wil bereiken, is beter te kiezen voor een meer iteratieve benadering. Het team selecteert use-cases en op basis van gerealiseerde toegevoegde waarde bepaalt het steeds de (richting van de) volgende stap.’
Experimenteren
Peter Woods, ai-specialist bij Pegasystems, geeft tot slot tips voor ai-specialisten.
‘Wees toepassingsgericht en denk zakelijk. Richt je op praktische toepassingen voor organisaties en bedrijven en zorg ervoor dat je je niet te veel richt op the inner circle van ai-experts. Werk daarom met mensen uit verschillende disciplines.’
Woods adviseert om te experimenteren met nieuwe technieken.
‘Zorg voor drie tot vier prototypes per jaar in diverse toepassingsgebieden en industrieën. Laat liggen wat niet werkt en probeer liever iets nieuws. Je mag best vertellen wat niet werkt, dit verhoogt je geloofwaardigheid en laat je kritisch vermogen. Presenteer de resultaten, hoe kleinschalig ook, en laat het potentieel van kunstmatige intelligentie zien.’
Ik ben benieuwd wanneer die voorbeelden van “AI” getoond gaan worden en welke projecten daadwerkelijk iets met AI gedaan hebben. Zelfs block-chain wordt al vaker en concreter toegepast.
Veel van de projecten hebben een hoop bla bla gehalte of zijn BI met een ietsje pietsje machine learning of processen die een beetje data-driven zijn.
Ik zou veel van het gestelde met een flinke korrel zout nemen, of zoals de amerikanen het zo mooi zeggen; “Pictures, or it didn’t happen”.
Geef me links, laat het zien, leg de onderliggende principes uit. Zonder dat is het luchtfietsen.
Overigens zijn er echt wel veel voorbeelden te noemen waarin machine learning wordt toegepast zoals diverse “intrusion detection systems”, of patroonherkenning uit log bestanden. Of het voorspellen van transacties die frauduleus zijn.
Maar dat is nauwelijks AI te noemen en zelden zelf-lerend.
Ik pleit voor NI – Natural Intelligence – daarmee komen we veel verder, en daaraan ontbreekt het helaas nog al te vaak.
De term “AI” begint ook een beetje vaag te worden. Met cognitieve processen zijn ze heel ver tegenwoordig, maar dat is puur een bouwsteen voor een eventueel echt zelfbewuste machine.
Recent naar de verfilming van “Ghost in the Shell” geweest en daar was het oorspronkelijke plotlijn van de Anime ook vervangen voor iets minder vaags. In de tekenfilm ging het plot namelijk over een programma dat een ‘ziel’ had ontwikkeld.
Volgens mij gaat in het artikel vooral over ‘agents’. Niet veel meer zoals computer gestuurde tegenspelers in videogames. Je kan dezelfde technologie natuurlijk prima toepassen op bedrijfsprocessen.
Ben het helemaal eens met de roep om praktische voorbeelden. Er gaat een hoop fuzz rond in de naam van AI. Een echt voorbeeld zijn adaptieve models die tijdens klantcontacten draaien. Het systeem leert in real-time alle resultaten van gesuggereerde en besproken proposities of ze nu goed of slecht vielen en past dit toe in alle nieuwe conversaties. Het levert ook nieuwe segmenten op die voorheen niet te bepalen waren. De models hoeven niet uitgebreid vooraf gedefinieerd te worden (dat kan ook niet want ze leren tijdens de interacties), maar gaan ‘meelopen’ tijdens conversaties totdat ze voldoende voorspellend kunnen zijn. ik wil hier niet teveel een specifieke oplossing pluggen, maar meer het toepassingsgebied. Ik ken een aantal grote banken, verzekeraars en telecom bedrijven die dit succesvol al vele jaren toepassen.
Zolang wij nog “gewone” automatisering onvoldoende goed kunnen uitvoeren, ondanks de inzet van onze natuurlijke intelligentie, zou ik mij geen illusies maken over de combinatie ICT en kunstmatige intelligentie, wat daar ook onder verstaan mag worden…
Ik heb een Google Alert ingesteld op Artificial Intelligence en daar zitten nu elke dag meer dan 50 nieuwe meldingen tussen. Wat AI ook is, het is in ieder geval hot. En als het echt zelf-lerend is des te interessanter om in de gaten te houden en de case studies te bekijken. In het kader van dit artikel een must.
Een interessante vraag: hoe zet je volgende stappen in kunstmatige intelligentie.
Mijn voorstel zou zijn:
1. vervang alle flowcharts binnen een bestaande applicatie door beslissingstabellen (uitdaging!) of beschrijf de functionaliteit van nieuwe bedrijfsapplicaties direct met beslissingstabellen, en
2. gebruik deze beslissingstabellen in 5GL-applicatiegeneratoren binnen service-georiënteerde architecturen, teneinde doelgerichte redeneermechanismen (dus AI) mogelijk te maken.
Zodat het idee van SOA nu eindelijk eens van de grond komt. En niet langer gekaapt wordt door wetenschappelijke disciplines als Business Process Management (BPM) en Business Rules Management (BRM).
Wat punt 2 betreft is het vervolgens nog even wachten totdat dit soort 5GL RAD-tools op de markt worden gebracht. Nu ik inmiddels 20 jaar werkzaam ben in het edele vak van het software testen ben ik zeer geïnteresseerd in een overstap naar een organisatie of een leverancier die actief is op dit gebied. Met het mailknopje onder mijn profiel ben ik altijd te bereiken.
In ieder geval leveren zowel een datagedreven, inductieve aanpak als een regelgedreven, deductieve aanpak geen levensvatbare volgende stappen in kunstmatige intelligentie. Dat vereist toch echt betere ideeën voor het concept van selfservice!