Zowel artificiële intelligentie (ai) ofwel kunstmatige intelligentie (ki) als business intelligence (bi) bestaan al enige tijd. Al die tijd leefden ze apart van elkaar. Maar nu zien we de convergentie van deze concepten, vooral door de opkomst van data-gedreven methoden.
Ai vindt zijn oorsprong eind jaren zeventig van de vorige eeuw door het gebruik van menselijke denkmodellen, data of kennis-gedreven. Bi kwam aan het begin van de huidige eeuw tot bloei, vooral door het volwassen worden van datawarehousing.
De uitdaging voor bi ligt in het beter grip hebben op het heden en vervolgens steeds beter zicht krijgen op de toekomst. Daar is waar ai ons bij kan helpen, vooral met data mining en machine learning technieken, maar ook met meer explicietere kennis-gebaseerde methoden.
Ai biedt de mogelijkheid om data, ervaring en kennis voor zichzelf te laten spreken en bi’s beslissingsondersteuningsmogelijkheden meer in het heden te gronden en uit te breiden naar de toekomst. Het samenbrengen van impliciete en expliciete knowhow.
Succesvolle hybride modellen
Het verleden heeft al een aantal succesvolle hybride modellen voortgebracht. Bijvoorbeeld, het combineren van solide (‘sound’) statistische modellen met data-gedreven benaderingen: een brouwerij heeft het beginwaardeprobleem van zijn statistisch procesmodel voor fermentatie aangepakt door gebruik te maken van data-gedreven modellen getraind met experimenteel verworven sensor data.
De meeste ai-applicaties, met name die data-gedreven werken, zijn van operationele aard. Zoals het controleren van regelwaarden bij productie-installaties of de planning van de energielogistiek op basis van de werkelijke weersomstandigheden en energievraag. Maar er worden stappen ondernomen om de impact van ai op tactische en strategische plannen te verhogen. Lange-termijn vraagpatronen en sociaal-demografische veranderingen, te achterhalen uit diverse grote datasets, kunnen gebruikt worden voor meer langetermijnplanning. De link met big data is (over)duidelijk.
De volgende stap is de rol die ai speelt uit te breiden naar meer expliciete kennisverwerving. Zoals geautomatiseerde kennis-elicitatie en -acquisitie, gebruikmakend van variaties op technieken als laddering (‘ladderen’), concept (of kaart) sortering en repository grids (of matrices, analyseerbaar met clustering algoritmes). Je kunt serious gaming inzetten om aan de ene kant observaties te vergaren en aan de andere kant beslis- en bedrijfsregels te ontdekken. Ondernomen acties, genomen beslissingen, ingezette interacties en uitgevoerde transacties, vormen het ruwe materiaal. Interacterend met bijvoorbeeld klanten, patiëntenzorgcirkel of medewerkers. Met een outside-in blik op je organisatie, waarmee je de klant, burger, reiziger, patiënt een duidelijker inbreng geeft.
Scenario- en what-if analyses bieden organisaties, gebruikmakend van impliciete data-gedreven en expliciete kennis- en bedrijfsregel-gedreven voorspellingsmodellen, in lijn met planning, budgettering en forecasting, een krachtige beslissingsondersteunende machinerie.
Ethische controles
Uiteraard moet je ethische controles hebben om dit proces correct te beheersen. En gebruikmaken van metadata en meta-kennis om deze, waarschijnlijk op het einde, voorschrijvende (‘prescriptive’) en ingebedde besluitvorming te sturen. Op verschillende niveaus zal leren (modelleren), testen en verificatie moeten plaatsvinden die een betrouwbaar en transparant gebruik en ontwikkeling van deze modellen bestuurt. Nogmaals, met een outside-in aanpak, om ervoor te zorgen dat de diverse belanghebbenden binnen en buiten de organisatie op een doordachte wijze worden betrokken.
Ik denk dat we nog maar aan het begin van het huwelijk tussen ai en ba staan, een verbintenis die niet alleen veelbelovend is, maar ook duurzaam. Een huwelijk dat organisaties kansen biedt om responsief met hun ecosysteem mee te bewegen, proactief hun doelen te managen en een echte lange-termijnpartner te worden voor hun stakeholders.
Dit is een (vrije) vertaling van mijn LinkedIn-artikel ‘The promising marriage between AI & BI’.