Er zijn belangrijke verschillen tussen artificial intelligence (ai)-toepassingen voor consumenten en ai-tools die bedrijven helpen om de juiste beslissingen te nemen. Pas wanneer organisaties die verschillen begrijpen, kunnen ze gaan nadenken over een succesvolle inzet van zakelijke ai.
Ai-applicaties die gericht zijn op consumenten – zoals de aanbevelingsopties van Netflix en Bol.com – trainen hun ‘machine learning’-oplossingen door gebruik te maken van heel veel data, van (honderden) miljoenen gebruikers. Ze vertrouwen op ingewikkelde en vaak niet erg transparante algoritmes die eenmalig of periodiek worden getoetst op basis van heel grote hoeveelheden data. Daaruit komen aanbevelingen voor series, films of producten naar voren.
Trainen
Enterprise-ai heeft daarentegen vaak te maken met problemen waarvoor veel minder data beschikbaar zijn om de ai te trainen. Zoals het verbeteren van de ervaringen van medewerkers. De problemen die hiermee worden opgelost, zijn een stuk genuanceerder. Ze zijn meestal specifiek voor een branche of een bedrijf. Daarom moet een enterprise-ai-systeem in staat zijn om snel en efficiënt de nuances van een bepaalde applicatie of industrie te begrijpen. Zelfs als er weinig data beschikbaar zijn.
Deze speciaal gebouwde ai-oplossingen worden vaak ingezet op plekken waar strategisch denken een grote rol speelt. Bovendien moeten enterprise-ai-applicaties vaak voldoen aan strenge wettelijke eisen, vooral als ze afhankelijk zijn van persoonsgegevens of gebruikt worden in sectoren zoals de gezondheidszorg of de financiële sector. Van deze ai-systemen wordt verwacht dat ze transparant en verklaarbaar zijn, zodat gebruikers kunnen begrijpen hoe voorspellingen worden gedaan of hoe beslissingen worden genomen.
Drie terreinen
Organisaties zetten ai doorgaans op de volgende drie terreinen in:
- Procesautomatisering
In dit geval analyseert het ai-systeem historische data om de eigenschappen van een routinematig besluitvormingsproces te vormen. Vervolgens past het de modellen toe om de beslissingen te automatiseren of een selfservice mogelijk te maken. Voorbeelden hiervan zijn bijvoorbeeld een hr-app die automatische antwoorden geeft op vragen van gebruikers over bijvoorbeeld voordelen of reisbeleid. Of een ai-systeem dat inkomende verzoeken of incidenten automatisch in de juiste groep of wachtrij plaatst zodat de juiste persoon ermee aan de slag kan.
- Ondersteunende ai
Veel enterprise ai-systemen helpen werknemers bij hun dagelijkse werk, waardoor ze de meer eenvoudige, telkens herhalende taken sneller en met minder inspanning kunnen voltooien. Daardoor kunnen ze zich meer concentreren op uitdagende taken waar meer creativiteit en kennis voor nodig is.
In datacenters analyseren ai-systemen bijvoorbeeld enorme hoeveelheden waarschuwingen en storingsberichten uit logbestanden van servers, netwerken, services en applicaties om de belangrijkste hoofdoorzaken eruit te filteren. Een beheerder van het datacenter kan deze informatie vervolgens gebruiken om een passende oplossing te bedenken.
- Automation discovery
Verschillende grote bedrijven gebruiken ai om extra mogelijkheden voor automatisering te ontwikkelen. Een algoritme kan bijvoorbeeld kijken naar alle historische processen die bij een bepaalde taak horen, de volgorde analyseren en aangeven hoe het efficiënter kan. Of kijken naar alle meldingen die in drie maanden tijd bij de klantenservice zijn binnengekomen, in kaart brengen waar de overlap zit en bepalen wat de hoofdoorzaak van de problemen is. De ontwikkelaars kunnen dit direct meenemen in hun volgende versie van het product of de oplossing die ze realiseren.
Naarmate ai zich verder ontwikkelt en volwassener wordt, zullen we aanvullende mogelijkheden van ai zien, gebaseerd op bovenstaande categorieën. Want hoewel enterprise-ai nog in de kinderschoenen staat, worden workflows nu al intelligenter en steeds meer geautomatiseerd. Bedrijven verbeteren hun vaardigheid om bedrijfsresultaten te voorspellen en sneller te reageren op onverwachte gebeurtenissen. Naarmate enterprise-ai volwassener wordt, zullen deze voordelen zich vermenigvuldigen.
(Auteur Vijay Narayanan is chief ai officer bij ServiceNow.)
Ai-applicaties die gericht zijn op consumenten hebben de trekjes van Big Brother doordat ze vanuit commerciële overwegingen profileren, het is de sjoemelsoftware die banken gebruik(t)en om hun klanten uit te wringen. Verder klinkt je model trainen door heel veel data te analyseren meer als ouderwetse analyses van BI want sap-er-de-flap is er een groot verschil tussen exception- and exemption management binnen de statistiek.
Ik weet dus niet zo goed wat ik me voor moet stellen bij Enterprise AI, het analyseren van historische data om daar een trend uit de extrapoleren is gewoon tenslotte hetzelfde. En hetzelfde geldt voor het filteren van events in monitoringsystemen door ‘management by exception’ want je wilt pas geïnformeerd worden over de brandstofvoorraad als deze bijna op is en creativiteit is er vooral nodig bij FUBAR.
Oja, leren van fouten en deze niet meer maken in een volgende release zou een evolutie betekenen maar tot op heden zie hier weinig van terug in de ai-applicaties. Stellen dat enterprise-ai nog in de kinderschoenen staat betekent vooral dat er nog kinderziekten inzitten en dat de weg naar volwassenheid met vallen en opstaan gaat waardoor bedrijfsmatig de vraag over het rendement komt.