"Verreweg het grootste gevaar bij kunstmatige intelligentie is dat mensen te vroeg besluiten dat ze het begrijpen." [1]
Kunstmatige intelligentie (Artificial Intelligence of AI) is momenteel een van de populairste modewoorden in de technologiesector, en met goede reden. Terwijl het vroeger uitsluitend in sciencefiction bestond, zien we de afgelopen jaren verschillende innovaties en ontwikkelingen stilaan realiteit worden.
En hoewel we er de hele tijd van alles over horen, is de effectieve betekenis van AI niet altijd even duidelijk. Bovendien is ook de implementatie ervan niet zo vanzelfsprekend. Context en de juiste competenties zijn key.
In dit artikel geven we een high-level overzicht van de essentie van AI om zo de basis te leggen voor het antwoord op de vraag: hoe kunnen bedrijven AI bezitten én met succes implementeren, zodat het de investering ook waard is?
Daar gaan we!
Het was in 1955 dat computerwetenschapper John McCarthy de term 'kunstmatige intelligentie' bedacht. Hij ontwikkelde bovendien ook de eerste AI-programmeertaal, Lisp.
Wat betekent kunstmatige intelligentie precies?
AI is een methode om een computer, een computergestuurde robot of software net als de menselijke geest te laten denken en redeneren. Om tot dit resultaat te komen dient men de patronen van het menselijk brein te bestuderen en de bijhorende cognitieve processen te analyseren. De uitkomst van dit soort studies is de ontwikkeling van intelligente software en systemen.
AI bestaat uit een combinatie van machine learning-technieken en zogeheten deep learning. De onderstaande grafiek toont wat deze technieken precies inhouden en hoe ze verbonden zijn met de uitkomst van AI: [2]
Om het complexe concept van machinaal leren beter te visualiseren, gaan we even de keuken in:
Tot zover de keukenanalogie, want machine learning 'apparaten' zijn veel slimmer dan de gemiddelde oven - ze verwarmen niet alleen het voedsel, maar kunnen ook leren hoe een heel gerecht te bereiden! [3]
Het kan een no-brainer lijken, want er zijn tenslotte maar weinig mensen die nee zouden zeggen tegen een gerecht dat voor hen wordt bereid. Toch?
Nu mensen en machines steeds nauwer samenwerken en AI-innovaties vanuit het onderzoekslaboratorium in bijna elke bedrijfssector de mainstream bereiken, is het aantal transformerende 'gerechten' dat kan worden bereid duizelingwekkend.
Vandaag de dag heeft reeds 37% van de organisaties één of andere vorm van AI geïmplementeerd. Hoewel dat nog steeds een laag cijfer lijkt, is de groei in de afgelopen vier jaar van bedrijven die AI inzetten, vertegenwoordigd door een veel groter percentage van 270%. [4]
Als we kijken naar de concrete motivaties waarom bedrijven AI inschakelen, zien we voornamelijk de volgende economische drijfveren terugkomen:
Deze toegenomen vraag, die het resultaat is van de beschikbaarheid van persoonlijke assistenten in onze mobiele telefoons tot de profilering, personalisering en cyberbescherming die achter steeds meer van onze commerciële interacties schuilgaan, laat zien dat AI bijna elk aspect van ons leven raakt.
Men voorspelt dat in 2025 95% van de interacties met klanten door AI zal worden aangestuurd. En dat is nog maar het begin.
Als we kijken naar de inkomstenkant van het verhaal, zal het wereldwijde bruto binnenlands product (bbp) in 2023 naar alle verwachting tot 14% hoger zijn als gevolg van de versnelde ontwikkeling en toepassing van AI - het equivalent van een extra 15,7 biljoen dollar.
Dat is meer dan de huidige productie van China en India samen. Daarbij zal $6,6 biljoen waarschijnlijk terug te leiden zijn tot een verhoogde productiviteit en $9,1 biljoen tot neveneffecten van consumptie.[5]
Tegenover inkomsten staan natuurlijk ook kosten. En die kunnen een uitdaging vormen om van de implementatie van AI een succes te maken.
In 2023 gaven bedrijven wereldwijd ongeveer 97,9 miljard dollar uit aan AI. [6]
En terwijl enkele van 's werelds grootste bedrijven zoals Amazon en Alphabet, het moederbedrijf achter Google, ronduit floreren dankzij AI, rapporteert de meerderheid van de bedrijven die investeringen in AI doen geen positief rendement.
Uit een AI Global Executive Study and Research Report van MIT Sloan Management Review en Boston Consulting Group (BCG) uit 2019 bleek dat 90% van de respondenten het erover eens is dat AI een business opportuniteit vormt voor hun bedrijf.[7]
Dat gezegd zijnde, zag een groeiend aantal leiders AI niet alleen als een kans, maar ook als een strategisch risico: "Wat als concurrenten, met name nieuwkomers, AI eerder doorhebben dan wij?"
Bovendien zijn er ook veel AI-initiatieven die mislukken. 70% van de onderzochte bedrijven meldt dat AI tot nu toe weinig of geen impact heeft gehad. Van de 90% van de bedrijven die enige investeringen in AI hebben gedaan, rapporteerde minder dan 40% zakelijke voordelen dankzij AI in de afgelopen drie jaar. Dit aantal ging wel omhoog tot 60% wanneer ook bedrijven werden meegeteld die al aanzienlijk in AI hadden geïnvesteerd.
Toch betekent dit dat 40% van de organisaties die aanzienlijk in AI investeerden, geen zakelijke voordelen van deze investeringen meldden.
Om optimaal gebruik te kunnen maken van de mogelijkheden en om een succesvolle AI-implementatie die leidt tot bedrijfswinst te realiseren, moeten het bedrijf en de technologische infrastructuur met elkaar gealigneerd zijn.
Voordat we kijken naar wat er nodig is om de juiste resultaten te behalen vanuit een zakelijk perspectief, staan we eerst stil bij de technische trainingsaanpak om tot de juiste vaardigheden voor het machine learning-proces te komen.
Programmeurs en onderzoekers voegen continu meer vaardigheden aan de lijst toe, maar het komt er in essentie op neer dat we de volgende drie cognitieve vaardigheden van het menselijke brein goed moeten beheersen:
Voorbeelden van taken die door AI-getrainde apparaten worden uitgevoerd zijn onder andere:
De belangrijkste ingrediënten die nodig zijn voor een succesvolle integratie van machine learning in bedrijfsprocessen - en die uiteindelijk leiden tot zakelijk succes - zijn:
De onderstaande grafiek laat duidelijk zien hoe deze drie pijlers van elkaar afhankelijk zijn en hoe ze alledrie fundamenteel zijn voor het succes van de integratie. [9]
Laten we dieper ingaan op de integratie van machine learning in bedrijfsprocessen. Dat is immers een essentieel startpunt van een AI-project.
Over het algemeen kan machine learning de bedrijfsprocessen op twee manieren verbeteren:
AI integreren in een bedrijfsproces is pas echt mogelijk als het model voor machine learning beschikbaar is in een productiesysteem - dus niet in een testomgeving. Dit in productie nemen wordt ook wel deployment genoemd. Een succesvol deploymentproces is snel, betrouwbaar en voorspelbaar. In de perfecte wereld is uw organisatie in staat om voortdurend modellen voor machine learning te verbeteren en in te zetten.
Er spelen verschillende factoren om de bedrijfsintegratie succesvol en soepel te laten verlopen. Hieronder lijsten we ze één voor één op en geven we per factor aan waar precies op te letten:
Een traag implementatieproces kan een spelbreker zijn omdat het de gebruikersacceptatie belemmert en tegelijkertijd ook het vertrouwen in de applicatie vermindert. Dit kan zelfs rampzalig uitdraaien omdat vertrouwen één van de kritieke factoren is voor een succesvolle bedrijfsintegratie.
Een bijkomend risico dat de meeste machine learning-toepassingen parten speelt: na verloop van tijd vertonen ze tekenen van achteruitgang. De wereld verandert voortdurend, inclusief de relatie tussen input en output. Dit betekent dat de waarde van een model afneemt met de tijd. Hoe vluchtiger de veranderingen, hoe sterker het effect zal zijn. Dit concept wordt ook wel drift genoemd.
Een traag implementatieproces schaadt direct de bedrijfswaarde van een oplossing wanneer drift optreedt. De remedie lijkt voor de hand liggend: train het model regelmatig opnieuw met nieuwe gegevens. Helaas is dit in de praktijk best moeilijk. Een continu integratie- en leveringsproces voor machine learning-ontwerpen vereist een hoge mate van maturiteit in organisaties en een grote mate van standaardisatie en automatisering.
Het komt regelmatig voor dat de vereiste mate van automatisering voor continuous delivery bij machine learning niet wordt gehaald. Vaak wordt dit dan de verantwoordelijkheid van de mensen die betrokken waren bij de bouw van de machine learning-modellen. Hoewel er geen gebrek is aan intelligentie of creativiteit, komt het meeste werk bij software engineering en IT operations teams terecht, wat in realiteit ver af staat van de kerncompetenties van deze datawetenschappers. Het resultaat is dan vaak een codebase vol aan elkaar geplakte scripts die moeilijk te onderhouden of over te dragen zijn.
Kortom, automatisering vraagt om een bepaalde expertise in het businessdomein, softwareontwikkeling, zakelijk leiderschap en een gedegen kennis als het aankomt op machine learning. Om machine learning impactvol in te zetten is het noodzakelijk een team samen te stellen dat over de juiste mix aan vaardigheden beschikt. Uiteindelijk zijn het die mensen die machine learning-oplossingen integreren in het bedrijf.
Met AI als modewoord en overal zoemende machines terwijl ze allerlei vaardigheden leren, toont de realiteit ons dat er aan de ene kant bedrijven bestaan die alvast goed uitgedokterd hebben hoe succesvol te zijn dankzij AI, terwijl de meeste anderen nog moeite hebben om er echt waarde mee te genereren.
Bijgevolg worden veel leidinggevenden geconfronteerd met een aantal bevindingen: AI is een bron van onbenutte mogelijkheden. Maar daarnaast houdt het ook een reëel existentieel risico in en is het complex. En bovenal is het een kwestie die men dringend dient aan te pakken.
Als bedrijven willen profiteren van AI en winst willen boeken, is de juiste integratie van een AI-oplossing in de bedrijfsvoering essentieel. Het gaat dus niet om één softwareprogramma dat op een pc wordt geïnstalleerd om te helpen bij één taak, maar om het inzetten van AI via verschillende leertechnieken om menselijke besluitvorming te ondersteunen, te vergroten of te automatiseren.
Deze machines zijn sterk afhankelijk van menselijke input om vaardig te worden in het genereren van oplossingen. Bovendien zijn er steeds menselijke medewerkers nodig die verantwoordelijk zijn voor de integratie van een AI-oplossing in de bedrijfsinfrastructuur. Om impactvol te kunnen zijn met machine learning moet er een team samengesteld worden met de juiste mix van vaardigheden.
De sleutel is afstemming binnen de organisatie en de AI-programmering. Daarom zijn het in kaart brengen van de prestaties van een AI-oplossing en het bijhouden van de verbeteringen die men dankzij AI kan realiseren cruciaal. Dit kan men realiseren door te anticiperen op de gewenste eindsituatie en door tijd, geld en middelen te investeren in de oplossing om die dan zo snel mogelijk te realiseren.
En hoewel sommige markten, sectoren en individuele bedrijven al verder vooruit zijn dan andere, bevindt AI zich over het algemeen nog in een zeer vroeg ontwikkelingsstadium. Macro-economisch gezien liggen er dus kansen voor opkomende markten om een voorsprong te nemen op meer ontwikkelde markten.
Op die manier kan een start-up of een bedrijf dat nog niet eens is opgericht, binnen uw bedrijfssector over tien jaar marktleider zijn.
Bedankt om deze blogpost te lezen, we hopen dat u het leuk vond! Wist u dat u al onze nieuwste blogberichten en meer rechtstreeks in uw mailbox kunt ontvangen? Mis er niets van en aboneer u nu op onze nieuwsbrief! We houden u op de hoogte van de laatste trends, aankomende evenementen en andere AirPlus-updates.
Banner photo by Tara Winstead on Pexels.com
[1] Quote from Eliezer Yudkowsky, co-founder of the Machine Intelligence Research Institute (MIRI), a non-profit organization dedicated to researching the development of safe and beneficial artificial intelligence
[2] Differences Between AI vs. Machine Learning vs. Deep Learning | Simplilearn
[3] AI is a buzzword. Here are the real words. | The Generator (medium.com)
[4] Top 18 Artificial Intelligence (AI) Applications in 2023 | Simplilearn
[5] Sizing the prize | pwc.com
[6] AI Alignment: A New Management Paradigm | MIT CISR
[7] Artificial Intelligence Global Executive Study and Research Report | 2019 Center for Information Systems Research Massachusetts Institute of Technology Sloan School of Management Review and Boston Consulting Group (BCG)
[8] What is Artificial Intelligence? Types, History, and Future | 2023 Edition Simplilearn
[9] The three key ingredients of successful AI | Cubonacci