Er zijn tal van artikels geschreven over de impact van Artificiële Intelligentie op de arbeidsmarkt. We stevenen af op een volledig geautomatiseerde wereld. En nu het einde van het mobile-first tijdperk nadert, dienen we ons allen voor te bereiden op een AI-first samenleving. Maar wat is AI?
De benaming ‘Artificiële Intelligentie’ spreekt eigenlijk voor zich. Het is namelijk een kunstmatige vorm van menselijke intelligentie. Met algoritmen probeert AI die menselijke intelligentie te simuleren.
Mensen maken de hele dag door kleine en grotere beslissingen. Simpelweg brengt een combinatie van bewuste en onbewuste gedragingen ons bij onze doelen. Die bewuste handeling hebben we geleerd doorheen de tijd, namelijk door beslissingen te maken op basis van ervaringen.
Dat is de kern van ‘leren’: je voert een handeling uit en beoordeelt (bewust of onbewust) het resultaat. Bracht die handeling of beslissing je een stapje dichter bij je doel? Dan leren we automatisch dat dat een goede actie was. Was het resultaat minder gewenst? Dan onthouden we dat we die handeling of beslissing in de toekomst niet meer zullen uitvoeren om ons doel te bereiken.
Leren fietsen, rekenen, mailen, een nieuwe app te gebruiken, hoe je sociaal te gedragen, enzovoort. Leerprocessen verlopen voor de mens relatief automatisch. We zijn ons niet bewust van de miljoenen kleine beslissingsprocessen die hierbij komen kijken.
Dat is dan ook het grote verschil tussen computers en mensen. Computers zijn altijd erg goed geweest in het uitvoeren van repetitieve berekeningen vanuit gedetailleerde instructies in een relatief stabiele omgeving. Die stabiele omgeving is onmogelijk in real life. Mensen houden zich dan ook staande in een constant veranderende wereld en worden slimmer zonder duidelijke instructies.
De ontwikkeling van kunstmatige intelligentie is iets waar wetenschappers al decennialang over nadenken. Toch lijkt AI de laatste tijd actueler dan ooit. Dat is enerzijds te wijten aan het feit dat de mens meer data verzamelt dan ooit tevoren. Anderzijds begrijpen we steeds beter waartoe bestaande data kunnen dienen. En zoals een baby leert naarmate die opgroeit en ervaringen verzamelt, zo leert AI naarmate er meer data beschikbaar is om uit te leren.
Veel van de software die we kennen bestaat uit verschillende features. Voor elke feature is door de ontwikkelaars bepaald hoe ze met een bepaalde input moeten omgaan. Actie A leidt tot resultaat B. Deze software wordt niet slimmer naarmate het vaker wordt gebruikt. Deze (oudere) software past zich niet aan aan jouw persoonlijke gewoontes. Dat heet ‘regular computer processing’.
Machine Learning is een vorm van Artificiële Intelligentie. Software die slimmer wordt naarmate het meer data verwerkt, heeft learning capabilities en valt onder de categorie ‘Machine Learning’. Deze algoritmes moeten dus niet expliciet door de mens geprogrameerd worden.
De services van Google zijn duidelijke voorbeelden van Machine Learning. Wereldwijd gebruiken miljoenen mensen al jaren Google Search en Google Translate. Wanneer iemand een zoekterm in de zoekbalk typt van Google, wordt die zoekterm opgeslagen. Bij typfouten suggereert Google de juiste schrijfwijze. Dat gebeurt niet omdat een ontwikkelaar Google Search heeft geleerd wat de correcte zoekterm is, maar wel omdat velen voor jou naar diezelfde zoekterm hebben gezocht. Het systeem besluit vervolgens dat de kans dat je de juiste versie wilde opzoeken groter is dan dat je de zoekterm zocht met een typefout.
Google Translate is een ander voorbeeld van Machine Learning. Die tool is voor velen de vertalingsmodule bij uitstek. Google suggereert daarbij een vertaling van jouw stuk tekst. Indien je niet tevreden bent met die vertaling, kan je die aanpassen. Die aanpassingen worden daarna onthouden door algoritmes. De volgende keer dat iemand hetzelfde stukje tekst wilt vertalen, houdt het algoritme dus ook rekening met jouw aanpassingen. Je kan je vast voorstellen dat Google Translate aan een hoog tempo heel slim kan worden. Iedere gebruiker is belangrijk en draagt bij aan de verzamelde informatie. We spreken hier over user-generated data.
Waze wordt slimmer op een gelijkaardige manier. De gebruikers van Waze zijn bestuurders. Die bestuurders kunnen aangeven of een file veroorzaakt werd door een ongeluk, door stilstaande wagens langs de kant van de weg, enzovoort. Door middel van die data helpen we allemaal mee om Waze slimmer te maken over ons dagelijkse wegengebruik. Helemaal interessant wordt het wanneer Waze de verkeersstromen verdeelt over verschillende routes om dagelijkse files te verminderen. Op basis van predicties, kunnen de Waze-algoritmes acties suggereren die ons leven aangenamer en makkelijker maken. Zo wordt AI echt waardevol.
In die voorbeelden genereert de user, de mens in dit geval, data om het systeem slimmer te maken. Data kunnen ook op tal van andere manieren worden verzameld.
Neem bijvoorbeeld een lift. Elke keer een lift wordt gebruikt, slaat het systeem verschillende parameters op zoals snelheid, gewicht van de lading, aantal stops, temperatuur, aantal errors, enzovoort. Op basis van die data kan een liftproducent voorspellen wanneer een onderhoud van de lift aangewezen is alvorens de lift echt stukgaat. Naarmate er meer data worden verzameld, kan het algoritme geoptimaliseerd worden met juistere predicties tot gevolg. Als liftproducent kan je zo een nog betere service leveren aan je klanten.
Soms is het niet mogelijk om dergelijke kwantitatieve data te verzamelen.
Denk maar aan ziektediagnoses op basis van symptomen of het bepalen van de beste ziektebehandeling. Experts, dokters in dit geval, hebben jarenlang diagnoses bepaald op basis van een combinatie van symptomen. Algoritmes kunnen met die data aan de slag om een gepaste diagnose en behandeling voor te stellen. De accuraatheid van de data én de hoeveelheid aan data bepalen het succes van een dergelijke Artificiële Intelligentie. Het is dus cruciaal dat de data worden gegenereerd door expert users zoals dokters, wetenschappers en professoren.
Dagelijks verwerken we heel wat data die op ons afkomt om zo te komen tot een juiste beslissing of actie. Binnen het domein van Artificiële Intelligentie is het de missie van elke ontwikkelaar om die menselijke verwerkingsalgoritmes te benaderen. Tot nu toe werden er al erg grote stappen gezet om bepaalde facetten van ons denken kunstmatig te benaderen. (vb emotiedetectie)
Het zal echter nog even duren alvorens een algoritme wordt ontwikkeld dat net als de mens een enorme hoeveelheid aan data tegelijkertijd kan verwerken om zo tot zinnige predicties te komen. Veel van de AI-toepassingen zijn erg goed in één afgebakende taak.
In sommige gevallen zijn die algoritmes beter dan het menselijke verwerkingsproces. Een algoritme gaat namelijk op een erg objectieve manier om met een grote hoeveelheid aan informatiebronnen. Als mens gebruik je vaker dan je denkt shortcuts in je beslissingsproces. Geheugensteuntjes, ezelsbruggetjes, inductie en deductie zijn bekende voorbeelden van shortcuts of ‘heuristieken’. Ze helpen ons sneller tot een oplossing of beslissing te komen. Die shortcuts zijn noodzakelijk omdat wij als mens vaak gedwongen worden beslissingen te nemen op basis van onvolledige informatie.
Wikipedia omschrijft het verschil tussen heuristieken en algoritmen als volgt:
Heuristieken zijn informele, intuïtieve en speculatieve oplossingsstrategieën, die mensen ontwikkelen om bepaalde problemen aan te pakken. In tegenstelling tot algoritmen, die altijd en overal werken, zijn heuristieken specifieke strategieën die we leren gebruiken in specifieke situaties en die niet altijd een oplossing garanderen. Heuristieken verschaffen algemene richtlijnen over mogelijke oplossingen en doen ons veel tijd en moeite besparen door de oplossingen te beperken tot degene die wij de meeste kans geven om van toepassing te zijn. Elke taak heeft heuristieke mogelijkheden, en hoe meer ervaring men heeft met een taak hoe beter men in staat is om goede heuristieken te ontwikkelen.
In 1997 won Deep Blue van IBM van Garry Kasparov, de toenmalige wereldkampioen. Dit is een voorbeeld van een computer die tot accuratere beslissingen kan komen dan de mens. De verwerkings-snelheid is afhankelijk van onder andere de rekensnelheid van de computer, iets wat door de jaren heen enorm geëvolueerd is.
Een andere voorwaarde om menselijke intelligentie te benaderen is de structuur van het algoritme. Hoe meer parameters er worden opgenomen in het algoritme, hoe meer het proces het menselijke verwerkingsproces benadert, maar tevens hoe complexer het algoritme wordt.
Artificiële Intelligentie is dus ‘slim’ binnen een afgebakende ruimte. Het is steeds de mens zijn taak om te bepalen welke parameters zullen worden gebruikt als input voor het algoritme.
In God we trust and all others bring data.
Een algoritme moet patronen kunnen herkennen in de data. Het algoritme van Waze kan pas beginnen het verkeer te regelen van zodra het begrijpt waar de dagelijkse files voorkomen. Bepalen waar een ‘dagelijkse file’ voorkomt, moet worden gebaseerd op data verzameld doorheen de tijd.
Een patiënt zal pas meer vertrouwen hebben in een diagnose gesteld door een computer als die predicties kan doen met een accuraatheid die de perfectie benadert. We spreken in dat geval van perfectie indien de computer evenveel of minder fouten maakt dan specialisten.
Accuraatheid van de AI wordt bepaald door tests met testdata. Testdata zijn in dat geval een combinatie van symptomen waarvan je 100% zeker weet dat de bijhorende diagnose correct is. Als een grote hoeveelheid testdata verwerkt worden door het algoritme en de predictie is steeds dezelfde als de werkelijke uitkomst, dan is het systeem even slim als de specialist binnen die parameters.
Ben je van plan om een slimme oplossing te ontwikkelen die bijvoorbeeld het parkeerprobleem in jouw stad kan oplossen? Zorg dan dat je beschikt over voldoende data binnen die context. Verzamel bijvoorbeeld data over het gebruik van de bestaande parkeermogelijkheden, de verkeersgolven in de stad, het aantal bewoners, data van de parkeermeters, enzovoort. Alleen dan kunnen algoritmes accurate predicties maken om de bestaande parkeerplaatsen zo efficiënt mogelijk te managen. Hoe beter je predicties, hoe meer gebruikers je oplossing zullen gebruiken en hoe meer data je opnieuw verzamelt. Hierdoor worden je predicties weer beter, waardoor je weer nieuwe klanten zal aantrekken, enzovoort.
Ben je van plan te investeren in een slimme toepassing? Houd dan voor ogen dat het delen van jouw data de toepassing slimmer en correcter zal maken waardoor die waardevoller zal zijn voor je organisatie. AI kan niet worden ontwikkeld in een vacuüm. Door data te delen, zullen anderen kunnen genieten van de toegenomen accuraatheid die hieruit volgt, maar ook jouw organisatie vaart er wel bij als anderen hun data delen. AI is een beetje zoals liefde. Of zoals Joey uit de bekende serie “Friends” ooit zei: ‘It is a love based on giving and receiving as well as having and sharing.’
Tenslotte raad ik je aan NU te beginnen met het verzamelen van data en het bouwen van sterke algoritmes. Artificiële Intelligentie en Machine Learning bevestigen het ‘first mover advantage’.
Ik grijp even terug naar een eerder voorbeeld om dat te illustreren. Google ontwikkelde eind jaren ’90 een zeer primitief maar tevens geniaal algoritme om betere zoekpredicties te maken. Dat algoritme sloeg aan als een bom. Google zorgde ervoor dat alle informatie wereldwijd toegankelijk en bruikbaar werd. Steeds meer mensen begonnen Google te gebruiken waardoor ze enorm veel data verzamelden. Hierdoor steeg de accuraatheid van de predicties. Andere grote bedrijven zoals Microsoft ‘stonden erbij en keken ernaar’. Al snel was het te laat voor een inhaalbeweging en is Google niet meer evenaarbaar omwille van de massa aan data waarover het beschikt.
1. De users die data genereren: klanten van meer dan 100 bedrijven uit uiteenlopende sectoren (banken, verzekeraars, retail, B2B, healthcare, enzovoort)
2. De data: feedback van al deze klanten over hun ervaring met een bepaalde organisatie: "Customer feedback about their Customer Experience"
3. De algoritmes die de data verwerken zijn natuurlijk ons grootste geheim. Wat ik je wel kan vertellen is dat we de klantfeedback verwerken tot inzichten. Zo kan elk bedrijf dat met Hello Customer werkt, onmiddellijk aan de slag om de Customer Experience nog te verbeteren!
Ik vat de belangrijkste take-aways nog even voor je samen:
Schrijf je in op onze nieuwsbrief en ontvang de laatste inzichten en publicaties. Je kiest zelf je favoriete topics. Meer informatie over onze privacy policy vind je hier.