Naar inhoud

Artificial intelligence is al lang geen toekomstmuziek meer

In de jaren 80 van de vorige eeuw stonden intelligente kennissystemen al kort in de belangstelling. Ze maakten gebruik van kunstmatige intelligente en hadden de belofte in zich om professionals in allerlei sectoren te helpen betere beslissingen te nemen. Deze systemen liepen echter al snel tegen beperkingen aan en konden hun beloften niet waarmaken. Kunstmatige intelligentie – nu veelal geduid met de Engelse benaming artificial intelligence – staat opnieuw volop in de belangstelling en biedt nu wel degelijk concrete resultaten.

De definitie van AI

Om te beginnen even de definities rond AI op een rij. Artificial intelligence wil zeggen dat je een computer gebruikt om een vorm van menselijk gedrag na te bootsen. Als academische discipline gaat het al terug tot 1956. De eerste initiatieven op dit gebied richtten zich onder meer op het schaakspel en het oplossen van logische problemen. Machine learning is een subset van AI en omvat technologieën die computers in staat stellen om zaken uit data te herleiden en AI-applicaties te leveren. Deep learning is weer een subset van machine learning, waarmee computers complexe problemen kunnen oplossen.

De 4 pijlers van AI

In de consumentenmarkt is AI behoorlijk ingeburgerd. Veel mensen maken gebruik van spraakrobots als Siri, Cortana of Alexa of van chatbots op websites. Dat is te danken aan 4 pijlers die van AI een succes hebben gemaakt. Die pijlers zijn: geavanceerde algoritmes, heel veel data, krachtige computers en slimme opslagsystemen.

AI in de praktijk

Een ander actueel voorbeeld in de consumentensector is Flipboard, een Amerikaanse onderneming die actief is op het gebied van betrouwbare online nieuwsdistributie. Flipboard voorkomt nepverkeer op websites waardoor adverteerders te veel betalen voor hun campagnes en bestrijdt het plaatsen van advertenties op pagina’s met kwetsende of haatdragende content.

Het bedrijf is sterk afhankelijk van artificial intelligence en machine learning om analyses uit te voeren rond populaire nieuwsthema’s. Het gebruikt daarvoor cloud-applicaties en analytics-oplossingen die het mogelijk maken om nepverkeer op sites tot een absoluut minimum terug te dringen. Flipboard zet onder andere Oracle-technologie in om doelgroepen te identificeren op basis van andere indicatoren dan interessesfeer. Voorbeelden zijn demografische kenmerken of gedragspatronen.

Volgens David Wigder, head of insights, performance & data strategy bij Flipboard, is dit een belangrijk omslagpunt voor het bedrijf, omdat het nu kwalitatief zeer hoogwaardige data kan benutten: “Wij kunnen nu aan onze adverteerders en uitgevers aandoen dat ons platform echt gebruikers-engagement biedt.”

Ook in de zakelijke markt wordt op steeds plaatsen geprofiteerd van AI. Een voorbeeld is Adani, dat in India havens ontwikkelt en exploiteert. Het bedrijf zet AI in om alle havenapplicaties 24/7 te monitoren om mogelijke uitval te voorkomen, onder meer door het onderhoud te voorspellen. Op dezelfde manier heeft een grote internationale papierfabriek kans gezien om zijn CO2-uitstoot drastisch te reduceren.

AI als enorme driver voor marketing en sales

Uit het AI-onderzoek van consultancybureau McKinsey blijkt dat AI de grootste potentie heeft voor marketing, sales en supply chain management. Met AI kunnen marketeers en salesmedewerkers klanten voorzien van sterk gepersonaliseerde aanbiedingen door klantprofielen en klanthistorie te analyseren. Fysieke winkels kunnen AI inzetten om hun voorraden en supply chains te optimaliseren.

Iedere organisatie moet volgens McKinsey echter individueel bepalen waar de kansen van AI binnen hun organisatie liggen. Zij moeten daarbij een antwoord vinden op 5 actuele uitdagingen:

  1. Het verzamelen van de juiste, relevante data. Goede input is cruciaal want net als bij traditionele databases geldt bij machine learning de regel ‘garbage in, garbage out’. Machine learning zorgt dus in eerste instantie voor het nodige puzzelwerk. Overigens werken onderzoeksteams aan het automatiseren van datacollectie. De verwachting is dat dit in de toekomst minder inspanningen vraagt.
  2. Het vergaren van datasets die groot genoeg zijn om analyses te maken. Hoe meer data, des te beter voor AI.
  3. Het maken van de juiste keuzes zodra analyses beschikbaar zijn. Er moeten oordelen worden geveld over de objectiviteit van de uitkomsten. Is een analyse objectief genoeg om bijvoorbeeld een productcertificaat uit te reiken aan een medisch instrument of een nieuw toe te laten voertuig?
  4. Hoe om te gaan met het hergebruik van AI-modellen, die niet één-op-éen zijn over te zetten naar een nieuwe situatie. Ook op dit punt gaan de ontwikkelingen snel. De verwachting is dan ook dat er snel technieken beschikbaar komen om hergebruik te automatiseren.
  5. De laatste uitdaging is het voorkomen van zogenaamde bias – of vooroordeel – in de data en algoritmes. Data verzamelen en algoritmes bouwen zijn mensenwerk. Ze moeten daarom goed gecontroleerd worden op objectiviteit.

Artificial intelligence is here to stay. Het zorgt voor een sterke versnelling van de digitale transformatie bij bedrijven. Daarbij is deze technologie dankzij cloud-modellen, waarbij cloud-leveranciers AI integreren in hun aanbod, niet alleen bereikbaar voor grote bedrijven maar kunnen ook kleine en middelgrote bedrijven ervan profiteren.

Dit artikel in ingezonden door Oracle Nederland.

Bron: CustomerTalk
0
Logo CustomerTalk

Cookie-instellingen

CustomerTalk maakt gebruik van cookies voor een optimale gebruikerservaring.

Graag vragen wij je toestemming voor het plaatsen van deze cookies.

Accepteren Meer informatie