Visie: Artificial intelligence van science fiction tot managementstrategie

18-06-2018 | door: Blog
Deel dit artikel:

Visie: Artificial intelligence van science fiction tot managementstrategie

Bij vrijwel elke organisatie die vooruit wil, staan onderwerpen als machine learning en artificial intelligence hoog op de agenda. De boeken over robotisering en AI zijn inmiddels uit het science fiction-schap verhuisd naar de afdeling managementstrategie. De grootste vraag blijft evenwel: hoe maken we die technologie behapbaar en toepasbaar voor de business van vandaag en morgen? Als in data alle antwoorden verscholen liggen, hoe stellen we dan de juiste en relevante vragen?

Dat is bij uitstek een kwestie om voor te leggen aan data scientist Willem van Asperen. Hij studeerde 25 jaar geleden af in artificial intelligence en robotica en is sindsdien bezig de belofte van deze innovatieve technologieën waar te maken. “De ontwikkelingen gaan snel, maar dat gaan ze al 25 jaar”, zegt Willem van Asperen. “Een belangrijke aanjager voor die razendsnelle innovatie is de open source-gemeenschap, open standaarden waarmee iedereen kan integreren. Als je anderen deelgenoot maakt van je vindingen en vanuit passie uitnodigt om mee te denken en mee te ontwikkelen, stapelen innovaties zich op en heb je een fractie van de investeringen nodig voor nieuwe stappen.” De ongebreidelde ontwikkelingen en het feit dat er geen centrale regie is, zorgen voor veel ontdekkingen. “Het mooie daarvan is dat er niet een markt is die een bepaalde standaard afdwingt.”

Denk groot, maar begin klein

“Door die snelle innovatie en de ‘democratisering’ zijn machine learning en AI nu ook relevante technologieën voor grote en kleine organisaties in alle sectoren. Daarbij kun je grofweg op twee manieren omgaan met big data. Er is een insteek waarbij je de data als geheel onderzoekt en voor zichzelf laat spreken. Je gebruikt dan algoritmes die “de waarheid” uit de data kunnen trekken. Daar geloof ik zeker in, maar het is een academische aanpak. Kost veel tijd en vaak komt er iets uit dat of een “duh” reactie geeft of zo moeilijk te duiden is dat niemand het echt gelooft. Een andere, snellere aanpak is je te richten op de voor jouw business meest relevante vraag, ervan uitgaande dat je met al die data in feite al beschikt over de antwoorden. Welke hypothese moet je stellen om waarde uit de gegevens te halen? Die tweede aanpak is voor organisaties de meest logische. Belangrijk is dan dat je je vraag of idee klein en concreet maakt. Maak je het onderzoeksgebied te groot en te abstract, dan bestaat het gevaar dat je bij voorbaat al moedeloos wordt van alle mogelijke uitkomsten. Think big, maar start small.”

Stop met jip-en-janneketaal

Willem van Asperen is als specialist in AI, machine learning en robotics sinds 2001 actief voor wereldwijd consultancybedrijf PA Consulting. Sinds 2017 is hij daar Chief Data Scientist en Director of Applied AI. “Ik ben vooral geïnteresseerd in de praktische toepassing van deze technologieën. De theorie is interessant, maar die moet in balans staan met wat je ermee bereikt. De truc is om business en datascience bij elkaar te brengen. Datascientists gaan vaak voor het mooiste model, de business wil snelle resultaten. Dat wringt, maar juist in die frictie ontstaan mooie projecten. Het vraagt van de ict-mensen om begrip voor de zakelijke realiteit, maar het vraagt van de businesskant ook iets. Die kunnen niet meer aankomen met: leg het mij eens in jip-en-janneketaal uit. Kom op! Verdiep je erin. Welkom in de nieuwe werkelijkheid: het is nu een wezenlijk onderdeel van de managementstrategie.”

Van fraudeopsporing tot tramonderhoud

Die aanpak leidt tot veel projecten met concrete, behapbare doelstellingen en meetbare resultaten. Van Asperen: “Op heel diverse gebieden en in uiteenlopende sectoren dragen AI en machine learning inmiddels bij aan betere prestaties van organisaties. Voor een grote Nederlandse gemeente hebben we bijvoorbeeld een model ontwikkeld om fraude met uitkeringen op te sporen en te voorkomen, we hebben een grote financial geholpen om negatieve berichtgeving voor te zijn, bij een openbaarvervoerbedrijf is met een AI-model de kans op remproblemen bij trams aanzienlijk verkleind. Maar ook bij commerciële bedrijven is er veel winst te boeken op specifieke terreinen. Voor een Nederlandse dienstverlener hebben we bijvoorbeeld in de data gezocht naar extra verkooppotentieel. Bleek bijvoorbeeld dat je een grotere kans hebt bij een prospect die dichtbij een bestaande klant zit!

Hou rekening met de scale fast-fase

Na think big en start small volgt doorgaans scale fast. Hoe kun je een goed idee, dat in een beperkte setting succesvol blijkt, uitrollen naar een groter gebied of een breder terrein? Daar zit volgens Willem van Asperen vaak een knelpunt. “Je ziet dat organisaties aanlopen tegen het operationaliseren van een project. De oplossing ligt in het stadium ervoor. In de start small-fase neem je vaak alle ruimte en vrijheid om het project op die schaal mogelijk en succesvol te maken. Die onbegrensdheid vormt bij de uitrol dan meestal een belemmering, omdat je dan veel meer te maken hebt met de operationele realiteit. Het is noodzakelijk om in de discover-fase al rekening te houden met scale fast.”

“Mijn advies aan organisaties die komend jaar serieus (verder) aan de slag willen met AI en machine learning om prestaties te verbeteren, is vooral: begin! Haal de kennis in huis, breng ‘nerds’ en business bij elkaar om ideeën bij elkaar te brainstormen en start ”killer projecten”. Denk groot en begin klein, maar hou daarbij al wel in het achterhoofd hoe de operationalisering eruit moet zien.”

“Een grote dienstverlener had een enorm klantenverloop: per jaar vertrokken vele duizenden klanten, met een groot omzetverlies tot gevolg. Het bedrijf had geen inzicht in de oorzaken van dat verloop en wist ook niet wat eraan gedaan kon worden. Op basis van een analyse op het gedrag van klanten die in het verleden wegliepen, konden we een model ontwikkelen voor de klanten waarbij de kans op vertrek het grootst was. Met dit model konden we met een nauwkeurigheid van 83 procent voorspellen welke klanten waarschijnlijk binnen 90 dagen zouden weglopen. Dankzij de analyse en het model is het bedrijf nu 20 keer succesvoller in het behouden van die klanten. Wat ik daarmee vooral wil zeggen: verlies je niet in enorme vergezichten, denk niet te abstract. Maak je project praktisch. Er liggen heel concrete voordelen voor het grijpen.”

Terug naar nieuws overzicht