Chat with us, powered by LiveChat
| ☏ +31 343 529 000 |

Slimmere organisaties met AI-gedreven besluitvorming

Slimmere organisaties met AI-gedreven besluitvorming

Een van de meest ingrijpende technologieën van dit moment is kunstmatige intelligentie. Toch wordt deze technologie nog onderschat en niet altijd even goed begrepen. De toepassingen gaan echter van grote impact zijn op de maatschappij, mensen en organisaties.

Emerging technology

De technologie op zichzelf is niet zo nieuw, deze bestaat al een geruime tijd. Toch zijn er een aantal veranderingen waarom de technologie juist nu zo in opmars is. Veel bedrijfsmodellen staan onder druk door lagere marges en productiviteit, maar ook de exponentieel toegenomen hoeveelheid aan data en informatie waar we mee te maken hebben. De mens begint hierin de beperkende factor te worden: steeds meer mensen hebben last van een hoge werkdruk door de toenemende informatiestroom. Door slim gebruik te maken van kunstmatige intelligentie, kan de werkdruk verminderd worden en daarmee ook de productiviteit van de organisatie.

Intelligentie & kunstmatige intelligentieProces kunstmatige intelligentie

Om kunstmatige intelligentie – Artificial Intelligence (AI) – goed te kunnen begrijpen, is het belangrijk om eerst goed te weten hoe menselijke intelligentie werkt. Intelligentie is een algemeen begrip uit de psychologie en beschrijft een mentale eigenschap met veel verschillende functies. We nemen beslissingen op basis van ervaringen, nieuwe feiten alsmede de integriteit van de evaluaties die we hebben gedaan. Dit betreft onder meer het vermogen te kunnen redeneren, problemen te doorgronden en op te lossen, ideeën en taal te begrijpen en te produceren, en te leren van ervaringen. Het proces dat hierbij steeds doorlopen wordt: observeren > interpreteren > evalueren > beslissen. Dit proces is dan ook de basis voor de digitale evenknie: kunstmatige intelligentie.

Mens versus machine

Mensen zijn goed in het gebruiken van het gezonde verstand, de moraal, verbeelding, maken van abstracties, dilemma’s, dromen, het hebben van mededogen en het kunnen generaliseren. AI-systemen zijn goed in het lokaliseren van kennis, patroon identificatie, het interpreteren van natuurlijke taal, het elimineren van bias en dat zonder begrenzing aan de capaciteit. Dit betekent bijvoorbeeld dat administratieve taken beter uitgevoerd kunnen worden door een AI-systeem dan door een mens. Een veelgemaakte denkfout is wel dat AI of robots alles kunnen overnemen. Het is echter de interactie tussen mens en machine die verandert. Het creëert een nieuw partnership tussen mens en machine. Ondanks dat er banen zullen verdwijnen, zullen er in aantallen meer bijkomen, gericht op de implementatie van AI en het werken met AI.

Van beschrijvende naar voorschrijvende analytics

Dankzij AI en in het bijzonder machine learning, ontstaan business informatiesystemen die niet alleen het verleden analyseren maar ook vooruit kunnen kijken.

Businses informatiesystemen model

  • Beschrijvende en diagnostische analytics kijken naar de historische data. Dit wordt veel gebruikt in Business Intelligence toepassingen voor bijvoorbeeld Financial- en Business Control doeleinden. Wat is er gebeurd en waarom? De analyse is beschrijvend en diagnosticerend.
  • Predictive analytics onderzoekt wat er gaat gebeuren en geeft suggesties betreffende alternatieve uitkomsten met kansberekeningen en risico-inschattingen. Hierbij valt te denken aan ontwikkelingen in klantgedrag of productverkopen. Door toepassing van machine learning en neurale netwerken kunnen zowel gestructureerde en ongestructureerde data worden geanalyseerd.
  • Prescriptive analytics gaat nog een stap verder en geeft aan welke beslissingen moeten worden genomen om een doelstelling te realiseren. Op basis hiervan is het ook mogelijk om beslissingen te automatiseren en menselijke interventie te minimaliseren. Deze analyse is eveneens gebaseerd op machine learning. Door het AI informatiesysteem worden patronen in de data gedetecteerd en algoritmes gedefinieerd voor het maken van voorspellingen en het doen van aanbevelingen. Het bekendste voorbeeld hiervan is misschien wel de zelfrijdende auto van Tesla.

AI in de praktijk

De belangrijkste les voor het starten van een AI project in de eigen organisatie is: verzint eer ge begint. Het is belangrijk de juiste doelstellingen te definiëren en een plan van aanpak te maken met multidisciplinaire teams. Het bij elkaar brengen van Business-domein kennis én Data Science-kennis werkt het meest effectief. Belangrijk om te realiseren is dat voor een goede werking van AI veel data nodig is. Hoe hoger de betrouwbaarheid moet zijn, des te meer data er nodig is. Het is dan ook verstandig vooraf vast te stellen hoe hoog die betrouwbaarheid moet zijn. In het geval van een aanbeveling van een product in een webshop, zijn de gevolgen niet zo groot als de voorspelling een keer niet goed uitpakt. De potentiële klant koopt het aanbevolen product niet. Maar als de uitkomsten van een strategisch model of een medisch model niet kloppen, kunnen de gevolgen van een verkeerde voorspelling vrij kostbaar of zelfs dodelijk zijn.

Enterprise AI

De ontwikkeling van AI modellen door de grote IT organisaties zoals IBM, Microsoft en Google gaat razendsnel, maar ook de open-source community die zich bezig houdt met Data Science staat niet stil. Hierdoor wordt het mogelijk om eerder ontwikkelde algoritmes te integreren in nieuwe toepassingen, zodat voor AI-gedreven besluitvorming binnen uw organisatie niet volledig het wiel hoeft worden uitgevonden. AI toepassingen in uw organisatie zijn waarschijnlijk dichterbij en met de juiste expertise makkelijker te realiseren dan u denkt.

Wilt u weten wat de AI toepassingen voor uw organisatie kunnen betekenen? Neem dan contact met ons op via onderstaande button.

Direct contact opnemen
Algemeen Directeur bij BPSolutions Group sinds 2011. Mark was onder meer werkzaam als Management Consultant bij Atos KPMG Consulting en PA Consulting Group op het gebied van strategie, organisatie & IT.