We leven in een paradoxale periode: na de drukte van de afgelopen jaren is kunstmatige intelligentie (AI) voor veel bedrijven eindelijk realiteit. Het is echter duidelijk dat de beloften van waardecreatie vaak niet worden waargemaakt. AI wordt echter vaak gepresenteerd als een revolutionaire technologie die massaal nieuwe inkomsten zou genereren en de winstgevendheid van bedrijven aanzienlijk zou vergroten. Om deze kloof tussen discours en realiteit te verklaren, is het belangrijk om deze technologie en de specifieke kenmerken van de daaraan gekoppelde projecten te begrijpen.
Het is moeilijk om kunstmatige intelligentie eenvoudig te definiëren. Het bevindt zich op het kruispunt van wiskunde, informatica, sociale wetenschappen en zelfs filosofie. Laten we eerst deSymbolische AI, ook wel deterministisch genoemd. Het is die van expertsystemen waardoor de ontwikkeling van veel grote systemen in de jaren '70 tot '90 mogelijk werd gemaakt.
Tegenwoordig spreken we over het algemeen van ‘probabilistische’ AI, die bestaat uit het creëren van waarde uit data statistische benadering. Dit is waar we het vlaggenschipconcept van vinden machinaal leren : de algoritmen worden tijdens een leerfase geparametriseerd met eerdere gegevens om een “model” te creëren dat zal worden gebruikt om een projectie te construeren, een beeld te herkennen of zelfs taal te verwerken.
Binnen machine learning zijn er enkele tientallen algoritmen die elk specifieke kenmerken hebben, waaronder de bekende algoritmen van diep leren of kunstmatige neurale netwerken. Ze hebben opmerkelijke capaciteiten en prestaties. We vinden ze in beeldverwerking (we zullen het hebben over computervisie) en taal (we zullen het hebben over NLP voor natuurlijke taalverwerking).
Als deze definities eenmaal zijn vastgesteld, wat zijn dan concreet de belangrijkste toepassingen van AI in het bedrijfsleven?
Toepassingen in marketing
Marketing is een van de eerste gebieden waar AI waarde zal toevoegen. Meestal gaat het hierbij om het gebruik van een machine learning-aanpak op basis van eerdere gegevens om een model te bouwen waarmee u uw klanten kunt segmenteren, kunt weten welk aanbod zij verkiezen, het aankooppotentieel kan voorspellen of zelfs de klantervaring kan personaliseren... en deze kan behouden.
Het vermogen van AI-systemen om relevante elementen in een massa gegevens te vinden, kan het ook mogelijk maken om zeer effectieve marketinggerichte benaderingen (hypergepersonaliseerde marketing) te implementeren, of zelfs aanbevelingssystemen die het mogelijk maken om potentiële klanten alleen de producten aan te bieden die hen waarschijnlijk zullen interesseren. .
De prestaties van deze aanpak zijn gebaseerd op het vermogen van de algoritmen om een grote hoeveelheid gegevens te verwerken, maar ook gegevens van verschillende aard. Naast gestructureerde klantgegevens (CRM-gegevens, surfgegevens op internet, enz.) zullen de gebruikte afbeeldingen en teksten (e-mails, sociale netwerken, enz.) ook andere waardevolle informatie over klanten verschaffen. Het gebruik van taalverwerkingstechnieken (NLP) zal het bijvoorbeeld mogelijk maken om “sentimentanalyses” uit te voeren op basis van schriftelijke uitwisselingen met de klant om automatisch hun tevredenheidsniveau te kennen.
Ten slotte kunnen we niet over klantrelaties praten zonder de chatbots. De eenvoudigste hiervan zijn verbeterde veelgestelde vragen en er is geen sprake van AI in de zin van machinaal leren. Ze bieden klanten statische scenario's, wat grotendeels heeft bijgedragen aan het creëren van negatieve gebruikerservaringen. Als deze scenario’s echter worden uitgebreid met machine learning en NLP, zullen chatbots in de loop van de tijd leren en in staat zijn om “onverwachte” uitwisselingen af te handelen, wat de klantervaring aanzienlijk zal verbeteren.
AI in bedrijfsfinanciering
Op dit gebied wordt AI gebruikt om vele soorten toepassingen te ontwikkelen, zoals inkomensvoorspelling of uitgaven. Met behulp van eerdere gegevens wordt het algoritme getraind om toekomstige inkomsten te voorspellen op basis van verschillende huidige kenmerken. Ook hier is het interessant om op te merken dat we naast de financiële gegevens van het bedrijf ook externe gegevens kunnen gebruiken (economische context, weersomstandigheden, etc.) als deze op de een of andere manier in verband kunnen worden gebracht met de activiteit van het bedrijf.
La onregelmatigheidsdetectie is een van de andere mogelijkheden van sommige machine learning-algoritmen. Het is zeer nuttig in de financiële wereld en wordt gebruikt om frauduleuze transacties op te sporen, en meer in het algemeen om abnormale gegevens te identificeren die kunnen helpen bij het identificeren van een risico. Een zeer nuttige toepassing voor beroepen die verband houden met kwaliteit, compliance, enz. De klassieke aanpak die gebaseerd is op regels wordt grotendeels verslagen door de statistische aanpak die het mogelijk maakt om rekening te houden met een groot aantal gegevens en in het algemeen de risico's ervan beter te beheren.
AI in de industrie
Voorspellend onderhoud
We vinden AI in de systemen van predictief onderhoud die veel gebruikt worden in de industrie. In plaats van elke zes maanden onderhoud aan uw systeem uit te voeren, wat het ook mag zijn, volgens de regel van de fabrikant, zullen we een machine learning-model trainen met operationele gegevens uit het verleden, zodat we een applicatie hebben die in staat is om het “juiste moment” aan te geven om dit te doen. onderhoud of andere wijzigingen aan het systeem, die aanzienlijke financiële gevolgen kunnen hebben.
Industriële visie ten dienste van kwaliteit
Om nog een voorbeeld te geven met betrekking tot industriële gereedschappen, kunnen we praten over de aanpak ervan computer visie om een kwaliteitsdiagnose uit te voeren. Op een industriële productielijn gaan we een algoritme trainen op productafbeeldingen om het te leren herkennen wanneer er een defect, een probleem, etc. is. Een ‘intelligente camera’ (camera verbeterd door een beeldverwerkingsalgoritme) wordt dan op de machine geplaatst. productielijn om een visuele inspectie uit te voeren zoals een menselijk oog dat zou doen, maar dan veel efficiënter!
Geautomatiseerde documentverwerking
Ten slotte worden beeldanalyse- en taalverwerkingstechnologieën steeds vaker gebruikt om documentverwerkingsprocessen te automatiseren die voorheen voorbehouden waren aan mensen. Of het nu gaat om het automatisch herkennen en verwerken van facturen, het verwerken van e-mails of het zoeken naar informatie in grote hoeveelheden tekstuele gegevens, deze toepassingen, ook wel intelligente automatisering genoemd, maken gebruik van kunstmatige neuronen van het netwerktype. Deze geavanceerde technologieën vervangen mensen bij repetitieve taken, zodat ze zich kunnen concentreren op taken met een hogere toegevoegde waarde.
Kant-en-klare AI
Het is ook interessant om op te merken dat steeds meer aanbieders van AI-oplossingen ‘kant-en-klare’ AI-systemen aanbieden, dat wil zeggen klaar voor gebruik. Het bedrijf kan deze reeds getrainde modellen relatief eenvoudig integreren in zijn bedrijfsprocessen. Dit is zeer interessant, vooral voor kmo's en ETI's die over beperkte hoeveelheden en kwaliteit van de gegevens beschikken, en over weinig interne deskundige bronnen, zoals datawetenschappers, die in staat zijn om 'in-house' oplossingen te bouwen.
Zo zal een klein bedrijf marktoplossingen kunnen gebruiken om, als het de juiste partner heeft, zonder al te veel moeite een chatbot-oplossing op te zetten om zijn klantenrelaties te automatiseren, een automatisch documentverwerkingssysteem of zelfs een oplossing van computer vision. om defecten aan de productielijn op te sporen. In deze gevallen kan de ROI (return on investment) zeer snel zijn!
Dit niet-uitputtende overzicht illustreert de verscheidenheid aan mogelijke toepassingen van AI, ongeacht de sector van het betrokken bedrijf. Of het nu gaat om het automatiseren van taken of om doen wat mensen niet kunnen doen, AI lijkt de ‘killer application’ te zijn.
AI-project, de obstakels die moeten worden overwonnen
Uit talrijke onderzoeken blijkt echter dat de meeste grote bedrijven, ondanks soms aanzienlijke investeringen, nog steeds moeite hebben om van kleine proefprojecten naar volledige productie over te stappen om waarde te creëren.
Op hun beurt realiseren kleinere bedrijven nog steeds de voordelen van AI-oplossingen voor hen, ondanks een lagere technologische volwassenheid.
In dit stadium is het interessant om de belangrijkste specifieke kenmerken van AI-projecten te benadrukken, die een deel van de moeilijkheden verklaren waarmee bedrijven worden geconfronteerd. De eerste betreft het concept zelf van machinaal leren. Heel anders dan een klassieke softwareaanpak, kan deze worden vergeleken met een systeem van regels. Bij machine learning ‘programmeren’ we de bedieningsregels of parameters van het systeem niet, ze worden ‘geleerd’ via de trainingsgegevens. We bevinden ons niet langer in de wereld van causaliteit, maar in die van correlatie en statistiek, wat een iteratieve ontwerpbenadering impliceert, soms behoorlijk verkennend, met minder voorspelbare resultaten.
Tweede specificiteit die verband houdt met de eerste: de noodzaak van een Agile-benadering van projecten, die nog meer op samenwerking gericht is dan bij traditionele IT-projecten, en waarbij naast business- en IT-teams ook datateams betrokken zijn, wat de complexiteit vergroot.
Ten slotte zijn het de vooropgezette ideeën, zelfs fantasieën over AI, die een aanzienlijke impact kunnen hebben. Voor sommige werknemers is AI beangstigend (ons collectieve onbewuste wordt gevoed door decennia aan dystopische sciencefictionfilms), met intelligente robots die uiteindelijk hun baan zouden kunnen overnemen. Dit laatste, serieuzere onderwerp werd helaas jarenlang aangewakkerd door onderzoeken van referentieorganisaties die breed uitgemeten werden in de media en die volkomen onwaar bleken te zijn. Een beroemde studie uit Oxford, gepubliceerd in 2013, voorspelde de vernietiging van 47 Amerikaanse %-banen in 2023 als gevolg van AI!
AI-project: punten waar u op moet letten om te slagen
1. Leiders die betrokken zijn bij en gewend zijn geraakt aan AI
De eerste is die van de inzet en het begrip van de leiders van het bedrijf. We zijn soms verrast om te zien dat leiders zich totaal niet realiseren welke kansen data biedt. Het is daarom essentieel om hen bewust te maken van de uitdagingen van AI-projecten en hun specifieke kenmerken, zodat zij AI-projecten kunnen ondersteunen door de juiste menselijke en financiële middelen toe te wijzen.
In verband hiermee is de aanpassing aan data en AI een must voor managers, maar ook voor alle werknemers, om de adoptie van oplossingen door bedrijfsteams te bevorderen.
2. Kies verstandig uw AI-projecten
Het tweede onderwerp betreft de keuze van de te lanceren projecten. De afgelopen jaren hebben we te veel tientallen pilotprojecten gezien waarin AI binnen grote bedrijven werd geïmplementeerd. Elke business unit had zijn eigen team van medewerkers samengesteld data wetenschap en iedereen had een goed idee om het te proberen. Integendeel, goede praktijken bestaan uit het focussen op twee of drie belangrijke onderwerpen, met krachtige steun van het management en een goed investeringsniveau. De keuze voor het eerste AI-project dat wordt uitgevoerd is van cruciaal belang, omdat het succes ervan toekomstige investeringen in AI dreigt te beïnvloeden.
3. Gegevens in kwantiteit, kwaliteit en goed beheerd
Het derde onderwerp betreft data en het beheer ervan. Zoals het gezegde luidt: ‘geen data, geen AI’. We zouden de beroemde “ afval erin, afval eruit » wat betekent dat als de trainingsgegevens van de AI-modellen van slechte kwaliteit zijn, het resultaat niet goed zal zijn!
La Gegevensbeheer, een oud onderwerp voor IT-afdelingen, wordt van cruciaal belang naarmate use cases zich ontwikkelen. En ook al hebben grote bedrijven voor het grootste deel echte data governance-strategieën geïmplementeerd (regels voor beheer, toegang, compliance, kwaliteit, databeveiliging), blijft dit een groot probleem en vaak een onderwerp dat voor kleinere bedrijven moet worden geïnitieerd.
Naast de implementatie van platforms voor technisch gegevensbeheer bestaat een goede praktijk uit: betrek bedrijfsteams bij databeheer. Dit is met name relevant voor de kwestie van kwaliteit, omdat data belangrijke bedrijfsactiva zijn geworden, net zoals industriële hulpmiddelen of menselijke hulpbronnen.
4. Talent aantrekken en behouden
Het vierde onderwerp is vaardigheden. De meeste grote bedrijven hebben de afgelopen jaren personeel aangenomen datawetenschappers, specialisten in datamodellering, maar ook data-ingenieurs die de gegevens die in AI worden gebruikt, zal beheren en voorbereiden.
Een van de uitdagingen voor deze bedrijven zal zijn behoud deze talenten zeer gewild vanwege een aantrekkelijk verloningsbeleid, maar ook autonomie, innovatieve projecten en de uitbouw van een echte datacommunity.
Voor middelgrote bedrijven en KMO’s is het niet noodzakelijkerwijs nodig om dit type profiel aan te werven. Deze taken kunnen gedeeltelijk worden uitgevoerd door uitgevers van oplossingen en andere dienstverleners. Voor de meeste bedrijven blijft het belangrijkste probleem de acculturatie van managers en bedrijfsteams die betrokken zijn bij AI-projecten.
5. Vaardigheden ontwikkelen door middel van training
Geconfronteerd met een gebrek aan gekwalificeerde profielen zullen bedrijven opleidingen kunnen gebruiken om de vaardigheden van hun werknemers te ontwikkelen, uiteraard in de IT, maar ook in de vrije beroepen (HR, marketing, financiën, enz.). Ze zullen kunnen trainen in datamanipulatie met behulp van eenvoudige tools zoals Power BI.
Uiteindelijk verloopt de implementatie van AI-oplossingen in het bedrijfsleven niet van een leien dakje. Waardecreatie vereist betrokkenheid van het management en de acculturatie van medewerkers. Bovendien zal AI in de nabije toekomst, afgezien van het creëren van nieuwe inkomsten en een grotere winstgevendheid, de aard van het werk en de mens-machine-relaties veranderen. Het zal repetitieve en codificeerbare taken op zich nemen en traditionele modellen van werkorganisatie opschudden.
AI zou bedrijven dus flexibeler en horizontaaler kunnen maken en werknemers doorgroeimogelijkheden kunnen bieden naar taken met een hogere toegevoegde waarde en complementair aan AI. Ook zullen bepaalde beroepen verdwijnen en de impact op de werkgelegenheid zal aanzienlijk zijn, ook al is het erg moeilijk om voorspellingen te doen. Des te meer reden om je voor te bereiden.
