We leven in paradoxale tijden: na de buzz van de afgelopen jaren is kunstmatige intelligentie (AI) eindelijk realiteit voor veel bedrijven. Het moet echter worden gezegd dat de beloften van waardecreatie vaak niet worden waargemaakt. AI is vaak gepresenteerd als een revolutionaire technologie die enorme nieuwe inkomsten zal genereren en de winstgevendheid van bedrijven aanzienlijk zal verhogen. Om deze kloof tussen retoriek en realiteit te verklaren, moeten we deze technologie en de specifieke kenmerken van de projecten die ermee verbonden zijn, begrijpen.
Kunstmatige intelligentie is moeilijk eenvoudig te definiëren. Het ligt op het kruispunt van wiskunde, computerwetenschappen, sociale wetenschappen en zelfs filosofie. Laten we om te beginnen deSymbolische AIook bekend als deterministisch. Dit is de expertsystemen wat leidde tot de ontwikkeling van veel grote systemen in de jaren 70 en 90.
Tegenwoordig spreken we meestal van "probabilistische" AI, die bestaat uit het creëren van waarde uit gegevens door middel van een "probabilistische" benadering. statistische benadering. Hier vinden we het vlaggenschipconcept van de machinaal leren Algoritmen worden tijdens een leerfase geparametriseerd met eerdere gegevens om een "model" te maken dat kan worden gebruikt om een projectie te bouwen, een beeld te herkennen of taal te verwerken.
Binnen machine learning zijn er enkele tientallen algoritmen, elk met hun eigen specifieke kenmerken, waaronder de beroemde diep leren of kunstmatige neurale netwerken. Ze hebben opmerkelijke mogelijkheden en prestaties. Ze worden gebruikt bij beeldverwerking (bekend als computer vision) en taalverwerking (bekend als NLP voor Natural Language Processing).
Als deze definities eenmaal zijn vastgesteld, wat zijn dan de belangrijkste toepassingen van AI in het bedrijfsleven?
Toepassingen in marketing
Marketing is een van de eerste gebieden waar AI waarde zal toevoegen. In het algemeen gaat het om het gebruik van een machine learning-aanpak op eerdere gegevens om een model te bouwen dat kan worden gebruikt om klanten te segmenteren, uit te zoeken welk aanbod hun voorkeur heeft, een potentiële aankoop te voorspellen of de klantervaring te personaliseren... en klantloyaliteit op te bouwen.
Het vermogen van AI-systemen om relevante elementen te vinden in een massa gegevens kan het ook mogelijk maken om zeer effectieve marketingbenaderingen in te voeren (hypergepersonaliseerde marketing), of zelfs aanbevelingssystemen waarmee prospects alleen die producten aangeboden krijgen die hen waarschijnlijk interesseren.
De prestaties van deze aanpak zijn gebaseerd op het vermogen van de algoritmen om een grote massa gegevens te verwerken, maar ook gegevens van een andere aard. Naast gestructureerde klantgegevens (CRM-gegevens, webbrowsergegevens, enz.) zullen de gebruikte afbeeldingen en teksten (e-mails, sociale netwerken, enz.) andere waardevolle informatie over klanten opleveren. Ter illustratie: het gebruik van taalverwerkingstechnieken (NLP) zal het mogelijk maken om een "sentimentanalyse" uit te voeren op basis van schriftelijke uitwisselingen met de klant om hun tevredenheidsniveau automatisch te bepalen.
Tot slot kunnen we het niet over klantrelaties hebben zonder de chatbots. De eenvoudigste hiervan zijn verbeterde FAQ's en maken geen gebruik van AI in de zin van machine learning. Ze bieden statische scenario's aan klanten, wat grotendeels heeft bijgedragen aan negatieve gebruikerservaringen. Als deze scenario's echter worden verbeterd met machine learning en NLP, zullen de chatbots na verloop van tijd leren en in staat zijn om te gaan met "onverwachte" uitwisselingen, wat de klantervaring sterk zal verbeteren.
AI in bedrijfsfinanciering
Op dit gebied wordt AI gebruikt om vele soorten toepassingen te ontwikkelen, zoals inkomensvoorspelling of kosten. Met behulp van gegevens uit het verleden 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 naast de financiële gegevens van het bedrijf ook externe gegevens kunnen worden gebruikt (economische context, weer, enz.) als deze op de een of andere manier kunnen worden gecorreleerd aan de activiteit van het bedrijf.
La anomaliedetectie is een van de andere mogelijkheden van bepaalde algoritmen voor machinaal leren. Het is zeer nuttig in de financiële sector, waar het kan worden gebruikt om frauduleuze transacties op te sporen en, meer in het algemeen, om abnormale gegevens op te sporen die kunnen worden gebruikt om een risico te identificeren. Dit is een zeer nuttige toepassing voor taken die te maken hebben met kwaliteit, compliance, enz. De traditionele, op regels gebaseerde aanpak is grotendeels vervangen door de statistische aanpak, waarmee een grote hoeveelheid gegevens in aanmerking kan worden genomen en waarmee risico's over het algemeen doeltreffender kunnen worden beheerd.
AI in de industrie
Voorspellend onderhoud
AI is te vinden in predictief onderhoud die veel gebruikt worden in de industrie. In plaats van een systeem, wat het ook is, elke 6 maanden te onderhouden volgens de voorschriften van de fabrikant, trainen we een machine-learningmodel met bedrijfsgegevens uit het verleden, zodat we een toepassing hebben die het 'juiste moment' kan aangeven om dit onderhoud of een andere aanpassing aan het systeem uit te voeren, wat een aanzienlijke financiële impact kan hebben.
Industriële visie op 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 wordt een algoritme getraind op productafbeeldingen om het te leren herkennen wanneer er een defect of een probleem is... Een "intelligente camera" (een camera versterkt door een beeldverwerkingsalgoritme) wordt dan op de productielijn geplaatst om een visuele inspectie uit te voeren op dezelfde manier als het menselijk oog, alleen veel efficiënter!
Geautomatiseerde documentverwerking
Tot slot worden beeldanalyse- en taalverwerkingstechnologieën steeds vaker gebruikt om documentverwerkingsprocessen te automatiseren die voorheen voorbehouden waren aan mensen. Deze toepassingen, die soms intelligente automatisering worden genoemd, maken gebruik van AI-modellen zoals kunstmatige neurale netwerken om facturen automatisch te herkennen en te verwerken, e-mails te verwerken of informatie te zoeken in grote hoeveelheden tekstuele gegevens. Deze geavanceerde technologieën vervangen mensen bij repetitieve taken, zodat zij zich kunnen concentreren op taken met een hogere toegevoegde waarde.
AI klaar voor gebruik
Het is ook interessant om te zien dat steeds meer leveranciers van AI-oplossingen kant-en-klare AI-systemen aanbieden. Bedrijven kunnen deze getrainde modellen relatief eenvoudig integreren in hun bedrijfsprocessen. Dit is met name interessant voor KMO's en SMI's, die beperkte gegevens hebben in termen van volume en kwaliteit, en weinig interne deskundige resources, zoals datawetenschappers, die in staat zijn om interne oplossingen te bouwen.
Met de juiste partner kan een klein bedrijf bijvoorbeeld zonder al te veel problemen op de markt oplossingen gebruiken om een chatbotoplossing op te zetten om zijn klantenrelaties te automatiseren, een systeem voor automatische documentverwerking of een computer vision-oplossing om fouten op zijn productielijn te detecteren. In deze gevallen kan de ROI (return on investment) zeer snel zijn!
Dit niet-exhaustieve overzicht illustreert de verscheidenheid aan mogelijke toepassingen voor AI, ongeacht de betrokken bedrijfssector. Of het nu is om taken te automatiseren of om te doen wat mensen niet kunnen, AI is in opkomst als de "killer application".
AI-project, de obstakels die moeten worden overwonnen
Talrijke studies tonen echter aan dat de meeste grote bedrijven het, ondanks soms aanzienlijke investeringen, nog steeds moeilijk vinden om van kleine proefprojecten over te stappen op grootschalige productie om waarde te creëren.
Kleinere bedrijven van hun kant zijn nog steeds bezig om de voordelen van AI-oplossingen voor hen te realiseren, ondanks hun lagere technologische maturiteit.
Op dit punt is het de moeite waard om de belangrijkste specifieke kenmerken van AI-projecten te benadrukken die enkele van de moeilijkheden verklaren waarmee bedrijven te maken hebben. De eerste heeft betrekking op het concept zelf van machinaal leren. Het verschilt sterk van een traditionele softwarebenadering en kan worden vergeleken met een systeem van regels. Bij machinaal leren worden de regels of parameters van het systeem niet 'geprogrammeerd', maar 'geleerd' uit 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 heel verkennend, met minder voorspelbare resultaten.
De tweede specificiteit, gekoppeld aan de eerste, is de noodzaak van een Agile projectaanpak, waarbij nog meer wordt samengewerkt dan bij traditionele IT-projecten en waarbij zowel datateams als bedrijfs- en IT-teams betrokken zijn, wat de complexiteit nog vergroot.
Tot slot kunnen vooropgezette ideeën en zelfs fantasieën over AI een grote invloed hebben. Voor sommige werknemers is AI angstaanjagend (ons collectieve onderbewustzijn is gevoed door tientallen jaren aan dystopische sciencefictionfilms), met intelligente robots die uiteindelijk hun baan zouden kunnen innemen. Dit laatste, serieuzere onderwerp is helaas jarenlang gevoed door onderzoeken van toonaangevende organisaties die breed zijn uitgemeten in de media, en die volledig onjuist bleken te zijn. Een beroemde Oxford-studie uit 2013 voorspelde de vernietiging van 47 % aan Amerikaanse banen tegen 2023 als gevolg van AI!
AI-project: waar moet je op letten om te slagen
1. Betrokken managers die gewend zijn aan AI
De eerste is die van de inzet en het begrip van de managers van het bedrijf. Het verbaast ons soms dat senior managers zich totaal niet bewust zijn van de kansen die data bieden. Het is daarom essentieel om hen bewust te maken van de uitdagingen van AI-projecten en hun specifieke kenmerken, zodat ze AI-projecten kunnen ondersteunen door de juiste personele en financiële middelen toe te wijzen.
Daarnaast is data- en AI-alfabetisme een must voor managers, maar ook voor alle werknemers, om de adoptie van oplossingen door bedrijfsteams te stimuleren.
2. Kies verstandig uw AI-projecten
Het tweede onderwerp betreft kiezen welke projecten te starten. In de afgelopen jaren hebben we tientallen AI-proefprojecten gezien in grote bedrijven. Elk bedrijfsonderdeel had zijn eigen team van data wetenschap en iedereen had wel een goed idee om uit te proberen. Een goede praktijk bestaat er daarentegen in zich te richten op twee of drie belangrijke onderwerpen, met sterke steun van het hoger management en een goed investeringsniveau. De keuze van het eerste AI-project dat wordt uitgevoerd is cruciaal, omdat het succes ervan waarschijnlijk bepalend is voor de volgende fase van investeringen in AI.
3. Veel hoogwaardige, goed beheerde gegevens
Het derde onderwerp betreft gegevens en gegevensbeheer. Zoals het gezegde luidt: "geen data, geen AI". We zouden het beroemde "afval erin, afval eruit"Dit betekent dat als de trainingsgegevens voor AI-modellen van slechte kwaliteit zijn, het resultaat niet goed zal zijn!
La gegevensbeheerDit is al lang een probleem voor IT-afdelingen en het wordt steeds belangrijker naarmate de use cases zich ontwikkelen. En hoewel de meeste grote bedrijven echte bestuur Gegevensbescherming (beheer, toegang, naleving, kwaliteit en beveiligingsregels) blijft een grote uitdaging, die kleinere bedrijven vaak als eerste moeten aanpakken.
Naast het implementeren van technische platforms voor gegevensbeheer is het een goede gewoonte om Bedrijfsteams betrekken bij data governance. Dit geldt met name als het gaat om kwaliteit, omdat gegevens een belangrijk bedrijfsmiddel zijn geworden, net als industriële installaties of human resources.
4. Talent aantrekken en behouden
De vierde kwestie is vaardigheden. De afgelopen jaren hebben de meeste grote bedrijven datawetenschappersspecialisten in gegevensmodellering, evenals data-ingenieurs die de gegevens beheert en voorbereidt die in AI worden gebruikt.
Een van de uitdagingen voor deze bedrijven zal zijn dit talent behouden We zijn op zoek naar zeer gewilde kandidaten met een aantrekkelijk beloningspakket, autonomie, innovatieve projecten en de ontwikkeling van een echte datacommunity.
Voor KMO's is het niet noodzakelijk om dit type profiel aan te werven. Sommige van deze taken kunnen worden uitgevoerd door uitgevers van oplossingen en andere dienstverleners. Voor de meeste bedrijven zal de grootste uitdaging liggen in het opleiden van de managers en bedrijfsteams die betrokken zijn bij AI-projecten.
5. Vaardigheden ontwikkelen door training
Geconfronteerd met een tekort aan gekwalificeerde profielen, zullen bedrijven opleidingen kunnen gebruiken om de vaardigheden van hun werknemers te ontwikkelen, niet alleen in IT maar ook in andere domeinen (HR, marketing, financiën, enz.). Deze laatsten kunnen worden opgeleid om met gegevens om te gaan met behulp van eenvoudige tools zoals Power BI.
Uiteindelijk verloopt de implementatie van AI-oplossingen in bedrijven niet van een leien dakje. Om waarde te creëren moet het management geëngageerd zijn en moeten werknemers worden ingewerkt. Bovendien zal AI in de nabije toekomst niet alleen nieuwe inkomstenstromen creëren en de winstgevendheid stimuleren, maar ook de aard van werk en de relatie tussen mens en machine veranderen. Het zal repetitieve, codeerbare taken overnemen en traditionele modellen van werkorganisatie door elkaar schudden.
AI kan bedrijven dus flexibeler en horizontaler maken en werknemers het vooruitzicht bieden om door te stromen naar taken met een hogere toegevoegde waarde die complementair zijn aan AI. Bepaalde beroepen zullen ook verdwijnen en de impact op de werkgelegenheid zal aanzienlijk zijn, ook al is het heel moeilijk om voorspellingen te doen. Reden te meer om voorbereid te zijn.
