Home > Digitale technologieën > AI en big data > Hoe waarde creëren met kunstmatige intelligentie

Hoe waarde creëren met kunstmatige intelligentie

Gepubliceerd op 9 januari 2023
Deel deze pagina :
Illustratie artikel De verschillende zakelijke toepassingen van AI in bedrijven

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 hebben we het meestal over "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 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 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.

Ten slotte kunnen we niet over klantrelaties praten 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 uitgaven. 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 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 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 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 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

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 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 vooral interessant voor KMO's en KMI'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.

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-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

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.

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.

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 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 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.

Onze expert

Thomas HOUDAILLE

Big data en kunstmatige intelligentie

Thomas Houdaille, afgestudeerd aan ESCP, is een ondernemer die gespecialiseerd is in technologieën en hun impact op de samenleving [...]

geassocieerd domein

Big data, kunstmatige intelligentie

bijbehorende opleiding

Gegevens waarderen via kunstmatige intelligentie (AI)

Big data, data science, machine learning, hun impact in het bedrijf

Kunstmatige intelligentie: problemen en hulpmiddelen