Het lijkt tegenwoordig alsof artificiële intelligentie (ai, kunstmatige intelligentie) voor alles een oplossing moet bieden. Wie nog niet op de trein gesprongen is, krijgt de indruk gedoemd te zijn. Zo’n vaart zal het niet lopen. Een sector zoals de supply chain heeft meer acute uitdagingen die we eerst moeten aanpakken vooraleer ai bedrijven echt vooruit gaat helpen.
Artificiële intelligentie en machine learning (ml) zijn twee buzzwords waar we graag al eens mee uitpakken. Maar wat betekenen ze eigenlijk? Veel bedrijven claimen trots dat ze met ai bezig zijn, maar in de praktijk doen ze dingen die al jaren bestaan en maar weinig met nieuwe technologie te maken hebben. Om dit te begrijpen, moeten we eerst nagaan hoe ai precies in elkaar zit.
Dimensies
Concreet bestaat ai uit drie verschillende dimensies. Het eerste niveau is relatief eenvoudig en noemen we een ‘feedback loop’. We gebruiken data om een intelligente machine iets aan te leren en op basis van dat leerproces efficiënter te kunnen werken. In heel wat organisaties is deze definitie voldoende om over ai te spreken, maar zo baanbrekend is dit al lang niet meer.
Het tweede, dieperliggende niveau omvat machine learning. In dit geval gaat de machine uit z’n eigen gedrag leren en bijgevolg beter worden. Een eenvoudig voorbeeld is een computer die we oxo leren spelen (boter-kaas-en-eieren). In het begin win je gemakkelijk, maar het systeem onthoudt de oorzaak van elke verliespartij en zal dus nooit dezelfde fout opnieuw maken. Na een tijdje is de computer gewoon niet meer te kloppen.
Het meest verregaande niveau is deep learning (dl). Hierbij wordt een machine zodanig getraind dat deze zelf gaat nadenken door de neuronale netwerken in een menselijk brein na te bootsen. Wanneer je een computer bijvoorbeeld voldoende afbeeldingen van katten laat zien, zal de machine uiteindelijk in staat zijn om op een willekeurige foto zelfstandig een kat te herkennen.
Alles begint bij data
Deep learning is voor de meeste bedrijven nog volkomen onrealistisch. In de eerste plaats zijn er gewoon bijzonder veel data voor nodig en het is niet altijd zeker of je wel toegang tot al die informatie hebt. Bovendien volstaat het niet om een machine vol data te steken als je de functie niet heel nauwkeurig definieert. Stel dat je bijvoorbeeld een promotie lanceert en wil inschatten hoeveel je gaat verkopen. Dan ben je ook afhankelijk van externe factoren zoals het weer en acties van concurrerende merken. Je moet dus exact weten hoe al die gegevens in elkaar zitten voor je correcte voorspellingen kunt doen.
Alleen de grootste spelers hebben vandaag voldoende data om deze technologie toe te passen. Daarom moeten bedrijven zichzelf de vraag durven stellen wat ze precies van ai verwachten. Wat willen ze bereiken en helpt die technologie hen op dit moment vooruit? Eigenlijk zit ai nog in een experimentele fase en zijn de meeste bedrijven nog lang niet rijp om ze toe te passen. Natuurlijk mogen we wel nadenken over de manier waarop we ai ooit zouden kunnen inzetten. Het is immers essentieel om nu al de juiste data te verzamelen.
Hou de sleutel in handen
Wat we zeker moeten vermijden, is dat ai een soort zwarte doos wordt. Stiekem dromen we ervan een machine te maken die een soort extensie van onszelf kan worden. Toch mogen we technologie nooit helemaal blind vertrouwen. We moeten onszelf altijd de vraag blijven stellen waarom het een bepaalde beslissing neemt. Zo kan een systeem je wel zeggen wanneer een machine zal stilvallen, maar weet je dan waarom dat het geval is?
Eigenlijk worden we ook in het dagelijkse leven met dit soort beslissingen geconfronteerd. Neem de verkeersapplicatie Waze. Als deze je aanraadt de eerstvolgende uitrit op de snelweg te nemen, zullen veel mensen dat advies gewoon volgen. Anderen zullen zich misschien de vraag stellen waarom Waze dit de snelste route vindt en op basis van eigen kennis het bevel negeren.
Hoe dan ook kom je in het slechtste geval iets later op het werk aan. Als een bedrijf op basis van data de verkeerde beslissing neemt, zijn de gevolgen veel groter en mag de ceo het bij de aandeelhouders gaan uitleggen. Je hebt er dus alle baat bij het overzicht te houden over het waarom van bepaalde beslissingen.
Focus op de essentie
In plaats van fors te investeren in ai, kunnen bedrijven zich beter op andere zaken focussen. Uit onderzoek blijkt dat 83 procent van de executives stelt dat een gebrek aan visibiliteit in hun bedrijfsprocessen vandaag een struikelblok is om ai in de supply chain toe te passen. Begin dus beter met de vraag waar zich op dit moment de bottleneck in je organisatie bevindt.
Om die hindernissen te identificeren, heb je helemaal geen ai nodig. Met bestaande data kan je vaak al efficiënter gaan werken. Een concrete case: een lokaal bedrijf gelooft dat het kosten kan besparen door materiaal in China aan te kopen, omdat het daar veel goedkoper is dan op de eigen markt. Na een simulatie met data blijkt echter dat het desondanks toch beter is om dat materiaal in Nederland iets duurder te betalen en globaal meer winst te maken. Data zullen je dat vertellen, maar toch maken nog veel organisaties gelijkaardige fouten, omdat ze te weinig zicht hebben op hun processen.
Bedrijven moeten dus eerst de nodige maturiteit kweken voor ze met ai aan de slag kunnen gaan. Veel kmo’s/mkb’s hebben op dit moment te weinig tijd om dingen grondig aan te pakken, laat staan dat ze ai zouden kunnen implementeren. Data verzamelen is een goed begin, maar het is verstandiger om stap voor stap vooruitgang te boeken. Eigenlijk zijn we nog maar net aan het kruipen en toch willen we meteen de honderd meter op de Olympische Spelen lopen. Als bedrijven klaar zijn om te groeien, is er nog meer dan tijd genoeg om naar het echte potentieel van ai te kijken.
Olivier Corluy, managing partner Xeleos Consulting en Optimact
