Het poker- en schaakspel geven een goede indruk van hoe machine learning (ml) en artificiële intelligentie (ai) werken. Beide spellen verschillen in de manier waarop de beste resultaten zijn te bereiken. Het belangrijkste onderscheid is dat bij schaken alle mogelijke variabelen bekend zijn, terwijl dat bij poker niet het geval is.
Wat dit precies inhoudt, daar kom ik later op terug. Maar het besturen van organisaties kun je in deze zin vergelijken met pokeren, want ook daar zijn bij het nemen van zakelijke beslissingen niet alle variabelen bekend.
Welke variabelen er wel en niet bekend zijn, heeft invloed op wie welke taken uitvoert: mens of machine. Machines, oftewel computers, kunnen de sterk repetitieve of gedefinieerde taken voor hun rekening nemen – waarbij de variabelen dus bekend zijn. Meer strategische besluitvorming, waarbij bepaalde variabelen onbekend zijn, worden over het algemeen beter uitgevoerd door mensen.
Met dit in gedachten lijkt de beslissing of we een taak door een machine of mens willen laten uitvoeren eenvoudig. Maar naarmate ai en ml geavanceerder en krachtiger worden, vervaagt de grens tussen machinale en menselijke taken. De onderscheidende factor hierbij is de manier waarop data worden verwerkt bij het uitvoeren van een taak: gedefinieerd of ongedefinieerd.
In een gedefinieerd cluster zijn alle data en instructies beschikbaar die nodig zijn voor het uitvoeren van de taak. Er is geen sprake van verborgen informatie en aan de hand van de beschikbare data is het mogelijk de noodzakelijke opdrachten te berekenen. Gedefinieerde activiteiten zijn geschikt voor machinale verwerking.
Gaat het echter om een ongedefinieerd cluster, dan is niet alle informatie beschikbaar die nodig is voor de uitvoering. Zaken als intuïtie, interpretatie, analyse, deductie en giswerk zijn ook benodigd om het proces te laten slagen. Computers kunnen hier niet mee omgaan, althans niet zo goed als mensen, voor wie deze ongedefinieerde data-activiteiten daarom beter geschikt zijn.
Schaken versus pokeren
Schaken (gedefinieerd) en poker (ongedefinieerd) zijn twee voorbeelden van spellen in deze clusters. Deze categorieën werden voor het eerst gedefinieerd door de baanbrekende wiskundige en computerwetenschapper John von Neumann, bekend van het boek ‘Theory of Games and Economic Behavior’, dat over speltheorie gaat.
Als we kijken naar het schaakspel, dan zien we dat dit bestaat uit een gedefinieerde set schaakstukken met specifieke rollen en een duidelijke set regels binnen een gedefinieerde ruimte (het schaakbord). Alle gegevens zijn zichtbaar voor beide spelers en er is geen sprake van verborgen informatie (en zonder onduidelijkheid of een zet legaal is of niet). Het totale aantal mogelijke zetten is groot, maar niet oneindig. Dit betekent dat een machine met een goede set algoritmen en genoeg rekenkracht elke schaakkampioen kan verslaan – wat voor het eerst een kwart eeuw geleden gebeurde.
Het pokerspel zit daarentegen anders in elkaar. Het heeft ook een gedefinieerde set stukken (een kaartspel), een set regels en het vindt plaats binnen een gedefinieerde ruimte (de kaarttafel). Maar niet alle informatie is zichtbaar, want het centrale mechanisme van poker bestaat uit het raden over welke kaarten de tegenstanders beschikken en hoe ze deze zullen inzetten. Deelnemers spelen het spel op basis van veronderstellingen, aanwijzingen en intuïties tegen de achtergrond van de beschikbare kaarten en het menselijk gedrag dat onder specifieke emotionele druk plaatsvindt.
Machines kunnen niet de juiste beslissingen nemen als er informatie ontbreekt. Hoewel sommigen beweren dat ai vooruitgang boekt en menselijke intelligentie nabootst, zijn er tegelijkertijd nog geen commerciële toepassingen van dergelijke oplossingen. Voorlopig zijn machines nog geen goede pokerspelers.
Wanneer je een onderneming goed bekijkt, lijkt het besturen ervan meer op poker dan op schaken. En dat komt omdat in de meeste gevallen niet alle data beschikbaar zijn. De besluitvorming vindt vaak plaats op basis van een beperkte hoeveelheid data, interpretatie van beschikbare informatie en intuïtie. Machines zijn dus zeer effectief en efficiënt in het beheren van taken met duidelijke informatie en goed gedefinieerde rollen. In veel bedrijven verlopen processen, zoals we dat bijvoorbeeld zien op sales- en hr-afdelingen, op basis van een duidelijke set gegevens en gedefinieerde rollen, die we ook wel standaard operationele procedures noemen. In it-operaties kan tachtig procent van de taken machinaal worden afgehandeld.
Wanneer je tachtig procent van de standaard operationele procedures automatiseert, kan een organisatie de klanttevredenheid verhogen, bedrijfskosten verlagen door beter gebruik van operationele it-ondersteuning, werknemerstevredenheid verbeteren (door meer controle over de activiteiten, minder focus op bijzaken en het verminderen van het tekort aan it-talent) en de onderhandelingskracht voor de interne it-afdeling verbeteren tegenover systeemintegratoren en andere externe deskundigen (omdat de operationele bedrijfskennis nu in een machine is getransplanteerd).
Autonoom
Een onderneming kan naast automatiseren nog een stap verder gaan en autonoom worden. Dit is de fase waarin machines acties voorstellen en uitvoeren om incidenten te voorkomen of algemene prestaties te verbeteren. Meestal is er dan in het begin wel sprake van een toezichtperiode waarin de mens de machine acties aanleert of modelleert, die later zonder toezicht worden uitgevoerd. Dit zorgt ervoor dat werknemers worden vrijgespeeld van handmatige, repetitieve taken, waardoor zij zich kunnen richten op crucialere taken.
