Als voormalig analist heb ik veel hype-cycli gezien. Gartner definieert een hype cycle als iets waarbij je de belofte van een bepaalde technologie of de toepassing daarvan ervaart. Dan komt er een periode van desillusie, gevolgd door afwijzing of acceptatie en uiteindelijk heel vaak productiviteit. Op dit moment zien we de AI-hype met bijzondere focus op ChatGPT en generatieve AI. Niemand weet waar AI over tien jaar zal zijn, maar wat duidelijk is, is dat het gebruik van AI in organisaties zal blijven groeien en evolueren – ChatGPT of geen ChatGPT – en je het moet benutten om er de komende jaren de vruchten van te plukken.
In het verleden zorgden problemen rond het ontwerpen van kunstmatige intelligentie en het implementeren van traditionele machine learning ervoor dat AI niet in de organisatie kon worden toegepast. Het was veel werk om data te verzamelen, voor te bereiden, het model te bouwen, te trainen en vervolgens in productie te nemen. En als je daar al succesvol in was, dan moest je veel energie en middelen investeren in het onderhouden van het model en het omgaan met de verschillende vormen van “drift” die het na verloop van tijd minder nauwkeurig en effectief kunnen maken.
Stijgend gebruik AI
Nu de rekenkracht toeneemt en datasets groter worden, groeit de toepassing van AI in organisaties. Volgens Forrester-analist Diego lo Guidice is de implementatie van AI, machine learning of deep learning gestegen van 67% in 2021 naar 73% in 2022. Ik zou zelfs willen beweren dat de acceptatie van AI nu al dichter bij 100% ligt. Het gaat er echter om wat ‘adoptie’ betekent. Traditionele kunstmatige intelligentie voedt natuurlijk al dingen als online aanbevelingen voor verschillende use cases, geautomatiseerde documentverwerking, supply chain planning en cybersecurity.
De primaire toepassingen van machine learning maken routinematig werk eenvoudiger en sneller. Dergelijke vormen van AI worden snel omarmd in de dagelijkse operatie en bieden waarde op het gebied van snelheid, tijdsbesparing en compliance. Deze nieuwe golf van machine-intelligentie, vertegenwoordigd door generatieve AI – hoe echt ‘intelligent’ het ook is of niet – heeft duidelijk geleid tot een enorme hoeveelheid innovatie en nieuwe investeringen. En met een goede reden. ChatGPT en andere generatieve AI-tools zoals Bard of Dall-E zijn vrijwel technische wonderen.
Generatieve AI heeft het potentieel om aanzienlijke waarde te ontsluiten en heeft enorme implicaties voor alle vormen van werk. Het is verleidelijk om te denken dat, omdat het zo’n fenomenale hoeveelheid data bevat en zulke verbazingwekkende dingen kan doen, generatieve AI andere vormen van machine-intelligentie zal vervangen. Het enige dat nodig is, is wat slimme ‘snelle engineering’ en ‘fine-tuning’ om een oplossing voor elk probleem te genereren.
AI voor routinematig werk
ChatGPT kan menselijke taken versnellen en kenniswerkers versterken. Een advocatenkantoor, dat de hele dag door talloze juridische documenten produceert, zou mogelijk generatieve AI kunnen gebruiken om documenten te produceren die op maat zijn gemaakt voor de specifieke zaak waaraan wordt gewerkt. Hoewel de bespaarde uren in deze voorbeelden een mooie winst zijn, wordt AI nog steeds voornamelijk ingezet om routinematig werk gemakkelijker te maken terwijl er veel meer waarde uit AI gehaald kan worden.
Minder technische vaardigheden nodig
In een recent artikel “Bill Gates: People Don’t Realize What’s Coming”, wordt gesteld dat deze nieuwe golf van AI, aangedreven door generatieve tools zoals ChatGPT, de manier waarop bedrijven zakelijke problemen oplossen zal veranderen. Er wordt gesproken over
“een wereld waar de grenzen tussen technisch en niet-technisch werk niet langer bestaan”. Dit is ongetwijfeld waar. Mensen zullen minder technische vaardigheden op een bepaald gebied nodig hebben om hun werk te doen en hun doelen te bereiken. Generatieve AI kan het echter niet alleen.
Als we een stap terug doen, is het handig te bedenken dat kunstmatige intelligentie een brede term is. En zoals met alle ontluikende technologieën, moet alle rumoer die gepaard gaat met een bepaalde vorm van AI met een flinke korrel zout worden genomen. Je moet jezelf afvragen over welke specifieke vorm van AI het gaat. Dit helpt te bepalen of een bepaalde AI-technologie of -techniek gebruikt kan worden om een bepaalde uitdaging op te lossen of kansen biedt voor uw organisatie.
‘Composite AI’
Het oplossen van een probleem door middel van machine-intelligentie is in de praktijk vrijwel altijd veelzijdig. En hoe rijk of inspirerend een bepaalde AI-techniek ook is (en generatieve AI is zeker rijk en inspirerend), het behandelt slechts één facet van het aanpassen of automatiseren van werk door middel van AI. Dus als je een echt probleem wilt oplossen met kunstmatige intelligentie, heb je waarschijnlijk een combinatie van AI-technieken nodig, niet slechts één. Of, zoals Gartner het noemt: ‘Composite AI’.
Composite AI brengt meerdere AI- en geavanceerde analysemogelijkheden samen, met als doel een beter – en betrouwbaarder – resultaat te produceren. Een kennisgrafiek wordt bijvoorbeeld vaak gebruikt als aanvulling op generatieve AI bij het vergroten of automatiseren van menselijke besluitvorming, of bij interactie met virtuele agents. Het is een mooie manier om menselijke ervaringen en beoordelingen vast te leggen. Het toevoegen van de menselijke factor, in digitale vorm, leidt tot betere resultaten. En het vergroot het vertrouwen van gebruikers in door het systeem gegenereerde antwoorden op hun vragen.
Een voorbeeld van composite AI: klanten van een verzekeringsmaatschappij kunnen met een app een foto van hun auto maken na een ongeval en direct delen. Van daaruit wordt automatisch een taxatie van de schade gemaakt. Op basis van die beoordeling wordt een rapport opgesteld. En als de auto total loss wordt verklaard, wordt er voor de autobezitter een oproep gedaan naar het dichtstbijzijnde sleepbedrijf.
De verzekeraar gebruikt een aantal AI-frameworks om zowel handmatige taken als menselijke besluitvorming te automatiseren. Beeldherkenning legt de schade vast en beoordeelt deze. Machine learning vergelijkt het beschadigde voertuig met hoe een voertuig van dat merk en model eruit zou moeten zien en stelt de schade vast. Generatieve AI produceert een rapport. Deze samengestelde AI kan de auto vervolgens total loss verklaren en bepalen dat een sleepbedrijf gebeld moet worden om de auto op te halen.
Causaal en effectief
Dit brengt ons bij een van de meest interessante vormen van samengestelde AI: causale AI.
Causale AI is meer dan generatieve AI of machine learning-voorspellingen en automatisering. Die technologieën hebben geen begrip van concepten; er is geen onderscheidingsvermogen. Causale AI kan input analyseren en – mits het model goed is getraind – menselijke beslissingen nemen. Met causale AI kun je het oordeel van je medewerkers vastleggen binnen bepaalde systemen of workflows. Hiermee automatiseer je niet alleen een taak. Je verbetert de besluitvorming.
Met causale AI kun je de capaciteiten van werknemers naar een hoger niveau tillen. Na verloop van tijd zou je dat model zelfs een reeks beslissingen kunnen toevertrouwen. Met de juiste dataset kunnen organisaties nu hun medewerkers in staat stellen betere en snellere beslissingen te nemen.
Het duurt nog een paar jaar, maar het is de volgende stap in AI. Stelt u zich eens voor welke waarde u kunt realiseren met dergelijke technologie. Causale AI is meer dan bespaarde uren en verdiende euro’s. Het is meer dan een voorspelling. Het is een voorspelling gecombineerd met aanbevelingen voor voorgestelde verkooptactieken voor bepaalde klantsegmenten. Causale AI kan bijvoorbeeld beursgegevens analyseren en financiële instellingen helpen weloverwogen investeringsbeslissingen te nemen op basis van de relatie tussen aandelenkoersen, economische indicatoren, overheidsbeleid en nieuwsberichten.
Menselijke besluitvorming nabootsen
Terwijl een organisatie machine learning kan inzetten om een taak in een supply chain-proces te automatiseren, repliceert causale AI niet alleen een menselijke taak, maar kan het ook menselijke besluitvorming nabootsen en knelpunten en inefficiënties in het proces identificeren en de prestaties verbeteren. Causale AI is een andere manier om betere resultaten te creëren.
Causale AI en andere toepassingen van samengestelde AI gaan organisaties helpen de grenzen tussen technisch en niet-technisch werk te vervagen. Zo kan het rendement op investeringen in de ontwikkeling van AI-gedreven applicaties en slimme apps exponentieel groeien. AI zal zichzelf altijd verder ontwikkelen en het spel veranderen. De opwinding rondom AI is voor mij niet wat het kan repliceren, maar wat we ermee kunnen doen en wat voor soort complexe problemen we ermee kunnen oplossen.
Verandering in carrières en functies
Als de hype rond AI weer een hoogtepunt bereikt, dan is er een grote kans dat het de AI betreft die een menselijk oordeel kan toepassen en tegelijkertijd de technische expertise die nodig is om werk uit te voeren, verlaagt. Carrières zullen dus veranderen, functies zullen veranderen en branches zullen ontwricht raken. Maar dat is de aard van technologie, nietwaar? Het is aan u om te bepalen welke AI-technologieën, niet alleen een enkele zwaar gehypte, zullen helpen de toekomst van uw organisatie veilig te stellen.
Gordon van Huizen is VP Platform Strategy bij Mendix
