Kunstmatige intelligentie wordt gezien als de volgende kwantumsprong. Meer en meer bedrijven maken van machine learning hun belangrijkste prioriteit; intelligente machines zijn, meer dan ooit, onderwerp van publieke discussie. Toch is het concept van machine learning niet bepaald nieuw. Waar komt dan die hype vandaan?
Eén belangrijke verandering ten opzichte van vroeger is het technische framework waarmee kunstmatige intelligentie in de praktijk kan worden ingezet. Dan heb ik het over meer computerkracht, betaalbare opslag, krachtige in-memory databases zoals SAP Hana en zeer ontwikkelde algoritmen. Nog belangrijker is echter big data: een gevolg van de digitale transformatie en de basis van machine learning. Tegelijkertijd neemt de druk op bedrijven toe: ze zijn afhankelijk van automatisering van zakelijke processen om de toenemende druk om competitief en innovatief te zijn het hoofd te kunnen bieden en het tekort aan it-specialisten te compenseren.
Machine learning maakt veel mogelijk
De grote hoeveelheden data die vrijkomen door digitale processen worden bij de meeste bedrijven in systemen begraven. Bij veel bedrijven wordt geprobeerd daar toch toegevoegde waarde uit te halen, maar dat proces vroeg, zeker in het begin, veel te veel. Door machine learning is er echter opeens veel mogelijk: niet alleen mensen, maar ook intelligente algoritmen analyseren de data. Zo snel, compleet en intelligent dat zelf in de grootste datavolumes snel onderlinge verbanden zijn te vinden. Er is geen menselijk brein dat zoveel data net zo snel en accuraat zou kunnen verwerken als machine learning-systemen. Als gevolg daarvan is er een kloppend, op data gebaseerd resultaat binnen enkele nanoseconden.
Patroonherkenning is tot nu toe de meest gebruikte variant van machine learning, maar verbindingen leggen tussen grote hoeveelheden data is slechts een onderdeel. Belangrijker is dat een algoritme leert hoe een taak kan worden voltooid. Alleen op die manier kan de software afwijkingen van de norm herkennen, en aanbevelingen doen over conversie van huidige processen in doelprocessen. Door machine learning-componenten te integreren, kan een applicatie virtueel denken, leren en autonoom plannen en verder gaan dan puur en alleen voorspellende data-analyse.
Daardoor moet er meer gebeuren dan enkel berekenen volgens vaste regels en events triggeren: het draait om wendbaarheid. Om dat te bereiken, en om waarlijk voorspellend te zijn, moet een systeem snel aan te passen zijn. Data, databronnen, formats en processen veranderen voortdurend. Bovendien moet er ruimte over blijven voor creativiteit en innovatie. Inzichten en suggesties, opgedaan met behulp van kunstmatige intelligentie, zouden moeten stimuleren, niet beperken. Uiteindelijk wordt echt creatief, lateraal en nieuw denkwerk nog steeds door mensen verricht.
Revolutie
Bedrijven die beginnen met kunstmatige intelligentie maken de weg vrij voor een revolutie. Oude, rolgebaseerde processen maken plaats voor nieuwe, efficiëntere en intelligente procedures, aangevuld door een toekomstgerichte blik en de vraag: ‘wat gebeurt er, als…?’
Ook software-providers moeten een bijdrage leveren, want machine learning-systemen zijn alleen succesvol als managementkennis wordt gecombineerd met it-knowhow en goede programmeerskills. Vergeleken met kleine bedrijven hebben grote aanbieders duidelijk minder problemen met implementatie van zelflerende systemen. Wanneer je kunstmatige intelligentie integreert, is de meeste data automatisch beschikbaar. Scenario’s voor toepassing zijn eveneens duidelijk: denk alleen al aan betalingen van rekeningen, selectie van kandidaten voor een functie, de evaluatie van marketing return of investment (roi), of voorspellingen van klantgedrag in e-commerce-transacties.
Machine learning biedt echter daarnaast veel mogelijkheden voor middelgrote bedrijven uit de big data-omgeving – zolang ze maar over de nodige ontwikkelingscapaciteiten beschikken om machine learning in hun applicaties te integreren.
Ik ben er namelijk van overtuigd dat kunstmatige intelligentie de toekomst is. Het momentum is niet alleen het gevolg van de ontwikkelingen, maar ook veroorzaakt door de klanten. Niet alleen wilden ze inzicht krijgen in hun eigen processen via klassieke process mining; ze wilden ook praktische ondersteuning voor hun besluitvormingsproces. Hoe optimaliseer je processtappen nog verder, en hoe neem je de nog bestaande horden weg. En: ze wilden weten welke invloedrijke factoren als eerst getackeld moesten worden.
