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 vermoedelijk niet lopen. Een sector zoals de supply chain heeft acutere 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.
Baanbrekend
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 alleen maar 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 op dit moment 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, acties van concurrerende merken, et cetera. 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.
Sleutel
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 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 om 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 veel 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
Termen als ‘heilige graal’ gaan om een geloof en dat wringt altijd met de wetenschap. En betreffende het laatste lijkt schrijver nog in de zandbak te zitten van de kleuterschool als ik naar ontwikkelingen van AI in de supply chain kijk. Neem bijvoorbeeld de ‘GO’ concepten om wachtrij bij de kassa’s te reduceren met Edge AI van object- en patroonherkenning. Een geautomatiseerde point-of-sale in de supply chain kent interessante businesscases in de nieuwe realiteit van Corona-crisis waarin we een oosterse tech-cultuur opgedrongen (lijken te) krijgen.
@EEN OUDLID | 29 APRIL 2020 23:58
Je gaat er enigzins aan voorbij dat AI al 2 eerdere bloeitijdperken heeft gekend en nu, ondanks de enorme bedragen die in die sector omgaan, nog steeds een belofte blijkt te zijn. De voorbeelden die je geeft zijn van toepassing op een uiterst beperkt instrumenteel kennisdomein.
Het punt dat de schrijver maakt is dat beslissingen op een hoger niveau veel meer data vragen. Grote kennisdomeinen die ook nog eens afhankelijk blijkt van zaken die continu veranderen en dan ook om steeds andere data vragen.
Verder lijken de businesscases steeds marginaler te worden en zijn erop gericht om zoveel mogelijk op mensen te besparen. Wat is er verkeerd aan dat het personeel af en toe kijkt of het niet te druk wordt bij de kassa’s vraag ik mij af? Is daar dan werkelijk geen ruimte meer voor?
Het onvermijdelijke gevolg van deze tech-race naar de bodem is dat er straks alleen nog maar winkels zonder personeel bestaan, waar uitsluitend mensen met uitkeringen kopen. Persoonlijk kan ik dat geen innovatie noemen.
KJ,
Ik neem aan dat je bekend bent met de ‘Hype-cycle Emerging Technologies grafiek’ van Gartner die aangeeft waar het ’techno-optimisme’ zit als verwachtingen groter zijn dan wat er op dit moment technisch mogelijk is. Edge AI gaat de komende 2 jaar richting volwassenheid en de onderliggende tech-trends die dit mogelijk maken zijn de IoT van sensors, 5G netwerken en AI cloud die het stadium van platformen van productiviteit bereiken. Dat er hogere (menselijke) cognitieve vaardigheden nodig zijn in vele beslissingsmodelen zorgt ervoor dat de AI nog struikelt over een Turing-test, te weing data is niet het probleem.
Betreffende je tech-race naar de bodem, kijk eens naar de lage lonen arbeid in de supply chain welke zorgde voor een trek vanuit het oosten doordat e-commerce steeds meer ging concurreren met traditionele winkels. Mensen met een uitkering bestellen op krediet bij Wehkamp. Dat de middenstand de concurentie met de online winkels verliest komt vooral omdat de kosten van pand (in te dure winkelstraat) en personeel te hoog zijn en de marges te laag en valt niet zo zeer de technologie te verwijten.
Dat door Edge AI een point-of-sales geautomatiseerd wordt wil nog niet zeggen dat er geen personeel meer nodig is, zo kan het kassameisje bijvoorbeeld een andere rol krijgen. Uiteindelijk hebben bedrijven door technologie minder behoefte aan de ‘flexibele arbeidsschil’ van de slecht betaalde baantjes waardoor een uitkering nog meer oplevert.
@ Een oudlid | 1 mei 2020 00:30
AI heeft altijd de ambitie gehad om systemen te creeeren die intelligent gedrag vertonen en die in staat zijn om zaken te begrijpen, erover na te denken, nieuwe zaken te leren en uit te leggen aan gebruikers. De meeste innovaties op AI gebied zijn nog altijd te classificeren als “weak” in de rangorde van weak, strong en super AI. De heilige graal, “(zelf)bewustzijn” is nog lang niet bereikt.
Dat “kassameisje dat een andere rol kan krijgen” is een uitspraak die je veel ziet in de automatisering. De suggestie dat een weggeautomatiseerde werknemer middels een paar cursussen in staat zou zijn om een nieuwe positie te verwerven (“automatisering schept ook nieuwe soorten van werk”) was misschien 30 jaar terug nog waar, maar door de toenemende specialisatie is dat allang geen haalbare kaart meer.
Uiteraard ben ik bewust van het feit dat online aankopen de traditionele manieren verdringen en als techneut/lid van deze samenleving vind ik dat een slechte ontwikkeling. Een samenleving die in toenemende mate door apparaten wordt gemanaged waarin voor de mens steeds minder plaats is en waarin ook mensen zelf steeds meer als apparaten worden gezien en gemanaged (zie China) is niet echt een aantrekkelijk toekomstperspectief.
KJ,
Dat een ‘strong’ AI van computers met een zelfbewustzijn leidt tot dysotopische samenlevingen waarin mensen als dingen gezien worden is de 30 jarige discussie die Hollywood geïnspireerd heeft tot een groot aantal films zoals The Matrix. En inderdaad is de meeste AI nog ‘weak’ maar het is desondanks alom aanwezig in allerlei virtuele assistenten.
Een inzet die een aantrekkelijk toekomstperspectief biedt omdat demografische cijfers een omgekeerd beeld laten zien van wat jij schetst. Cijfers in de retail sector laten zien dat de flexibele arbeidsovereenkomsten met 10% gestegen zijn en de salarissen met 12% gedaald. Uiteraard is dit alleen maar statistiek maar het geeft enige onderbouwing aan de andere rol waarover ik sprak, een rol die ondersteund kan worden met AI van de virtuele assistenten om zo specialisaties te verkleinen.
Tenslotte hangt generatie Z met Siri aan de AI cloud waardoor ze weten wat er achter de dijken ligt. Generatie Z heeft een groeiende koopkracht omdat ze het ‘kassameisje’ zijn in de retail zoals de cijfers laten zien maar ze kopen dus niet lokaal.