Heeft Artificial Intelligence toegevoegde waarde voor uw organisatie?
Niet elke organisatie is geschikt voor AI
6 maart 2020 -
Artificial Intelligence (AI) is een hot topic en veel managers staan te popelen om het zo snel mogelijk te implementeren in hun organisatie. Er wordt echter niet altijd beseft dat het tijd kost om AI te implementeren en dat niet elke organisatie er geschikt voor is. Wim van Dam, medeoprichter van Doculayer geeft aan dat klanten vaak erg enthousiast worden als het over AI-technologie gaat vanuit het idee dat sommige uitdagingen ermee opgelost kunnen worden.
Vaak weten deze bedrijven in de praktijk alleen maar amper hoe AI werkt en welke toegevoegde waarde het echt kan hebben voor hun organisatie. In dit artikel laat Wim van Dam u zien hoe u kunt bepalen of AI echt toegevoegde waarde heeft voor uw organisatie. Eerst terug naar de basis: waarom is er zo veel te doen over AI?
AI is al jaren een hot topic omdat het naar verwachting zeer veel gebruikt gaat worden in organisaties. Gartner voorspelt zelfs dat in 2021 70 procent van de organisaties op één of andere manier AI zal inzetten.
Waarom krijgt AI zoveel aandacht?
Met kunstmatige intelligentie zijn machines in staat taken uit te voeren waarbij ze continu leren van hun ervaringen en steeds beter gaan presteren net als dat bij mensen zou gebeuren. AI is een krachtige technologie die onze productiviteit drastisch verhoogt vooral bij taken die nauwkeurig uitgevoerd moeten worden.
Een paar dingen die AI beter doet dan wij:
- Zichzelf herhalende, tijdrovende taken
Stelt u zich eens voor dat u meer dan 10.000 contracten moet doorlopen, ze handmatig moet classificeren, de begin- en einddatum van het contract eruit moet halen en vervolgens elk contract moet toewijzen aan de juiste accountmanager. Hoe lang duurt het om deze taak te voltooien? Hoeveel fouten gaat u maken? Hoe snel wordt u het zat om al deze contracten te lezen? AI-tools kunnen dit soort taken in een paar minuten uitvoeren met weinig tot geen fouten.
- Meerwaarde halen uit grote hoeveelheden gegevens
Bedrijven hebben tegenwoordig zoveel gegevens tot hun beschikking dat er voor mensen geen doorkomen meer aan is. Zelfs de slimste data scientist kan niet concurreren met de capaciteit van AI om enorme hoeveelheden gegevens in zich op te nemen, te analyseren en er vervolgens kleine brokjes informatie uit te te destilleren. AI kan patronen in historische gegevens zien en ontelbare kansen signaleren die we anders over het hoofd zien.
- Complexe problemen oplossen
Bij het oplossen van complexe problemen, overtreft AI ons ook. Het kan objectieve, niet-emotionele beslissingen nemen die alleen gebaseerd zijn op gegevens en statistieken. Mensen kunnen onmogelijk 100 procent datagestuurd zijn. AI kan onze dagelijkse taken aanvullen en ons helpen de natuurlijke beperkingen van onze hersenen te overwinnen.
Heeft AI echt toegevoegde waarde voor uw organisatie?
Stel dat uw bedrijf hulp nodig heeft bij het classificeren van documenten. Dit is vaak een vermoeiende en foutgevoelige taak maar wel een belangrijke omdat u daarmee inzichten uit documenten kunt halen. Daarom proberen veel bedrijven dit proces te automatiseren. Vanuit het perspectief van AI is dit een makkelijke taak. Het hele proces bestaat uit twee stappen: gegevens voorbereiding en AI-training.
Stap een: Datapreparatie
Hoewel deze stap het meest tijdrovend is, is deze ook het belangrijkst.
Datapreparatie bestaat uit het verzamelen, consolideren, opschonen en labelen van gegevens. De juiste datapreparatie levert een goed samengestelde trainingsset met documenten en daardoor nauwkeurigere resultaten op.
Stap twee: AI-training
De volgende stap is het invoeren van deze trainingsset. Tijdens dit proces leert een algoritme de categorieën te onderscheiden waartoe documenten behoren, op basis van de voorbeeldgegevens en wordt het probleem met gegevensclassificatie opgelost.
Gegevens niet geschikt
Soms zijn de gegevens in een organisatie echter simpelweg niet geschikt voor verwerking op basis van AI. Bijvoorbeeld als de kwaliteit van scans te laag is, of de diversiteit van de data te groot is ten opzichte van het aantal documenten. Als u bijvoorbeeld maar 1000 documenten heeft in verschillende talen is dit voor AI simpelweg niet genoeg om te leren om de documenten in de goede categorie te labelen.
Als u met uw organisatie de inzet van AI-technologie overweegt, is het daarom belangrijk om vooraf een afweging te maken tussen de tijd die het kost en de waarde die het uw organisatie oplevert. Soms kost het meer tijd om een AI-motor te trainen zoals in bovengenoemde voorbeelden bijvoorbeeld, dan de waarde die uiteindelijk oplevert.
Wanneer kunt u AI wél toepassen in uw organisatie?
Om wel te profiteren van AI-toepassingen moet uw organisatie aan twee randvoorwaarden voldoen; er moeten grote hoeveelheden data zijn en deze moeten van hoge kwaliteit zijn.
Overfitting
Om te begrijpen waarom u veel data nodig heeft, is het belangrijk dat u het concept van ‘overfitting’ kent. Wanneer de wiskundige formule wordt afgeleid uit een te kleine hoeveelheid data, is de kans groot dat er op een bepaald moment te veel afwijkingen ontstaan. Een representatieve dataset is dus essentieel voor het slagen van zo’n traject. Een dataset moet zoveel mogelijk document voorbeelden bevatten. Zo kan het model voldoende generaliseren naar documenten waarop het nooit getraind is. Als dat niet mogelijk is, vindt zogenaamde ‘overfitting’ plaats en lukt classificeren wel in trainingen maar niet in de praktijk.
Daarnaast is de kwaliteit van de data een belangrijke randvoorwaarde. Ten eerste omdat de kwaliteit te maken heeft met het type data. Bij het oplossen van document classificatieproblemen kijken we naar tekstgegevens. Deze tekstbestanden zijn op te slaan in verschillende formaten zoals .txt, .doc, .xls en pdf. Vooral dit laatste format is lastig.
Een pdf-bestand kan namelijk uit digitale of uit gescande bestanden worden gecreëerd. Hoewel digitaal gemaakte pdf's een tekstlaag hebben, hebben de scans deze laag misschien niet. Dan is er slechts een afbeelding van het document. Met moderne technologie zoals OCR is het mogelijk een tekstlaag aan een afbeelding toe te voegen. De resultaten zijn echter nooit 100 procent nauwkeurig. OCR maakt meestal fouten en interpreteert tekens verkeerd. Om de kwaliteit van de uitkomst te verbeteren, is Post-OCR-verwerking nodig. Hiermee zijn veel fouten op te lossen die in tekstbestanden zijn geslopen. Als de scan echter vervormd is of als de tekst vaag is, helpt zelfs Post-OCR niet om fouten te vermijden. Kortom de kwaliteit van gescande documenten speelt een belangrijke rol.
Evenwichtige dataverdeling
Daarnaast heeft de kwaliteit te maken met de evenwichtigheid van de data. Evenwichtig houdt in dat de ingevoerde datapunten per categorie gelijkmatig zijn verdeeld en niet afwijken. Stel een organisatie heeft bijvoorbeeld twee categorieën: De eerste categorie heeft 5000 datapunten en de tweede slechts 200. Dan is de kans groot dat het model alleen een voorspelling kan maken voor de eerste categorie. In deze categorie zullen de uitkomsten heel nauwkeurig zijn. Maar in de tweede categorie wordt nooit correct voorspeld.
Er zijn wel technieken om het probleem van scheefgroei in een dataset te bestrijden, maar ook die werken niet altijd even goed. Nu kunt u zich afvragen of het überhaupt wel mogelijk is om representatieve data te hebben, omdat documenten nu eenmaal constant veranderen en er altijd documenten zullen zijn die volledig verschillen van de rest. Het antwoord daarop is dat het in principe acceptabel is dat AI soms onjuiste voorspellingen doet. Als het percentage fouten echter te hoog wordt, is de data vaak van een te lage kwaliteit.
Hoeveelheid data en kwaliteit bepalen toegevoegde waarde AI
Datakwaliteit en datavolume zijn noodzakelijk voor elk AI-project. Dus het antwoord op de vraag of AI toegevoegde waarde kan bieden in uw organisatie, hangt af van of u voldoende data heeft en of de kwaliteit ervan goed genoeg is. Als uw organisatie hieraan voldoet kan AI u zeker vooruit helpen.
