Vijf AI-lessen die COVID-19 ons leerde
Al bijna een jaar raast corona door Nederland, en het heeft ervoor gezorgd dat onze levens op zowel professioneel als privé vlak behoorlijk zijn veranderd. Ook overheden, wetenschappers en zorginstanties over de gehele wereld hebben niet stilgezeten, en zijn de ontwikkeling rondom kunstmatige intelligentie (AI) gaan versnellen.
De pandemie, hoe verwoestend deze ook geweest is, heeft er immers wel voor gezorgd dat de ontwikkeling van AI in een stroomversnelling is gekomen. Het heeft onze manier van denken over analytics compleet veranderd. De afgelopen maanden hebben we AI niet alleen ingezet om scenario’s voor de pandemie te voorspellen, er waren ook complexe zakelijke uitdagingen waar AI ons het hoofd kon bieden. En daar zijn een vijftal interessante lessen uitgekomen. Risto Miikkulainen, Associate VP Evolutionary AI bij Cognizant, zet deze lessen op een rij.
1. Consequent onnauwkeurige data kunnen toch inzicht bieden
Wanneer vermoed wordt dat een regio te weinig COVID-besmettingen rapporteert, maar de gerapporteerde aantallen stijgen in de loop van de tijd, kunnen die gegevens gebruikt worden om de onderliggende trends af te leiden. Dit kan ook in andere scenario's worden gebruikt, bijvoorbeeld bij de beoordeling van kwaliteitstrends van een fabrieksmanager die consequent te lage productieopbrengsten rapporteert.
Gebruik data uit meerdere bronnen, zodat de onderliggende trends alsnog duidelijk worden ondanks potentiële slechte data.
2. Gevarieerde data maken stabiele modellen
Een AI-model kan getraind worden om zich bijvoorbeeld te ‘specialiseren’ in een bepaalde geografie of tijdsperiode. Feit blijft wel dat het model zich dan herhaalt op basis van de eerder gespecificeerde data. Stel het model bloot aan meer gevarieerde situaties, zoals data uit andere regio’s of perioden, en je zal zien dat het algoritme beter inzicht ontwikkeld in onderliggende zaken en trends.
3. Gegevens hebben de nodige granulariteit nodig
Granulaire data zijn gedetailleerde data. Bij het vaststellen van de granulariteit voor een analyse is balans het sleutelwoord. Een te hoge granulariteit, oftewel het meenemen van zeer specifieke informatie in je analyse, leidt ertoe dat het systeem de lessen van de ene regio niet kan toepassen op een andere regio, simpelweg omdat deze teveel verschillen van elkaar. Een lage mate van granulariteit zorgt er echter weer voor dat er zaken over het hoofd kunnen worden gezien, zoals bij het analyseren van de wensen en eisen van klanten in verschillende regio’s.
4. Update je data en modellen naar behoren
Dagelijkse updates van je data zijn essentieel om überhaupt het overzicht te bewaren over je nieuwe gegevens, een belangrijke les die we geleerd hebben van COVID-19. Immers, nieuwe data tijdens een pandemie laten direct zien waar en wanneer een nieuwe golf lijkt uit te breken.
In andere branches zijn deze dagelijkse updates misschien overbodig. Bij het monitoren van de voorkeuren voor kleding zijn deze updates waarschijnlijk alleen nodig per seizoen of bij veranderingen in modetrends. In consumentenelektronica kan dit nodig zijn als een nieuw product wordt ontwikkeld of op de markt wordt gebracht.
Uiteindelijk bepaal je data- en algoritme-updates per geval. Let er wel op dat voor elke case geldt dat de datakwaliteit behouden blijft en, in sommige gevallen, dat legacy gegevensformats omgezet worden in een format dat gebruikt kan worden door moderne databases en AI-algoritmes.
5. Reserveer budget en blijf betrokken
Geen passend en doorlopend budget hebben is misschien wel de grootste belemmering om AI effectief in te zetten. Het is namelijk niet zo dat je na een keer je model updaten en het analyseren van je gegevens klaar bent. Integendeel: als je AI effectief wilt inzetten als hulpmiddel bij het nemen van beslissingen, moet je het zien als een doorlopend proces. Denk aan welke producten dichter bij de kassa’s van een supermarkt moeten worden gelegd, of wanneer het beste moment is om te oogsten. AI werkt nou eenmaal het beste wanneer er op tijd een betere indicatie is van specifieke trends. Het vereist formele processen, personeel, vaardigheden en budget om van die updates een routine te maken.
Afgelopen eeuw hebben we vooral statische en wiskundige formules gebruikt bij het analyseren van statische data. We hebben reuzenstappen gezet in de wereld van analyses en data. Modellen evolueren zich en blijven zich dagelijks verbeteren. Organisaties kunnen nu geïnformeerd complexe en belangrijke beslissingen maken, zoals het heropenen van de maatschappij tijdens de pandemie, terwijl de volksgezondheid in acht wordt genomen. Agile Analytics wordt door AI waargemaakt, maar de onderliggende data en modellen hebben wel de nodige hulp nodig.
