Leestijd: 4 minuten

Van onderbuikgevoel naar datagedreven besluitvorming

Op feiten gebaseerde besluitvorming in organisaties is niet van gisteren. Aan het einde van de 19e eeuw introduceerde Frederick Taylor zijn wetenschappelijke managementmethode, waarbij managers in het bedrijfsleven hun besluiten gingen onderbouwen op basis van gegevens. Het vakgebied businessmanagement was daarmee geboren en data-analytics, het analyseren van gegevens, werd vanaf het begin een cruciaal onderdeel van dit nieuwe vakgebied.  

In de periode voor Taylor vertrouwden managers en experts bij het nemen van besluiten voornamelijk op hun onderbuikgevoel. Intuïtie wordt weliswaar gevormd door ervaringen, maar deze data wordt door ons bewustzijn en onderbewustzijn zodanig gemanipuleerd, dat we niet meer kunnen spreken van objectieve feiten. Steeds meer komen we tot het inzicht dat beslissingen op basis van gevoel door de beste experts, inferieur zijn aan besluitvorming gebaseerd op objectieve cijfers.  

Business Intelligence

Sinds de opkomst van computers wordt data middels elektronische rapportages & dashboards gestructureerd aangeboden aan besluitvormers. Managers gebruiken deze Business Intelligence in een continue Plan-Do-Check-Act-leercyclus als ondersteuning bij het managen van de organisatie.

Data Analytics

De jongste vorm van datagedreven analyse is het analyseren van enorme hoeveelheden gegevens door een data scientist. Deze ‘gegevenswetenschapper’ maakt gebruik van machine learning en analytics-tools.

Zwakke kunstmatige intelligentie

De zelfrijdende auto is een vorm van zwakke kunstmatige intelligentie.  Zwakke Artificial Intelligence-systemen overtreffen op afgebakende deelgebieden, zoals het schaakspel, zelfs de beste menselijke experts. Het ‘backpropagation algortime’, in de volksmond deep learning, is een verbeterde vorm van machine learning, die zelfrijdende auto’s mogelijk maakt.  Maar hoe indrukwekkend dit ook is, het blijft een ‘idiot savant’. Een zelfrijdende auto kan alleen rijden, je kunt er geen filosofisch gesprek mee voeren. Deep Blue, de kunstmatige schaakrobot die wereldkampioen Gary Kasparov versloeg, weet niet hoeveel 1 + 1 is.  

Sterke kunstmatige intelligentie

Voor sterke kunstmatige intelligentie is het nodig dat men geleerde kennis ook in andere kennisgebieden kan toepassen. Om in metaforen te kunnen denken, is een verbeterde vorm van deep learning nodig, het zogenaamde ‘double-loop learning’. Onder wetenschappers is het een openstaande vraag of een machine bewust zijn nodig heeft voor deze metavorm van leren over je leren. Het zou ook kunnen dat machines, door brute rekenkracht, de mens op alle gebieden gaan benaderen of zelfs overtreffen. Hoe dan ook, op dit moment zijn we nog heel ver verwijderd van robots die werkelijk gelijkwaardig zijn aan mensen. Waarschijnlijk voldoet de huidige techniek niet en hebben we een kwantumcomputer nodig. Dat gezegd hebbende; Artificial Intelligence-experts dachten dat het nog decennia zou duren voordat een machine wereldkampioen in het bordspel Go zou worden, maar Google’s AlphaGo heeft de wereldkampioen Go inmiddels al lang verslagen.

De evolutie van Business Intelligence tot Artificial Intelligence

Business Intelligence is langs twee assen tot Artificial Intelligence geëvolueerd:

  1. Data
  2. Learning capacity

Data

Data, de brandstof voor de analytische onderbouwing, is in de loop der tijd steeds omvangrijker, gevarieerder, complexer en sneller beschikbaar geworden. We kunnen daarin de volgende trends onderscheiden (de 4 V’s):

  1. Volume
    De capaciteit van elektronisch datageheugen is door de Big Data-revolutie geëxplodeerd. Het zijn niet langer mensen die de meeste gegevens creëren, the Internet of Things (IoT) genereert verreweg de meeste data. Machines kunnen nu onvoorstelbare hoeveelheden data produceren. Zo zal de in aanbouw zijnde SKA-telescoop in Zuid Afrika in 2020 meer data creëren dan alle digitale data die in het hele jaar 2017 is gegenereerd!
  2. Variety
    Het zijn niet langer gestructureerde bits en bytes die kunnen worden geanalyseerd, ook complexe vormen van data, zoals social media-gedrag, natuurlijke taal en film kan door machines worden geïnterpreteerd.
  3. Velocity
    De snelheid en beschikbaarheid van data is met streaming data en cloud-oplossingen toegenomen en altijd en overal beschikbaar.
  4. Veracity
    Een nieuwe uitdaging is de afgenomen betrouwbaarheid van data, nu we in het ‘post-truth’-tijdperk leven, waar fake news de nieuwe norm is.

Learning capacity

De steeds toenemende computerkracht zorgt ervoor dat baanbrekende theoretische ontwikkelingen van machine learning-algoritmen ook daadwerkelijk praktisch kunnen worden uitgevoerd. Meer en meer doet de machine het echt zware intelligente werk. Daardoor evolueert de data scientist steeds meer tot een ’machinetrainer’.

Waar de robotisering vanaf de jaren ‘80 van de vorige eeuw vooral laagopgeleid productiewerk heeft vervangen, presteren de huidige robots al beter dan veel hoogopgeleide menselijke professionals. De start-up Lemonade bijvoorbeeld, de ‘Uber van de verzekeringswereld’, behandelt nu al autoschades binnen 30 seconden, zonder tussenkomst van mensen. Ga daar maar eens aanstaan als verzekeringsagent.

Artificial Intelligence in de praktijk

De meeste organisaties, die nu voorzichtig met zwakke Artificial Intelligence-systemen experimenteren, komen erachter dat deze systemen nog niet helemaal 100% autonoom kunnen opereren. Chatbots die als helpdesk worden ingezet, moeten bijvoorbeeld nog steeds een ‘warm hand-over’ naar een agent van vlees en bloed doen als het lastig wordt. De echt toegevoegde waarde zit hem voorlopig in een effectieve samenwerking tussen mens en machine.

Toen Gary Kasparov werd verslagen door Deep Blue, was hij geschokt en klaagde hij dat het niet eerlijk was “want Deep Blue had de beschikking over een database met elke schaakpartij die ooit gespeeld was”. Sindsdien spelen schaakgrootmeesters samen met schaakcomputers en gezamenlijk zijn ze meestal sterker dan een meester of computer alleen. Het meest interessant is echter dat niet de beste schaker gecombineerd met de beste machine de beste resultaten behaalt, maar dat de mens en computer die het beste kunnen samenwerken het meest succesvol zijn. 

‘Collaborative robotics’ is daarom in de nabije toekomst een succesfactor voor vrijwel elke organisatie. Artificial Intelligence-agenten en robots worden gebruikt voor gevaarlijk of repetitief werk en mensen doen het werk dat hogere technische, creatieve of emotionele vaardigheden en on-the-fly-besluitvorming behoeft. Een collaboratieve werkomgeving tussen mensen en machines is dé hefboom om efficiëntie, meer omzet en lagere kosten te creëren.