In het afgelopen jaar zijn de ontwikkelingen op het gebied van zogenoemde enterprise Artificial Intelligence (AI) in een stroomversnelling geraakt door de toegenomen vraag naar data- en technologie-gedreven oplossingen. Dataiku voorspelt een aantal trends die de komende jaren invloed zullen hebben op de werkzaamheden van datawetenschappers en -analisten en het concurrentievermogen van grote organisaties. We zetten deze trends voor je op een rijtje.
Eerst echter even een definitie. Want wat is enterprise Artificial Intelligence eigenlijk? Enterprise AI omvat het gebruik van kunstmatige intelligentie in bedrijven. Het gaat daarbij echter niet om één enkele toepassing, maar oom het integreren van AI in de data-infrastructuur van een bedrijf. Het doel is om de door AI gebrachte kennis, gegevens en informatie in te zetten om digitale transformatie te stimuleren. Denk aan brede doelen als efficiënter werken. In het bankwezen kun je enterprise AI bijvoorbeeld gebruiken om elke transactie te controleren op verdachte activiteiten.
Lees meer: Dit is hoe slimme oplossingen werken: sensoren, IoT en AI
De Europese Unie loopt voorop als het gaat om het opstellen van wetgeving over het aanvaardbaar gebruik van verschillende vormen van AI. Het gaat hierbij niet alleen over het verminderen van de inzet van AI, maar juist ook om het mogelijk maken van nuttige toepassingen. Denk hierbij aan de inzet van gezichtsherkenning, die momenteel wordt beperkt door regelgeving op het gebied van privacy- en gegevensbescherming. Duidelijk is dat bedrijven bij het toepassen van machine leraning meer rekening moeten gaan houden met wet- en regelgeving.
Tekst gaat verder onder de afbeelding.
Organisaties stellen niet langer de vraag wat verantwoorde AI is, maar richten zich op de implementatie: ‘hoe kunnen we AI op een verantwoorde manier inzetten?’. In 2021 is het niet langer nodig om uit te leggen dat het belangrijk is om op een verantwoorde manier met AI om te gaan. De uitdaging ligt er veel meer in hoe op een goede manier te bepalen wat ‘verantwoorde AI’ betekent voor verschillende functies binnen een organisatie, zoals een datawetenschapper en een -analist. Ook zullen organisaties ervoor kiezen om regels omtrent ethische kwesties en checklists op te stellen om ‘verantwoorde AI’ te waarborgen.
Het hele proces rond het ontwikkelen van een model staat in het teken van experimenteren. Meestal vindt er voor elke beslissing of aanname een experiment plaats of wordt er gekeken naar eerder onderzoek om de beslissing te rechtvaardigen. Experimenteren kan vele vormen aannemen, van het ontwikkelen van volwaardige, voorspellende ML-modellen tot het uitvoeren van statistische tests of het in kaart brengen van gegevens. Alle combinaties proberen van elke mogelijke hyperparameter levert vaak slecht herleidbare resultaten op. Maak van experimenteren daarom een strategische beslissing: ‘heeft dit toegevoegde waarde?’ Het kan hierbij bovendien erg nuttig zijn om een maximaal besteedbare tijd of budget op te stellen voor experimenten. Ook een aanvaardbaarheidsdrempel voor bruikbaarheid van het model is raadzaam.
‘Input drift’ is gebaseerd op het principe dat een model alleen nauwkeurig kan voorspellen als de data waarop het is getraind een juiste weerspiegeling is van de echte wereld. Door de pandemie is er in 2021 een flinke afwijking (‘drift’) te zien in alle sectoren. Organisaties zullen organisaties MLOps gebruiken om meer robuuste processen te creëren en strengere eisen te stellen rond drift-monitoring, zodat modellen flexibeler en nauwkeuriger zijn. Het kunnen identificeren van een afwijking is een van de belangrijkste onderdelen van een flexibele MLOps-strategie. Een onderdeel dat bovendien zorgt voor wendbaarheid voor alle AI-inspanning binnen de gehele organisatie.
Lees meer: Vier methoden van machine learning
Bedrijven zullen proberen mensen aan te trekken die representatief zijn voor degenen die de algoritmen gebruiken als ze de kans op vooringenomenheid (‘bias’) echt willen verminderen en diversiteit bevorderen. Hoewel de meeste trainingsdatasets zijn ontwikkeld op basis van een klein percentage van de bevolking, zullen bedrijven nu overwegen hun toepassingsgebied uit te breiden en trainingsdatasets te ontwerpen die inclusiever zijn. Hoe inclusiever de groep die de AI-modellen en de datasets bouwt, hoe kleiner het risico op vertekening. Om ervoor te zorgen dat diversiteit in hun AI-plannen wordt meegenomen, zullen bedrijven ‘inclusive engineering’ inzetten. Dit betekent onder andere dat ze alles in het werk zullen stellen om diverse datasets te verzamelen en te gebruiken. Hierdoor ontstaat een omgeving die meer mensen verwelkomd in de wereld van AI. ‘Inclusive engineering’ kijkt naar allerlei onderdelen van de bedrijfsvoering, van opleidingen tot recruitment.
Datawetenschappers zullen nog beter moeten leren de taal van de business te spreken om hun inzichten en voorspellingen te vertalen naar bruikbare inzichten voor de organisatie. De leveranciers van technologie zullen hun producten toegankelijker moeten maken, zodat mensen met een technische en business-achtergrond samen kunnen werken. De nadruk voor data scientists zal niet alleen liggen op hoe snel ze dingen kunnen bouwen, maar ook op hoe goed ze kunnen samenwerken met de rest van het bedrijf.
Wil je meer weten over de slimme (telecom)oplossingen van 3Bplus? We hebben ons in de afgelopen jaren gespecialiseerd in de nieuwste innovaties op het gebied van telecom en de toepassing van smart-technologie, zoals in smart cities en smart homes. Wij laten u graag de mogelijkheden en de voordelen zien. Neem gerust contact met ons op voor meer informatie.
Meer lezen over dit onderwerp?
Misschien vind je deze artikelen ook interessant:
Artificial Intelligence als antwoord op oude en nieuwe bedrijfsdata
Vertrouwen in Artificial Intelligence voor geldzaken neemt toe
Tech-voorspellingen 2021: 5G, data science en smart-oplossingen
Duurzame luchtvaart met waterstof en Artificial Intelligence (AI)
Mis nooit meer een artikel: volg ons op LinkedIn.
