Succesvol Artificial Intelligence (AI) toepassen in operationele bedrijfsprocessen doe je zo!

English version

Het is u vast niet ontgaan, er is een Digitale Transformatie (DT) gaande. Een ware vierde industriële revolutie, oftewel een grote en fundamentele verandering van onze businessprocessen én van de manier waarop we technologie wereldwijd inzetten. De opkomende (emerging) technologieën drijven deze revolutie. Denk hierbij aan cloud-computing, big-data, internet-of-things (IoT) en kunstmatige intelligentie (Artificial Intelligence, AI). 

Van deze technologieën is AI het meest disruptive  (want: nieuw, onbekend, anders en veel belovend). AI-toepassingen worden niet meer enkel gebruikt in gecontroleerde, statische omgevingen (data labs). Deze toepassingen gaan steeds vaker deel uitmaken van het operationele IT-landschap waar vanuit de dagelijkse bedrijfsprocessen worden ondersteund dan wel gerealiseerd. Het ontwikkelen en toepassen van op AI gebaseerde componenten in dergelijke operationele IT-ketens verschilt op een aantal punten fundamenteel met wat we tot nu toe gewend zijn. Dit artikel geeft een kort overzicht van het AI-vakgebied en beschrijft vervolgens hoe je AI-toepassingen succesvol kunt toepassen binnen organisaties en welke extra eisen AI hieraan stelt.

Overzicht van het AI-vakgebied

De vakgebieden AI, Machine Learning en Data Science worden vaak door elkaar gebruikt, maar hoe verhouden deze zich eigenlijk tot elkaar? AI gebruikt logica en beslisbomen om humane intelligentie te realiseren. Machine Learning (ML) maakt hier onderdeel van uit door statistische modellen te gebruiken. Je kan ML dus zien als subset van AI. Typische ML-modellen bevatten feedback loops om te kunnen leren en zijn daarmee in staat zich continue te verbeteren, zich aan te passen en te optimaliseren. Zowel AI als ML overlappen voor een groot gedeelte met Data Science. Het Data Science vakgebied combineert domeinkennis, programmeervaardigheden en statistische kennis om waardevolle inzichten te verkrijgen uit grote hoeveelheden data. De onderstaande figuur (afbeelding 1) geeft schematisch weer hoe Data Science, ML en AI zich tot elkaar verhouden.

AI bestaat al vanaf de jaren 60 en werd tot kortgeleden vooral op relatief kleine schaal toegepast in een gecontroleerde, statische omgeving (data labs). Sterk afnemende kosten voor data storage, computing en netwerktechnologie (geleverd vanuit de Cloud) maken tegenwoordig enorme schaalvergroting mogelijk. Met deze toegenomen beschikbaarheid van (big) data in combinatie met geavanceerde (near/real-time) data-analyse oplossingen wordt de AI-boost een feit!

AI succesvol toepassen binnen organisaties

De AI-boost brengt tal van mogelijkheden voor organisaties, maar hoe pas je de beschikbare AI-toepassingen effectief toe binnen de operationele IT-ketens? Probabilistische modellen doen wellicht meer recht aan de werkelijkheid (die immers gepaard gaat met onzekerheid), maar dit vergt wel aanpassingen in de hele keten die hier van afhankelijk is. En dit vraagt ook aanpassing van mensen voor zover het aankomt op interpretatie. Het succesvol toepassen begint met het bepalen van de juiste use-case. Daarna is het van belang om de juiste tools en benadering te kiezen. Tenslotte moeten organisaties rekening houden met de exploitatie van de beoogde output(s) in de IT-bedrijfsprocessen en met wet- en regelgeving op dit gebied.

Stap 1: Use-case

De ontwikkeling en het gebruik van AI-oplossingen verschilt zoals gezegd fundamenteel met wat we gewend zijn door de probabilistische aard. Dit betekent dat de output potentieel van grote waarde is, maar ook een onzekerheidsmarge kent. De ontwikkeling verloopt daarom vaak hypothese gedreven en doorgaans via meerdere korte cycli in nauwe samenwerking met eindgebruikers.  

AI-oplossingen lenen zich goed voor use-cases waar deze probabilistische, oftewel voorspellende, output een grote rol speelt. Bekende use-cases zijn: chatbots, zelfrijdende auto’s en advanced forecasting algoritmes voor bijvoorbeeld onderhoud en belasting  van complexe infrastructuren. Na het identificeren van het probleem is het van belang de juiste (hoeveelheid) data te verzamelen als inputbron waarna kan worden nagedacht over het bouwen van modellen en/of prototypes.

Stap 2: Tools

Met programmeertalen zoals Python en R kun je modellen maken die inzichten geven in mogelijke oplossing voor de business case. Dit vergt technische vaardigheden en tijd. Er zijn echter ook tal van direct toepasbare AI-platformen ‘off the shelf’ beschikbaar. Een voorbeeld hiervan is het Unsupervised platform. Unsupervised identificeert patronen in data die met reguliere BI-tooling of gezond verstand niet met deze snelheid worden ontdekt. Het platform reduceert de input data snel en komt tot betrouwbare inzichten, waardoor er binnen deze tool geen limiet aan de hoeveelheid input data is. Nadat inzichten zijn vastgesteld en vertaald naar mogelijke oplossingen is het van belang om deze toe te passen in de operationele IT-bedrijfsprocessen.

Stap 3: Uitvoering

De ontwikkeling van de AI-oplossing kan op vele manieren en is afhankelijk van de tools die eerder gekozen zijn. In dit artikel geven we een voorbeeld van een ‘off the shelf’ toepassing waarbij het platform Unsupervised is gebruikt. CGI heeft in samenwerking met Unsupervised AI toegepast op data van een grote retailer. Daarbij zijn verrassende inzichten blootgelegd. Afbeelding (2) hieronder toont de transformatie in de uitvoering van AI gedreven oplossingen. 

In het verleden (links) was de input dataverwerking een traag en foutgevoelig proces. De toepassing van AI eerder in het dataverwerking proces (rechts) zorgt voor (veelal) geautomatiseerde output, waardoor het data pre-processing model dynamisch kan worden toegepast in een toekomstbestendige operationele keten. Dit biedt perspectief, omdat dit de mogelijkheid geeft om meer input data toe te voegen zonder verlies van snelheid in de analysefase. Vervolgens kunnen met behulp van gerichte informatie, patronen, variabelen en vakkennis, analyses worden toegepast om zo inzicht te verkrijgen in waar de gerichte actie leidt tot optimalisatie. Denk hierbij aan tijd, geld of het proces zelf. De analyses in de toekomstbestendige keten leveren preciezere output door de grote hoeveelheid aan input data. Een andere mogelijkheid is om de beslisketen volledig te automatiseren, zonder menselijke tussenkomst. Dit levert echter wel een morele uitdaging op: Wie is er verantwoordelijk als er dingen fout gaan? En hoe gaan we om met ethische afwegingen?.

Stap 4: Wet- en regelgeving

Zoals eerder benoemd is het op grote schaal toepassen van AI nog relatief nieuw en onbekend. Hierdoor loopt wet- en regelgeving soms wat achter. Denk bijvoorbeeld aan de AVG-wet of de ePrivacy verordering. Hoeveel data mag een organisatie überhaupt verzamelen en verwerken binnen de kaders van deze wetgevingen? Diverse gerechtelijke en sociale studies zijn vaak al verder en onderzoeken vraagstukken zoals bijvoorbeeld de casus van een zelfsturende auto. Hoe moet de zelfsturende auto reageren wanneer deze niet meer op tijd kan remmen en een botsing zal veroorzaken? Het algoritme van de zelfrijdende auto heeft daarbinnen de keuze tussen het aanrijden van een motorrijder of een volle gezinsauto. Wie is in deze situatie verantwoordelijk? Het algoritme of de makers hiervan óf de persoon in de auto? In dergelijke gevallen is het maken van ethische afwegingen van groot belang.

Door bedrijfswaardes op (digitale) ethiek te richten, een sterke data governance te creëren en transparantie in de datacodering en -analyse (door de menselijke bias te verkleinen) kunnen AI-, ML- en Data Science-oplossingen meer aansluiten op de toekomstige ontwikkelingen en deze zelfs versnellen. Achterstanden in wet- en regelgeving hoeven de digitale transitie dan niet af te remmen.  

AI-oplossingen stellen extra eisen aan operationele bedrijfsprocessen

AI-voorspellingen ontstijgen steeds vaker de data labs en gaan deel uitmaken van operationele bedrijfsprocessen. De uitkomsten van data-analyses omvatten trends en patronen die van enorme waarde kunnen zijn bij het nemen van bedrijfsbeslissingen. De uitkomsten hebben vaak een voorspellend karakter die de business voorbereiden op de toekomst. Dergelijke uitkomsten zijn van grote waarde, ook in ketens met een grote impact, waar een hoge mate van security, betrouwbaarheid en stabiliteit letterlijk van levens en/of landsbelang is (ook wel missie kritische ketens genoemd). Voorbeeld hiervan is het elektriciteitsnet en het voorspellen van bijvoorbeeld energieproductie en uitval van netwerkcomponenten. 

Zogenaamde niet-functionele eisen rondom performance, beschikbaarheid, security, schaalbaarheid, beheerbaarheid en uitbreidbaarheid spelen dan opeens een cruciale rol. De AI-toepassing kan deze eisen deels afvangen maar de manier van werken en organiseren rondom de oplossing zijn zeker ook van belang is. Dit zijn de zogenaamde drie P's, Product, People & Processes, die we al kenden voordat AI zijn intrede deed. Denk hierbij aan het formeren van zogenaamde BizDevOps-teams waarin business experts samen met techneuten de doorontwikkeling en het (24x7) beheer voor hun rekening nemen. Deze teams werken samen met de bestaande DevOps teams in hun doorgaans geschaalde Agile organisatiemodel. Dit model richt zich op het vormen en in vorm houden van IT-processen door continue aanpassingen door te voeren in het IT-landschap. Geen scheiding meer tussen business, ontwikkeling en beheer. Het denken en organiseren in traditionele (monolithische) applicaties en projecten, maakt plaats voor denken in ketens van continue veranderende IT-componenten. 

Wrap-up

Data Science en AI bestaan al decennia, maar maken de afgelopen jaren een enorme groeispurt door. De oplossingen maken steeds vaker deel uit van operationele IT-bedrijfsprocessen. Ook in missie kritische ketens waar een hoge mate van security, betrouwbaarheid en stabiliteit nodig is. 

De enorme rekenkracht en snelheid van AI overtreft onze menselijke capaciteiten en de resultaten zijn per definitie niet 100% correct. Dit vraagt een andere manier van ontwikkelen (hypothese gedreven) en toepassen. Ook wetgeving zal hierop inhaken zodra er voldoende aanknopingspunten zichtbaar zijn, maar houdt er rekening mee dat dit meestal achterloopt op de technische ontwikkelingen.

Kortom, de ontwikkeling en toepassing van AI in operationele IT-ketens verschilt op een paar fundamentele punten van wat we gewend zijn. Bewezen is echter dat de (potentiële) business waarde ondertussen te groot is om te negeren. AI levert al belangrijke schakels voor missie kritische operationele ketens en dit aantal zal de komende jaren zeker gaan groeien.

CGI helpt je graag bij het maken van data gedreven bedrijfsoplossingen. Door het combineren van technische AI-kennis met business kennis creëren we nieuwe inzichten en kansen voor onze klanten. Meer weten over AI-oplossingen binnen CGI? Neem contact op met Mirjam de Groot.

Meer lezen?

• Ethiek in de digitale wereld | CGI NL (cginederland.nl)
• Overleef en exploiteer de data-explosie met data-intensieve IT | CGI NL (cginederland.nl)
• Artificial Intelligence (AI) & Data Analytics in Retail | CGI NL (cginederland.nl)
• Dit kun je met AI en machine learning binnen de logistiek | CGI NL (cginederland.nl)
• Digitale transformatie bepalend voor de energietransitie
• Utilitiesbedrijven moeten versneld transformeren om de energietransitie te kunnen bijhouden