S01E01 - Waar moet je op letten als je wilt starten met Machine Learning?

In deze eerste aflevering behandelen we een vraag van een lezer van de AIToday, het gratis eMagazine over Artificial Intelligence. De lezersvraag is: "Waar moet je opletten als je wilt starten met Machine Learning". 

Aan de hand van praktijkvoorbeelden behandelen we deze vraag en kijken we welke expertise je nodig hebt om te starten met Machine Learning.

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

0:00

Waar moet je op letten als je wilt starten met machine learning? En hoe kom je aan de juiste expertise? Je hoort het vandaag in AIToday Live, de podcast over artificial intelligence, speciaal voor business en IT. Iedere twee weken duiken we dieper in het nieuws rondom AI. En hoe je AI inzet in je organisatie. Ik ben Mark Wolfenbuttel, Chapter Lead AI Zorg bij Info Support. En ik ben Joop Snijder, head of research center artificial intelligence, ook bij Info Support. Uit onze oproep op LinkedIn hebben wij een mooie lezersvraag gekregen, die we in deze podcast uitgebreid gaan behandelen. De vraag die binnenkwam is waar moet ik op letten als ik wil starten met machine learning? Samen met mijn collega Joop gaan we daar vandaag op in. Joop, kan je daar misschien al antwoord op geven? Jazeker, ik denk dat we in ieder geval een aantal zaken wel geleerd hebben. Waarbij de allerbelangrijkste, die ik ook in mijn workshops altijd als eerste behandel, is namelijk dat als je start met machine learning, is het geen technisch feestje, maar moet het natuurlijk wel bijdragen aan je bedrijfsdoelstellingen. Je wil impact maken, je wil iets voor mekaar krijgen. Je wil bijvoorbeeld kosten verlagen, je wil je winsten vergroten, omzet vergroten, klanttevredenheid vergroten, dat soort zaken. Dat zijn uiteindelijk zaken die je wil gaan bereiken. Dus als je wil gaan starten, is het wel handig dat je ook impact maakt met je machine learning en dat ook direct koppelt aan dat soort bedrijfsdoelstellingen. Die kunnen best wel heel groot zijn vanuit de hele organisatie, maar dat kan ook op projectniveau zijn of op productniveau. Maar het allerbelangrijkste is dat je die heel scherp hebt. Ja, snap ik. Want een idee creëren is niet zo moeilijk. We zien natuurlijk al veel ideeën terugkomen in de praktijk. Denk aan AI dat toegepast wordt binnen Spotify of Netflix, dat we allemaal als persoonlijke gebruiker natuurlijk toepassen, of een route plannen. De kunst is natuurlijk om het om te zetten naar iets wat je binnen je bedrijf kan gebruiken. Ja, precies. En wat wij nog wel eens zien, zeker aan het begin van zo'n workshop, is dat er heel veel, laat ik het even zeggen, technische experimenten ontstaan. Dat mensen denken, dit is gaaf en dit is leuk en dit zouden we ermee kunnen doen. Dat geeft wel een hoop energie. Maar als je dit niet kan koppelen aan zo'n impact, dan is het ook heel moeilijk om je budget voor te krijgen. Misschien nog wel voor je experiment, maar nooit om het daadwerkelijk uit te voeren, in productie te krijgen en daar daadwerkelijk wat mee te gaan doen. Ja, dat ik dat eens. En dan terug naar de doelen, hè Joop. Als we kijken, ik denk dat we de enkele tientallen workshops, ideation dagen al hebben gehad en gedaan. Ik denk wel dat we toch kunnen terugbrengen naar een aantal doelen die voor ieder bedrijf vrij helder zijn als het gaat om toepassing van nieuwe technologieën, met name dan AI. Kun je daar eens wat meer over zeggen? Ja, wat je veel ziet is natuurlijk kostenreductie. Dat uitzicht dan bijvoorbeeld in minder handmatig werk uitvoeren, verminderen van fouten, de one-time ride, dat soort zaken. Wat je ook heel veel ziet is dat het in het kader van know your customer is, waarbij je veel beter inzicht krijgt in wat gaat je klant doen. Een van de voorbeelden is, je kan gaan voorspellen bijvoorbeeld of een klant bij je blijft of dat hij vertrekt. Dus dat je steeds beter weet wat wil je klant, waar gaat hij naartoe, wat is zijn gedrag. Dat zijn wel hele belangrijke waar het vaak op neerkomt. Ja, en als je in de praktijk natuurlijk ook kijkt, want het voorspellen van klanten, dat zijn dan ook onze klanten, maar ook gewoon vragen die we krijgen naar consumenten uiteindelijk natuurlijk. Maar ook business to business is het een heel belangrijk vraagstuk. En eigenlijk het mooie ervan is, kijken naar kostenreductie is natuurlijk, iedere branche is daar wel mee bezig op een bepaalde manier. En iedereen is erbij gebaat als we taken automatiseren, die toch eigenlijk liever niemand wil doen. Maar het is niet alleen maar kostenreductie hoor. We zien ook veel op het gebied van klanttevredenheid. Dat je dusdanige toepassingen hebt, waardoor je veel meer een unieke positie in de markt hebt voor je klant. En dat kan zijn omdat je sneller kan reageren of dat je veel beter aan de wensen van de klant kan voldoen. Of wat ik net al zei, dat je je klant gewoon beter begrijpt en je dienstverlening daar beter op aan laat sluiten. Bevalt het wat je tot nu toe hoort? Zorg dan dat je geen aflevering mist door ons te volgen. Deze podcast is alleen mogelijk door luisteraars zoals jij. Alvast bedankt voor je support! De mooiste opmerking die we toch nog wel regelmatig krijgen is dat, nou hebben jullie niet ook een chatbot? En kan je er niet even eentje bij ons neerzetten? Nou dat zit hem in het woordje even natuurlijk, want waarom kan dat niet even? Nou kijk zo'n chatbot die moet sowieso getraind worden. Dus het is wat vaak wordt gedacht en wat een misvatting is, dat met artificial intelligence dat dat zelflerend is. Dat is een term wat vaak voorkomt. Zo'n bot een beginnetje geeft en dat hij dan zelf leert communiceren met die klanten. Maar helaas werkt het niet op die manier. Is dat je hem constant zelf moet voeden, moet opleiden in wat zijn nou de antwoorden die je moet geven op vragen. Je kan je voorstellen dat het range van vragen en hoe mensen vragen stellen, dat is zo uitgebreid. Dan moet je heel veel tijd en energie insteken om alleen al goede antwoorden te geven. Laat staan dat je dat tot een conversatie kan maken. Dus een conversatie is meer dan alleen maar op eenvolging van vraag en antwoord. Dat betekent ook dat je antwoorden moet begrijpen en daarop moet kunnen doorvragen. Of soms dingen niet meer vragen omdat dat al in het antwoord besloten zat. Dat zijn gewoon best wel hele moeilijke zaken. Ja, dan moet je afstappen van scripting en dan heb je het natuurlijk ook soms nog wel over meerdere producten. Of over meerdere emoties binnen een gesprek. Dat zijn natuurlijk zaken die zijn niet zomaar even toe te passen. Daar moet je echt de tijd voor nemen, de data voor opbouwen en uiteindelijk ook implementeren. En natuurlijk naar productie krijgen binnen jouw omgeving, binnen jouw bedrijf. Dat is ook waarom we altijd gaan zoeken in die workshops naar haalbare ideeën. Zo'n chatbot zou een heel goed en haalbaar idee kunnen zijn. Maar je moet met kunstmatige intelligentie heel goed nadenken wat haalbaar is. En haalbaar zit op meerdere vlakken. Dus haalbaar kan zijn dat het qua technologie nog niet haalbaar is. Nou, chatbots zijn technologisch prima haalbaar. Je moet er gewoon best wel heel veel tijd en energie in steken. Maar het is echt wel haalbaar. Maar er zijn andere ideeën. Ja, daar is de technologie nog niet ver genoeg voor. Soms lijkt het alsof we met kunstmatige intelligentie al alles kunnen. Maar dat is nog helemaal niet zo. Dus daar moet je een goede afweging in maken. En aan de andere kant hebben we ook nog te maken met de data die je hebt. Dus als we gaan met machine learning gaan we ervan uit dat er voorspellende waarden in de data zit. Dus op basis van historische data probeer je of iets te voorspellen. Bijvoorbeeld een prijs van iets of uit te drukken in een getal voorspellen. Of je probeert iets te klassificeren. Maar dat betekent dat er in ieder geval dusdanige patronen in je data zitten dat je daar wat mee kan. Het wil niet altijd zeggen dat je die data ter beschikking hebt of dat die data kwaliteit voldoende is. Dus dat hoort ook bij het bepalen of iets een haalbaar idee is. Want dan heb je wel de juiste data. Ja, en wat is haalbaar? Dat is misschien nog wel even een goeie op in te zoomen. Je zegt net ook van we moeten haalbare doelen. Dat is ook iets wat wij altijd terug zien in de praktijk. Dat wordt vaak toch een bepaalde filosofische gedachte over een doel gehaald waarmee we de wereld gaan verbeteren. En dat is een te groot doel. Wat natuurlijk handig is daarbij om te doen en dat doe je vanuit verschillende hoeken misschien wel. En hoeken bedoel ik dan met IT mensen, maar ook misschien wel een stukje juridisch of business mensen. Om te kijken van wat is nou een doel wat past bij ons bedrijf en wat is haalbaar. Daar heb je dus al wel meerdere mensen voor nodig soms. Maar hoe brengen we dat dan samen? Als je uiteindelijk met elkaar vast hebt gesteld dat het een haalbaar idee is. En dat haalbaar idee dat brengen we terug zodanig dat je in 5 tot 10 werkdagen daar een levensvatbaar resultaat van kan krijgen binnen een experiment. Dus je probeert in 5 tot 10 dagen een hypothese te valideren waarvan je zegt van we kunnen echt meetbaar een bepaalde resultaat, een bepaalde impact kunnen we halen. En als dat gelukt is dan weten we zeker dat het een haalbaar idee is. En vanaf dat moment kunnen we het gaan aanvliegen als een tussen aanhalingstekens een normaal project of product. Dus in die 2 weken ga je multidisciplineer ga je aan de gang met software engineering, met de business stakeholders. Nou alles wat je nodig hebt om zo'n product te ontwikkelen ga je aan de slag. Vooraf stel je echt heel duidelijk van wat is het doel, wat moeten we halen om aan te tonen dat dit een levensvatbaar experiment is. En aan het einde kunnen we dat dan ook objectief met elkaar vaststellen. De workshop, de output van de workshop is gewoon een haalbaar experiment. Nou daar hebben we 5 tot 10 dagen voor nodig om daar een demo baar resultaat van te hebben voor het management of voor de afdeling of voor wie dan ook daar zegt maar interesse in heeft. Dan begint eigenlijk pas echt het werk. Ja wat je in ieder geval nodig hebt is de juiste expertise. Het maken van een machine learning model is lastig om die goed te krijgen. Dat daar ook de juiste antwoorden uitkomen, dat die ook de juiste voorspelling doet. Dat je goed nadenkt over ja maar wat nou als die iets verkeerds klassificeert. Hoe erg is dat, dat soort zaken, dat kunnen data scientist heel goed. Maar er moet ook wel heel duidelijk onderscheid worden gemaakt in het type data scientist. En wat we zien in de markt is dat er steeds meer een verschil ontstaat tussen de zogenaamde data scientist type A. En de A staat dan voor analyst, data scientist type analyst en data scientist type B en de B van beelden, data scientist type beelden. En eigenlijk die data scientist type B heb je typisch nodig als je een AI oplossing wil gaan maken. Dus die beelden wat die kan doen is zorgen dat je modellen daadwerkelijk schaalbaar worden. Dat die qua performance kloppen. Je kan je voorstellen dat als je het binnen een experiment dat je een heel mooi model hebt. Die kan bijvoorbeeld e-mails gaan klassificeren naar categorieën. En dat als je daar duizend testgevallen in hebt dat die prima kan klassificeren. Maar hoe doet die het nou als jij 500 tot 1000 mail per minuut, per uur binnen krijgt. Kan die dat dan nog steeds aan? En wat als dat nog veel harder groeit? Dus bijvoorbeeld in tijden van crisis dat je ontzettend veel aanvragen krijgt. Hoe zorg je er dan voor dat zo'n model niet klapt? Dus daar heb je echt mensen nodig met een basiskennis aan softwareontwikkeling. Die dat schaalbaar kunnen maken. Die kunnen zorgen dat het secure is. En alles wat daarbij komt kijken gecombineerd met de expertise die je nodig hebt. Echt als een ervaren data scientist. Ja precies. Dus eigenlijk kunnen we wel concluderen dat dat voor ieder idee. Dat uitgevoerd gaat worden aan de ene kant aan de kant van de klant. Een bepaalde multidisciplinaire team voor nodig is. Zowel op expertise aan de IT kant als aan de business kant. En alle randvoorwaarden daaromheen. Die rekening houden met privacy of security. Terwijl je aan de andere kant ook een expertise nodig hebt. Die dit in praktijk al een aantal keer gedaan hebben. Data scientist type B. Maar ook de software engineer die verstand heeft van het uitrollen van modellen op productie. Schaalbaar maken, veilig maken. Dus er komt wat bij kijken. En wij zeggen ook altijd van zorg dat je dit soort kennis ook zelf in huis krijgt. Want uiteindelijk deze technologie is te belangrijk om dat niet zelf onder de knie te hebben. Dus machine kunstmatige intelligentie, machine learning is de technologie van de toekomst. Het is het eigenlijk niet meer want het is er nu. Maar het is zo belangrijk dat je dit ook zelf moet kunnen. Dus je moet ook langzaam moet je beginnen met zelf deze expertise opbouwen. Ja, dus resume naar de lezersvraag. Waar moet ik op letten als ik wil starten met machine learning? Hou je doel in ieder geval klein. Plaats hem in ieder geval op je bedrijf. Dus maak een doel wat haalbaar is voor jouw bedrijf. Zorg dat je de juiste expertise aan boord hebt. Zodat je een vliegende start kan maken. Begin heel klein met een experiment. Kijk of jouw idee haalbaar is. Ook een niet haalbaar idee is gewoon een heel goed gevalideerd idee. Dus dat is geen failure maar dat is gewoon helemaal goed dat dat gebeurt. Want anders was je misschien wel geld kwijt geweest en de investering kwijt geweest. Zorg voor de juiste expertise aan beide kanten. Op het moment dat je ziet van het is een haalbaar idee en ik wil ermee aan de slag. Een aantal dingen natuurlijk even opzommend waar je dan aan moet letten aan de technische kant. Modellen moeten schaalbaar zijn. Dus de infrastructuur moet goed staan. Zorg voor de juiste expertise aan boord. En zorg ervoor dat je uiteindelijk een model hebt dat je ook daadwerkelijk een stukje bijdrage levert aan je bedrijfsdoelstelling. Ben ik zo compleet Joop? Helemaal compleet. Misschien wat we missen is iets over ethiek. Maar dat lijkt me nou iets voor de volgende aflevering. Goed punt. Daar komen we de volgende keer op terug. Bedankt voor het luisteren naar AUTD Live. Bezoek onze website autd.ai. Voor het abonneren op deze podcast kun je ons beluisteren in Apple Podcasts, Spotify of Google Podcasts. Wij zouden het heel gaaf vinden als je onze podcast deelt met jouw collega's. Bedankt voor het kijken. Ondertitels ingediend door de Amara.org gemeenschap