S01E03 - AI in de praktijk

In deze aflevering gaan we door een gemiddelde dag van Joop heen en kijken we hoe AI al is doorgedrongen in ons dagelijks leven. In het tweede deel behandelen we cases uit onze praktijk:

• Identificeren van gevoelige informatie in teksten
• Energiebesparing door uitroladvies voor treinen
• Voorspellen van onderhoud aan ondergrondse kabels
• AI voor beoordelen van longfoto's

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

Transcript

0:00

Hoe ver is AI al doorgedrongen in ons dagelijks leven en hoe zien we dit in de praktijk gebruikt worden in de business? In deze vierde aflevering van de AIToday Live gaan we hier dieper op in. Iedere twee weken duiken we dieper in het nieuws rondom AI en hoe je AI inzet in je organisatie. Ik ben Mark Wolvenbuttel, chapterlead AI zorg bij Info Support. En ik ben Joop Snijder, head of research center artificial intelligence, ook bij Info Support. Welkom terug bij podcast nummer drie en fijn dat je weer luistert. Vandaag gaan we het hebben over AI in de praktijk. Misschien is het wel leuk Joop om eens even te vertellen hoe jouw dag eruit ziet om dan eens te kijken wat we eigenlijk aan AI al tegenkomen vandaag de dag in de praktijk. O ja, dat is zeker wel een leuk idee. Laten we beginnen. Kijk, mijn dag begint de dag ervoor dat ik 's avonds pak mijn telefoon en dan zeg ik'hé Siri, zet de wekker op acht uur morgenvroeg'. Dan heb je natuurlijk al gelijk AI te pakken. En hoe dan? Nou, je hebt natuurlijk een tekstbericht wat jij inspreekt, wat vertaald wordt naar een actie. Dus dan heb je het over speech to text, wat uiteindelijk ook een actie uitvoert. O ja. En als ik dan 's ochtends beneden kom, dan staat mijn thermostaat, die is al ingesteld op de juiste temperatuur. Dus ik kom beneden, zeker in de winter, het is lekker warm. Hoe werkt dat? Ja, nee, die kijkt eigenlijk naar verschillende dingen. Maar die kan weten wanneer jij thuis bent, wanneer de activiteit plaatsvindt. En die weet dat gedurende de tijd probeert hij dat een beetje bij te houden, een patroon in te ontdekken en zorgt dat hij voordat jij beneden bent, de boel al lekker opgewarmd is. O ja, heerlijk vind ik dat altijd. Zet ik het muziekje aan en vaak pak ik dan eventjes de Daily Mix van Spotify. Ook AI? Wist je dat? Nou, leg eens uit. Nou, de Daily Mix is eigenlijk iets wat is op basis van recommendations. Dus hij kijkt naar wat luister jij en wat doen anderen daarin ook. En komt dan met eigenlijk aanbevelingen. En dan nou, als ik dan op mijn werk aankom, het eerste wat ik natuurlijk doe, is het checken van mijn mail. En nou weet ik dat de spam die gefilterd wordt, dat het ook met AI, met machine learning gaat. Hoe werkt dat? Weet je dat? Ja, dat weet ik ook. Kijk, spam filter is al best wel oud en wordt eigenlijk na mate de tijd voordat alleen maar slimmer en slimmer. En daar zitten algoritmes achter. Die herkennen grote stukken tekst of grote stukken, ja, eigenlijk e-mail informatie op de achtergrond. Wat wij niet altijd zien natuurlijk. Wij zien netjes de tekst van het bericht, maar er zit heel veel header informatie, zoals dat heet, achter. Die filtert die om te kijken van zit hier misschien een bericht in wat eigenlijk helemaal niet voor jou bedoeld is. En dat haalt hij eruit. Duidelijk. De volgende stap in mijn dag is dat ik ga lunchen. Dan parkeer ik mijn auto en dan zie ik wel eens van die autootjes voorbij komen van die parkeerwachters met camera's op het dak en die controleren dan of ik wel of niet betaald heb. Heeft dat ook iets met AI te maken? Zeker. Dan heb je het echt over image recognition. Dat is een camera die controleert het nummerbord en het nummerbord kan weer checken of er ook daadwerkelijk betaald is aan de hand van het nummerbord. En zo hoeven ze eigenlijk niet meer te voet langs alle auto's om te kijken of het in het systeem staat. Dan maak ik die camera dat automatisch en helemaal digitaal. Gaaf. Ja, dan op de weg terug zeg ik eigenlijk ook tegen mijn auto weer van nou maak een route, bel naar huis. Kan ik even kijken of het eten al klaar staat. Dus dat werkt denk ik hetzelfde als waar we mee begonnen met Siri. Zeker. En zo zie je dus eigenlijk ook dat je in je dagelijks leven gebruik je al best wel veel AI, want vervolgens kom je thuis, plof je misschien op de bank en luister je nog wat muziek of ga je naar Netflix. Dan wist je bijvoorbeeld Joop dat jouw Netflix voorkant als je hem opent er anders uitziet dan die van mij. Ja, dat weet ik. En niet alleen de films en series die mij worden aangeboden zijn anders, maar zelfs de voorkant van de plaatjes in de films, de acteurs en actrices die erop staan, die komen overheen met mijn voorkeuren, zodat het helemaal op mijn behoeftes is afgestemd. Dus dan zit mijn dag er eigenlijk ook wel op zo. Dus naar Netflix is het wel klaar. Zullen we anders gaan kijken naar wat praktijkvoorbeelden, Mark? Leuk dat je luistert. Abonneer gratis op ons account in de Apple podcast en Google podcast en zorg dat je geen aflevering mist. We kunnen dit alleen blijven maken met jullie support. De eerste case uit de praktijk, Mark, is die van een grote Nederlandse bank. Zij wisselen informatie uit met andere banken, klanten in een gesloten omgeving, beveiligde omgeving. Maar daar willen ze natuurlijk wel controleren of er geen gevoelige persoonlijke informatie wordt gedeeld. Je zou kunnen denken aan dat er per ongeluk toch wachtwoorden of beursgevoelige informatie wordt gedeeld. Nou, dat wil je natuurlijk niet. Dan moet je je voorstellen dat zij 10.000 wijzigingen per dag hebben. Dus dat is met mankracht gewoon niet meer te doen om dat te controleren. Regelgebaseerd lukt ook niet. Je moet natuurlijk kijken naar de context van die teksten. Je moet het als het ware kunnen interpreteren. Typisch een case voor machine learning. Waarbij we moeten aantekenen dat net als bij een mensenwerk er geen 100% uitkomst hebben, tenminste 100% gegarandeerd, dat je alle fouten die erin zitten of alle persoonlijke gegevens die erin zitten eruit kunnen halen. Mensen maken ook fouten, dat hebben we met machine learning ook. Het mooie is wel dat de machine learning op dit gebied vaak beter presteert dan de mens dat doet. Maar we moeten wel echt rekening houden dat je geen 100% scenario's haalt met machine learning. Ja, en dan heb je het hier over een databron en over een uitkomst die je kan controleren waar je actie op kan ondernemen. Je zegt ook het is niet altijd 100% natuurlijk, maar dat is de mens ook niet. Wat misschien dan nog wel een mooi brugtje is naar een voorbeeld die ik heb bij een bedrijf waar wij voor werken die bijvoorbeeld fysieke kabels in de grond heeft liggen om energie door te laten lopen. Daarin gebruiken we bijvoorbeeld een voorspellend model, want die energie kabels die gaan wel eens een keer stuk. Je wil natuurlijk zo goed mogelijk voorspellen wanneer dat gebeurt en dat kan je doen aan de hand van stroomuitstoot. En daarmee kun je voorkomen dat een kabel kapot gaat en een hele wijk zonder stroom komt te zitten. Dat is eigenlijk de business case. Wat we daar doen is dat wij kijken naar de stroomuitstoot door middel van gewoon kleine sensoren in de grond. We pakken daarmee ook nog een extra databron om te kijken naar de grondsamenstelling, want die kan misschien ook nog invloed hebben op de uitstoot. En we kijken sinds kort ook naar een databron, gewoon het weer. Hoeveel regent het op die plek en wat heeft dat voor invloed op de stroomuitstoot? En eigenlijk aan de hand van deze bronnen proberen we met een voorspellend model na te gaan wanneer heeft deze kabel in de grond onderhoud nodig. En zo kan je dus heel gericht onderhoudsteams naar een bepaalde locatie sturen om te kijken van klopt het wat we hebben gedetecteerd? Hebben we het op de juiste manier voorspeld in plaats van alleen maar met de gevolgen aan de slag te gaan? En dat is natuurlijk ook nooit 100 procent, want je kan prima er een keer natuurlijk naast zitten, maar alles is beter dan alleen maar aan de slag met uiteindelijk het komen te zitten zonder stroom. Vandaar dat dat als business case heel sterk opweegt en uiteindelijk ook kosten bespaart. Heb jij misschien nog een ander mooi voorbeeld, Joop? Ja, ik heb nog wel een leuke op het gebied van energiebesparing. Een spoorwegvervoerder die heeft een voorspellend model zodat de machinisten een seintje krijgen wanneer zij de trein, het gas, ik weet eigenlijk niet eens of dat zo heet bij de trein, dat ze de gas los kunnen laten. Zodanig dat die trein uitrolt en op tijd stopt op de juiste plek op het perron. Dat betekent dat er niet geremd hoeft te worden en dat er ontzettend veel energie bespaard wordt. En juist bij treinen, daar komt zoveel energieconsumptie bij kijken, dat als je daar maar een paar procent punten zou besparen, dan heb je echt een gigantische besparing. En ook hier wat je weer ziet, is dat het gaat over, als mens kan je wel een bepaald gevoel krijgen van wanneer je dat los moet laten. Ik bedoel, als je zelf auto rijdt, weet je op een gegeven moment ook van, oh ja, als ik hier nou gas loslaat, dan kom ik daar ongeveer wel tot stilstand. Dan moet je misschien hier en daar een klein beetje bij remmen. Maar je kan je voorstellen dat dat steeds moeilijker wordt, naarmate je rekening moet houden met of een terrein afloopt, wat voor weer het is. Bij rails is het zo of je heel veel weerstand hebt of heel weinig weerstand. Wat een heel stuk moeilijker is om in te schatten van wanneer je dan uiteindelijk moet gaan uitrollen. Al dat soort invloeden, weer, weerstand, wat voor type terrein, waar je bent in Nederland, hoe de helling is van het baanvak. Dat soort dingen kunnen allemaal, al dat soort elementen kunnen worden meegenomen. Zodanig dat je een hele nauwkeurige voorspelling krijgt van, oh ja, nu van het gaspedaal af en dan komen we precies uit waar je uiteindelijk wil zijn. Ik denk dat dat een hele gaaf case is. En is het ook een case, want het is een hele specifieke case, want je begon eigenlijk met kostenbesparing. Is dat een case die ook uitkomt? Qua kosten? Ja, het is een hele goeie. Het maken van het model is relatief eenvoudig. Dus daar gaan echt wel weken overheen voordat je dat goed hebt getweakt, hebt uitgezocht, dat soort zaken. Maar dat bouwen, de kosten van de bouw hiervan is zo klein ten opzichte van de energiebesparing. Ik weet niet het exacte ratio, maar die is echt gigantisch. Dus al zou je hier een heel jaar of twee jaar aan ontwikkelen, dan nog heb je de business case heel makkelijk rond. Ja, daar hebben we eigenlijk een aantal voorbeelden benoemd. Nu hoor ik ook het element tijd. Je zegt in een aantal weken is dat mogelijk. Hebben we misschien ook nog wel een mooi voorbeeld van vandaag de dag. De laatste kop die voorbij komt, is natuurlijk dat ziekenhuizen AI inzetten om de impact van corona op de longen te bepalen. Denk ik best een mooie case om ook te behandelen, want daar heb je het over verschillende dingen. We maken longfoto's op basis van image recognition. Kun je bepalen wat de eventuele wijziging is ten opzichte van daarvoor of een normaal gedrag? Want ook die foto's hebben natuurlijk vele ziekenhuizen in hun bezit. Wat dat dan helpt, is dat niet de AI bepaalt wat er gebeurt, maar het jou eigenlijk helpt en versterkt om je behandelplan op te stellen. Ik denk dat dat wel een belangrijke is als het gaat om AI toepassingen voor de zorg. Want we hebben het nu over een stuk wat wat verder van ons af staat. Een bank die natuurlijk iets detecteert of energie in de grond. Dat zijn allemaal vervelende dingen als het daar misgaat, maar dat kost geen mensenleven. In de zorg wordt die gedachte natuurlijk vaak wel erbij gehaald. Wat nou als die een verkeerde diagnose stelt? Dat is alleen maar bedoeld en ingezet om diagnose verbetering toe te passen. Dus dat je nog een extra bron hebt die jou kan helpen bij het nog verder verbeteren van je diagnose. En daar is AI heel goed in, want op het moment dat zie je nu dus ook gebeuren, ziekenhuizen gaan samenwerken, is de hoeveelheid beschikbare data om je diagnose uit te halen natuurlijk wel ver zoveelvoudigd dat je dat niet meer gewoon op met een rule-based engine achtere oplossing kan doen. Dus daar heb je echt AI voor nodig en uiteindelijk helpt het je om je behandelplan op te stellen. En dat is hoe je eigenlijk nu in een rap tempo het ziet worden toegepast in de zorg. Ja en dan vooral dus wat jij zegt, dat die behandelaar blijft in de lead, die bepaalt waarbij de AI helpt. Datzelfde, het is wat ik net vertelde bij die spoorwegvervoerder, geldt dat voor die machinist natuurlijk ook. Dus die krijgt een seintje van nu is het moment van uitrollen, maar die bepaalt zelf wat hij uiteindelijk met dat seintje doet. Want er zijn misschien allerlei omstandigheden waarin je dat wel of niet doet, waarbij de uitzonderingen zijn. Dus het zijn vooral aanbevelingen die je als mens wel of niet gebruikt bij het uitvoeren van je werk. Zo moet ik het zien toch? Ja en is dat dan in het voorbeeld met die grote bank ook zo? Krijg je dan een signaal van hier zou mogelijk gevoelige informatie gebruikt kunnen worden? Of hoe is die het gelijk resolutie dicht? Nee, op dit moment is het zo dat je inderdaad het signaal krijgt. Dan zeg je van hier wordt mogelijk gevoelige informatie gedeeld, waarbij ook de mens dat nog controleert. In een later stadium gaan we kijken of we dat restrictiever kunnen maken. Maar je bouwt dat ook langzaam op. Je wil natuurlijk ook dat er vertrouwen in het systeem komt. Waarbij je hoe groter het vertrouwen is, zeker als dat vertrouwen niet geschaald wordt, kan je dat gaan oprekken naar dat dan het model of de machine learning meer zelfstandige besluiten mag nemen en restrictiever mag worden. En waar dan dat punt ligt tot waar dat mag groeien, dat hangt af van hoe goed die werkt. Wat uiteindelijk de opdracht geven wil. Dus dat bepaal je zelf, die lijn van waar ligt dat. De tip is wel dat je wel aan de veilige kant begint. Dus dat je begint met aanbevelingen. En vanuit daaruit kijk je van hoe zou je verder kunnen groeien. Of wil je wel verder groeien. Soms is een aanbeveling al meer dan genoeg. En helpt dat heel erg om je werk te verbeteren of kosten te verlagen. Dus het is echt niet zo dat je met de AR of de machine learning een alles of niets verhaal van hij voert het helemaal voor je uit of niet. Er zitten heel veel nuances en grijstinten in. Ik denk dat dat wel een goede toevoeging is. Want je bepaalt natuurlijk ook altijd zelf wanneer je stopt en wanneer het goed genoeg is om jou op dat stuk te versterken. Nou hebben we het gehad Joop over waar we AI eigenlijk al in ons eigen leven terug zien komen. De Spotify's en de Netflix's en de routeplanner, spamfilter. We hebben nu een aantal business cases behandeld. Maar kan ik die business cases dan gewoon kopen? Want Netflix kan ik toch ook gewoon kopen? Dus je zou je kunnen afvragen van kopen, zelf maken, waar moet je beginnen? Hebben we een iets langer antwoord voor nodig? Dus misschien wat voor volgende keer? Nou lijkt me een hele goede. Bedankt voor het luisteren. Bedankt voor het luisteren naar AIoTD Live. Bezoek onze website www.aiotd.ai voor het abonneren op deze podcast. Dan 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. Tot de volgende keer. Tot de volgende keer..