AIToday Live
AIToday Live deelt praktijkverhalen over AI die je direct vooruit helpen in je werk. In een wereld waar AI-ontwikkelingen elkaar razendsnel opvolgen, kiezen wij bewust voor verdieping en praktijkervaring. We bieden een kalm kompas in turbulente tijden.
In deze podcast hoor je professionals uit Nederland en België die openhartig vertellen over hun ervaringen met AI-implementaties. Voorbij de hype en krantenkoppen laten zij zien hoe organisaties écht met AI werken.
Onze gasten delen hun successen én uitdagingen op een toegankelijke manier.
Daarmee helpen we jou om:
- Praktische inzichten te krijgen in wat AI wel en niet kan
- Te leren van de ervaringen van andere professionals
- Concrete ideeën op te doen voor je eigen organisatie
- De grotere lijnen te zien in AI-ontwikkelingen
Iedere maandag een diepgaand gesprek met een gast, gepresenteerd door Joop Snijder (CTO Aigency) en Niels Naglé (Info Support). Elke donderdag deelt Joop in een korte aflevering zijn eigen praktijkervaringen en inzichten.
"AIToday Live is uitgeroepen tot AI Podcast of the Year 2025 en is drie keer genomineerd voor 'De Prijs van Oranje' door de Belgian Podcast Awards en staat op nummer 1 in de lijst van Zomerse luister-inspiratie: podcasts over AI, productiviteit, SEO & meer (Frankwatching, juni 2024)."
Ontdek hoe andere professionals AI succesvol inzetten. Ontvang ook exclusieve content, kijk achter de schermen en blijf op de hoogte van nieuwe gasten via onze nieuwsbrief: https://aitodaylive.substack.com
AIToday Live
S02E05 - 7 Redenen om niet te starten met Machine Learning
In deze extra lange aflevering kijken we naar redenen om NIET te starten met Machine Learning. Hoewel we altijd spreken over de mogelijkheden van AI en Machine Learning, moet je goed nadenken wanneer je Machine Learning wel of juist niet inzet. Daarom 7 redenen om niet te starten met Machine Learning.
Verder in deze aflevering:
- Over de Tesla robot
- Hoe gaan we om met AI? Een artikel uit ComputerTotaal
- De 7 redenen om niet te starten met Machine Learning
- Hoe weet je nu of je wel kunt starten met Machine Learning en dat het waarde oplevert?
Links uit de podcast:
- Tesla Bot: https://www.youtube.com/watch?v=j0z4FweCy4M&t=7514s
- ComputerTotaal: https://computertotaal.nl/artikelen/internet-thuis/hoe-gaan-we-om-met-ai/
- AI Design Week: https://www.infosupport.com/thema/ai/ai-design-week/
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!
Maar dat betekent dus dat je door middel van een nieuw algoritme, artificial intelligence, ervoor zorgt dat die zoveel kunnen rekenen, dat ze uiteindelijk bij een antwoord komen waar wij mensen waarschijnlijk veel langer over hadden gedaan als ze het al überhaupt hadden gevonden. Dat gaat ons helpen om nog grotere problemen te gaan oplossen. Denk maar aan een computer die zelf kan leren. Waar ik aan denk bij kunstmatige intelligentie is dat het door de mens gecreëerd is, dus het is door de mens bedacht. Bij kunstmatige intelligentie denk ik aan data. Zo, kunstmatige intelligentie. Eerlijk gezegd weet ik niet wat dat is. Hi, je luistert naar de podcast AIToday Live van Info Support. Iedere aflevering kijken we naar wat is er in het nieuws over AI, AI in the enterprise en AI in de praktijk. Zo, welkom allemaal bij weer al de vijfde aflevering van de podcast AIToday Live. Leuk dat je weer luistert. We hebben vandaag voor de verandering een speciale gast, maar eigenlijk is dat gewoon de co-host Joop Snijder en ikzelf Niels Neklee. En we zullen deze samen doen. En het hoofdthema van deze aflevering is de zeven redenen waarom je geen machine learning zou moeten toepassen. Wel een interessant onderwerp aangezien we het hier echt allemaal over AI hebben. Wanneer passen we toe? Wanneer is het ethisch? Ja, het is natuurlijk ook wel belangrijk om te weten wanneer zou je het niet moeten doen. Maar voordat we naar het hoofdthema gaan, natuurlijk eerst tijd voor het vaste onderwerp AI in het nieuws. Dus Joop, wat is jouw de afgelopen periode zo tijdens de vakantieperiode? Het is toch wat rustiger. Wat is er in het nieuws opgevallen bij jou? Ja, wat mij betreft moeten we het toch echt wel over de Tesla bot hebben. Tesla heeft natuurlijk de AI-D gehad, waar ze uitgebreid op hun toekomst ingingen. En die AI-bot die sprong er natuurlijk uit, wat mij betreft in de zin van dat die A er nog helemaal niet is. En ik weet niet, heb je de presentatie gezien of niet? Ik heb de presentatie niet gezien, dus ik heb alleen maar in mijn vakantie wat nieuwsflashes voorbij zien komen, maar niet de presentatie. Dus lees er mee, graag. Nou, in het nieuws is het denk ik ook best wel opgepakt. Dus dat heeft Elon Musk weer heel goed gedaan. Om even een beeld te schetsen, wat er gebeurde, is dat er echt een hele coole robot getoond werd. Net als dat je een concept car hebt, werd er op een hele mooie render uiteindelijk van een hele menselijke bot werd eigenlijk getoond. Zodanig dat je, je zag geen scharnier, helemaal niets. Dus we kennen denk ik allemaal de robots die Boston Dynamics maakt. Ja, daar kijk je eigenlijk de techniek in. Wat je hier zag is een hele gelikte Tesla-mens, zilver vanaf de borst naar beneden, met een soort van zwart masker, waar dan een scherm zou moeten komen, waar informatie mee wordt uitgewisseld. Vervolgens kwam daar een danser in zo'n zelden soort pakje, maar dan weet je, wat mij betreft, was dat een stukje amateur toneel, die kwam het podium op, het was ook al een krakkigmerkig podium, en die deed daar een dansje, waarbij uiteindelijk Elon Musk afsloot van, dit was natuurlijk niet de echte bot, maar dat was voor iedereen duidelijk, dat zei hij ook. Dus het was een beetje een vlaggerhakje. Wat hier nou precies eigenlijk vertoond werd, dat was me een beetje een raadsel. Aan de ene kant zien we natuurlijk dat wat er uit Tesla komt, moet je serieus nemen. Ik bedoel, laten we wel wezen, Elon Musk heeft de markt van elektrische auto's opgeschud, ruimtevaart heeft hij opgeschud, er zijn heel veel. Maar aan de andere kant zijn er denk ik ook heel veel voorbeelden van waar het vooral over marketing gaat. Vlammenwerper, ik denk dat iedereen die ook al voorbij heeft gekomen de afgelopen jaren. Ja, en weet je, in zijn marketing statements, tenminste om uiteindelijk in het nieuws te komen, laat ik het zo noemen, want daar is die kampioen in, heeft hij tot nu toe gezegd van ja, AI is de grootste bedreiging voor de mensheid. En in één keer presenteert hij zeg maar een human robot, die in zijn beleving zo direct van alles kan. Ja, want hebben ze dat ook nog laten zien? Wat is het plan dat die zou moeten kunnen? Ook dat vond ik zelf een beetje vaag. Dus dat sloot aan op de vorige elementen van de presentatie en het ging over over labeling van datasets, over training en zo. Ik dacht, goed, daar heb je helemaal geen robot voor nodig, in die vorm in ieder geval. Hij zou in de healthcare ingezet kunnen worden. Het was zeg maar, het was zo breed dat daarmee dus eigenlijk geen toepassing werd gegeven. Ik ben wel benieuwd waar dit naartoe gaat, maar laat onze luisteraars er in ieder geval duidelijk zijn dat dat ding er nog niet is. Dus ik weet niet hoe jij het gezien hebt, zeg maar in de berichtgeving, maar ik zag een aantal dingen voorbij komen. Alsof het er is, alsof die er klaar staat en dat we nog moeten gaan kijken waar die worden ingezet. Ja, en wat ik uit de presentatie hoorde is dat ze zei, ja, het is een prototype en we hopen volgend jaar, nee sterker nog, we hopen volgend jaar een prototype uit te brengen. Dat is wat hij letterlijk zei. Dit is, ik, nou ja, weet je, klinkt een beetje als een proefballon van hoe gaat hier de wereld op reageren? Ja, ja, ja, en misschien ook wel heel slim. Ik bedoel, misschien zijn ze wat dingen van plan met de zelfrijdende auto, waarbij die dat hiermee kan testen. En als als daar hier dusdanige problemen ontstaan, ethische problemen of wat dan ook, dat ze kunnen zeggen van ja, maar dan gaan we dat niet in die zelfrijdende auto's stoppen. Dus dat het ook een manier is inderdaad om de wateren eigenlijk te proeven of te voelen, zeg je dat? Ja, ik denk dat het inderdaad wel zo'n proefballonnetje is en als er niet te veel commentaar is, dan zullen we wel voor meerdere dingen ingezet gaan worden. Ja, ja, maar geen sloopkogel dus deze keer, dat de robot ook vanzelf weer heel werd en net zoals bij de auto. Nee, nee, nee, nee, nee, wat hij wel had is van dat het dan een hele langzame robot wordt die niet te zwaar is. Dus hij moet van hele lichte materialen worden, zodat je hem makkelijk kan overmeesteren, zei hij, en dat jij altijd sneller als mens bent, dus dat je ook van hem weg kan rennen. Op zich vind ik dat wel mooi, want daarmee stelt hij dus eigenlijk al dat dit iets is om ethisch te gaan kijken. Hoe gaan we ermee om dat die robotten in de maatschappij gewoon rond gaan lopen? Dus ja, ja, ja, iets om in de gaten te houden. Ja, ik denk nog steeds dat zijn grootste robot uiteindelijk gewoon die auto is. Ja, dat denk ik ook. Maar goed, laten we ons verrassen. Ik sta daar in die zin open in, maar wel met een, nou, het viel me vooral ook op, maar dat deed hij gedurende de hele presentatie hoor, maar misschien hier nog iets nadrukkelijker, dat hij ook zoiets had van, wil je aan dit soort gave dingen meewerken, join our team. Dus dat het ook nog eens een keer een soort van recruitment-achtig dingetje is, waarbij hij laat zien van ja, wij zijn als bedrijf natuurlijk met hele coole dingen bezig en dat zijn ze ook. Ik begrijp me niet verkeerd, maar ik ben altijd benieuwd bij Elon Musk, wat zit er precies achter? Ja, hij is master in media management en in het nieuws komen inderdaad. Maar ook wat je zegt, het zou zomaar waar kunnen worden wat hij zegt en dan hebben we die robot ineens voor ons staan en hebben we er mee te maken. Ja, nooit onderschatten waar hij mee bezig is. Nee, zeker niet. Dat heeft de historie wel bewezen. Dit kan ik natuurlijk niet toppen. Dan kom ik met een saai artikel die ik toevallig nog was tegengekomen na mijn vakantie, als ik al mijn mail weer door moest en even weer in te komen, zeg maar. Ik wil het toch even doen, want ik vond het wel een leuk artikel en hij was redelijk decent. Hij is van 22 augustus op de computer totaal en eigenlijk een heel uitgebreid artikel over hoe gaan we om met AI. En daar heeft hij uiteraard weer over de zelfrijdende auto's, omdat het een mooi voorbeeld is om de ethische vraagstukken te behandelen. Maar eigenlijk hebben ze in dat artikel echt heel erg netjes stap voor stap kades van betrouwbare KI kunstmatige intelligentie neergezet, de verschillende vormen. En het leest eigenlijk gewoon lekker weg. Het is toch wel denk zo'n 10, 15 minuten leeswerk, maar ze hebben alle items tikkert wel aan. Dus transparantie, verantwoording, privacy en data governance. Eigenlijk alle zaken waar we het in de podcast ook over hebben. Hebben ze hierin korte hoofdstukjes uitgeschreven en zeker de moeite waard om even te lezen. Kun je iets verder uitweiden over bijvoorbeeld die data governance? Dat zie je ook steeds meer natuurlijk voorbij komen. Zou je heel kort kunnen zeggen wat is data governance en hoe past dat dan in dit verhaal? Data governance voor de mensen die daar minder mee bekend zijn, is eigenlijk het proces inregelen en de organisatie klaarmaken om verantwoordelijkheid te kunnen pakken en te kunnen monitoren van wat er wordt gedaan met de data. Is dat ook zo? Eigenlijk is het een soort van overheidsinstantie die kijkt of er binnen de organisatie goed omgegaan wordt met data. Die zetten de regels uit en daar moet aan gehanteerd worden. Dus daarmee zorg je dat je in control zou moeten zijn op je data huishouding. Dat kan zijn kwaliteit, dat kan zijn privacy, security, allemaal van dat soort zaken die we in kaart moeten brengen en ook moeten kunnen monitoren gedurende het proces. Het is niet eenmalig, het is eigenlijk continu dat je dat in de gaten moet houden. En dat regel je binnen je organisatie? Ja, binnen je organisatie. De overheid, maar je zegt van het is een soort van... Ja, dus eigenlijk heb je een overkoepelend systeem die kijkt binnen je organisatie die verantwoordelijk is om te monitoren of het ook echt plaatsvindt wat er uitgeschreven wordt. Houden we ons aan de regels die we onszelf stellen? Het zijn niet de uitvoerende partijen, dat hebben meestal de eigen afdelingen die met de data werken. Die moeten de regels uitvoeren. Maar ja, dat moet je wel controleren en monitoren. Want er worden gewoon steeds belangrijkere beslissingen genomen op die data. Dat je wel zeker moet zijn dat het goed is, van kwaliteit is. En dat ermee gebeurt wat ermee mag gebeuren. Ja, precies. Dus dat is de kleine kant. Ja, cool. Nou, lijkt me niks saai, Jan. Want dit zijn precies de dingen waar we het over hebben natuurlijk steeds. Van transparantie. Eigenlijk gewoon van hoe ga je op een volwassen manier om met deze technologie. En zorg je dat je gewoon een goed systeem krijgt die past bij de behoeften uiteindelijk van het, laten we zeggen, het probleem. Maar ook dat die ook in de samenleving ook inpasbaar is. En dat je uiteindelijk niet anders dan ieder ander software systeem. Alleen heb je iets meer te maken met van, ja, hoe zorg je dat het transparant genoeg is. En begrijpbaar. Ja, en uitlegbaar. Daar hebben we natuurlijk al een aantal podcasts over gehad. En daar zullen best nog wel wat meer dingen over komen. Ja, nee, juist interessant. Ja, ja, en eigenlijk is het inderdaad wat je zegt gewoon een professionele aanpak. En te doen wat je zegt en te zeggen wat je doet. Ja, met je oplossing. Ja, interessant. Gaan we die link delen dan? Zeker, die gaan we even opnemen bij de podcast. Dus die kan iedereen bij de podcast terugvinden. Kijk, kijk, dan ga ik hem ook lezen. Ik heb hem nog niet gelezen. En een ander ding was opgevallen. Er was Samsung zet AI in voor chipontwerp. We zien natuurlijk heel veel chips die nodig zijn voor AI. En nu hebben ze AI ingezet om eigenlijk het probleem van, ja, die chips moeten nog sneller, nog efficiënter en nog beter worden om door te kunnen groeien. Gaan ze ook AI inzetten om dat weer toe te gaan passen. Er zijn heel veel studies op en zijn ze al langer mee bezig wereldwijd. Een AI binnen Samsung zeggen ze nu dat ze de eerste gaan zijn die hier ook een prototype van gaan echt gaan maken en ook klaar gaan maken om in de productie in te gaan. Oh, interessant. Dat is wel spannend, want er zijn natuurlijk veel techbedrijven zijn niet meer bezig. Dus ook weer bij die AID van Tesla lieten ze ook zien dat zij een eigen chip hadden ontworpen waarbij ze vooral de snelheid van trainen willen vergroten. Ik denk dat bijna al die big tech bedrijven zijn niet meer bezig. Google heeft de TPU's al een aantal jaren geleden ontworpen. Ze zijn allemaal bezig van, ja, weet je hoe, het is natuurlijk heel computer, rekenintensief, al die modellen, van hoe zorg je dat je dat versnelt. Bij Tesla hadden ze het erover dat ze 1 miljoen trainingen per week of zo doen. Dat zijn natuurlijk op gigantische datasets. Dus ze moeten dat er doorheen knallen. Zij hadden 500.000 van dat soort gespecialiseerde chips aan elkaar weten te knopen om een hele trainingsinfrastructuur neer te leggen. Dus je ziet dat op heel veel gebieden dit bezig is. En ik denk dat het alleen maar mooier is voor ons vakgebied, omdat er weer een soort van race ontstaat. Dus van, weet je, wie heeft zo direct de beste manier, de snelste manier. Dus daar kunnen alleen maar innovatieve ontwikkelingen plaatsvinden die ons gaan helpen. Ja, en ook het stukje eco en efficiënt mogelijk en minder stroomverbruik en dat soort zaken. Dus dat zorgt inderdaad ook dat ze daar ook op gaan concurreren. Dus dat is denk ik een mooie ontwikkeling. Ja, cool. Niet anders nog? Nee, dat waren even de twee punten die ik had. Had jij nog een andere die je was opgevallen? Nee, nee, dit was wat mij betreft wel het interessantste en het belangrijkste. Ja, het leukste. Ja toch? Ja. Laten we maar eens kijken naar ons hoofdonderwerp. Juist wat jij vertelde van, ja, we zijn zo enthousiast over dit vakgebied, maar er is echt wel een grens van wanneer begin je. En daarvoor zit nog een hele wereld waarin je hele gave, coole dingen kan doen. En waar je absoluut niet moet kiezen voor machine learning. Dus laten we daar eens eventjes naar kijken. Ja, goed punt inderdaad. Ja, we noemden zeven, dus we gaan er in ieder geval zeven moeten behandelen, Joop. Ja, we gaan er zeven behandelen. En om die zeven te kunnen benoemen, ga ik een definitie geven van machine learning, waarin in ieder geval zes van die dingen inzitten, van die punten. En de zeven zal erbij komen. Want als je kijkt naar machine learning, zou je kunnen definiëren, als zijn een aanpak om complexe patronen te leren van bestaande gegevens. En deze patronen te gebruiken om voorspellingen te doen op ongeziene gegevens. Dat is uiteindelijk, als je het heel kort en bondig samenvat, dan is het dit. En wat je daar dus uithaalt, zijn eigenlijk zes basiselementen. Dat is complex, zoals ik al heb gezegd, dat is de aanpak om complexe patronen te leren. Dus we hebben complex, patronen leren van bestaande gegevens. Dus je hebt iets van gegevens nodig. En deze patronen gebruiken we dan om voorspellingen te doen. Dus je moet iets met voorspellen, dat is nummer vijf, op ongeziene gegevens. Dat is nummer zes. En wij voegen daar altijd aan toe. Ik denk dat we daar constant mee bezig zijn. En dat moet ook nog eens een keer binnen een ethisch kader kunnen vallen. Het moet ethisch zijn. Als dat de definitie is waar machine learning goed voor is, dan kunnen we ook kijken waar die grens ligt. Dus kunnen we die stappen aflopen. Dus we beginnen eigenlijk met het complex. Tegenstelde complex, simpel. Als je een simpel probleem hebt, dan zou ik gewoon kiezen voor een traditionele software aanpak. Dan hou op met machine learning. Is je businessprobleem goed te vatten in businessregels? Waarom zou je dan machine learning inzetten? Dat is eenvoudiger, goedkoper, makkelijker in onderhoud. De kennis is breder beschikbaar. Precies. Maar hoe we dan onderscheid maken tussen simpel en complex is misschien dan nog wel een dingetje. Maar daar kunnen we wel kijken naar typische machine learning problemen. Dus als jij bijvoorbeeld zinnen die getypt of uitgesproken worden, zou moeten interpreteren en daar actie zou moeten hangen, een chatbot-achtig verhaal, dat is ontzettend moeilijk om dat in regels te vatten. Dus vanuit een zin daar helemaal uit destilleren van wat iemand bedoelt, dat is een typische machine learning probleem. Bepalen welke voorwerpen persoon of dieren op een foto staan, probeer dat maar eens in regels te vatten. Dat gaat niet. Nee, dat kan gewoon niet. Maar aan de andere kant, we hebben zoveel systemen waarbij we echt met, en ook al is dat een complex aan if-then-else statements, maar zijn dat nog steeds behapbare hoeveelheden. Dus je kan die data aan, je kan de regels aan, je kan het blijven onderhouden. Blijf dat dan ook op die manier doen. Ik zit er zelf nog even te denken, ik hoor je het zeggen inderdaad, ik heb nog een voorbeeldje hier van die zo op kon poppen, maar eigenlijk noem je hem al, er zijn heel veel if-then-else regels, kan complex ogen, maar hoeft niet complexer zijn, want iedereen kan gewoon de if-then-else doorlopen, een flowchart maken en kan het begrijpen. Ik denk dat daar een beetje de essentie in ligt. Ja. En er zijn natuurlijk heel veel dingen, bijvoorbeeld als jij, wat we al heel lang gebruiken, is het identificeren van spam-email. Dat vat je niet in regels. Het is niet zo van als dit woord erin voorkomt, plus dat woord, dan classificeer ik dat als spam. Dat zijn echt hele complexe problemen. Het aanbevelen van producten op basis van iemands aankoopgedrag, ga je ook niet in zelf proberen te modelleren. Daar heb je gewoon patronen voor nodig, om te begrijpen, wat moeten we hiermee? Ja, mooi brugje naar het stukje patronen. Ja, dat was eigenlijk onbedoeld, maar een hele mooie brug. Alsof je hem inderdaad al had. Ja, nee, dat is niet zomaar bedacht. Dat zou een beetje flauw zijn. Ja, nee, maar dat is het wel inderdaad. Als je patron niet voor de hand ligt, van 'Goh, ik koop het ene boek, dan ga ik even if, then, else zeggen dat deze boeken ook aan te raden zijn.' Ja, dat is niet te doen. Dat is te groot. Dat is te veel. En er zit een context achter waarom ik dat boek gekocht heb. Wat is mijn interesse? Of wat heb ik op dit moment voor klus? Ben ik aan het klussen in huis? Of heb ik een nieuwe baan? Dat speelt allemaal mee, waardoor eigenlijk die simpele keuze, want ik moet me gewoon drie andere boeken aan iemand voorstellen, eigenlijk een heel erg complexe vraag is. En de context moet gevoed worden om een patroon te gaan herkennen. Precies. Ja, want ik kan bijvoorbeeld kiezen dat ik alles van een bepaalde schrijver wil lezen, of het ging me juist om het genre, of ik vond de voorkant van het boek mooi. Dat kan ook. Ik heb heel lang, toen ik in boekenwinkels boeken kocht, de voorkant van het boek moest me gewoon aanstaan. Ja, misschien heel irrationeel. Dat maakt het niet uit. Nou, daar kwam dat ook bij, maar dat was ook één van de factoren om wel of niet te kiezen voor een boek. Weet je, je kan niet daar zomaar regels, wat jij zegt, aan hangen. Dus dan ga je naar patronen kijken. Maar ik denk dat we allebei heel goed weten, niet in alle datasets zitten de patronen opgesloten. Nee, en soms denk je dat er een patroon is, maar is hij er eigenlijk helemaal niet. Want dan kiest iemand gewoon voor een plaatje van een boek om te gaan kopen. Ja, precies. Of je vindt een bepaalde correlatie, en daar hang je dan een dusdanige waarde aan, maar dat dat of nikszeggend is, of dat die correlatie geen kausaal verband is. Er is een heel mooie anekdote van, ik weet niet of je die kent, van Bono. Van Bono, die tijdens een concert van U2 zegt dan iedere keer, als ik in mijn handen klap, dan sterft er een kind in Afrika aan aids. En dat dan iemand in het publiek roept, ja stop dan met klappen. Ja, logisch. We snappen natuurlijk allemaal, we snappen de correlatie, maar we snappen ook dat daar geen kausaal verband in zit. Deze is heel helder en duidelijk. Maar als je zelf aan de slag gaat, is het in ieder geval heel belangrijk om überhaupt te checken of die correlatie in je data zit. Dus je hebt een probleem op te lossen. Maar vind je ook de correlatie? En als die correlatie er dan is, beïnvloedt dat elkaar ook direct. En dat valt soms niet mee om dat uiteindelijk te zien en te snappen. Dan komt het ook weer samen, die patronen. En het gaat complex worden waarom we het willen gaan oplossen met machine learning. Dan komen ook alle biases om de hoek, want je zit helemaal in die data en je bent blij dat je wat gevonden hebt. En je zegt, yes, we hebben succes. Durf dan maar een paar stappen terug te doen met elkaar, om dat inderdaad wel met elkaar goed te beoordelen. Dat is wel een verlichting die we onszelf stellen, gelukkig. En ook moeten blijven stellen. Dus hier moet je exploitorie data analysis, heet dat dan, moet je gaan toepassen, dat je echt gaat kijken hoe ziet mijn data eruit. Welke correlaties zijn daar? Is het zinnig? Zouden we ook... Bestaat er een manier om misschien de een te beïnvloeden, om te zien of de ander ook mee verandert? Nou, dat kan niet altijd, maar je moet er wel gewoon heel zinnig over nadenken. En er is een hele leuke website, die heet even uit mijn hoofd iets van Spurious Correlations of zo, zoiets. Ik ga die even opzoeken, moet dat natuurlijk weer even uit mijn hoofd doen. En daar hebben ze echt geweldige correlaties in, waarvan wij als mensen direct zien, weet je, van ja, dat heeft niets met elkaar te maken. Of dat je zoiets hebt van, ah, weet je, alles zou iets met elkaar te maken hebben. En om een voorbeeld te geven, een is dat van, die correlatie, die ligt echt bijna, als je die grafiek pakt, die ligt bijna gewoon, die twee lijnen liggen tegen elkaar aan. En dat is de mensen die, dat er een correlatie is tussen kaasconsumptie en de mensen die uiteindelijk in een bedlakens verstrengeld raken en overlijden. Oh. Dat heeft natuurlijk niets te maken met een kausaal verband. Maar allemaal dat soort, zeg maar, correlaties, die kan je daar vinden op die website. Dat is echt geweldig. Het aantal zelfmoorden correleert dan heel erg met het gebruik van Internet Explorer. Ik dacht even dat je die naam daar net ging noemen als eerste. Ja, ja, Bono. Maar die blijft altijd plakken, inderdaad. Het aantal zelfmoorden en aanleidingen van gebruik van Internet Explorer. Ja, en daar zie je natuurlijk, ja, er zitten hele sterke correlaties. Er heeft geen enkel verband met elkaar. En daar moet je je echt wel bewust van zijn. Vind je die niet in je data, want we hebben het erover, wanneer moet je machine learning niet toepassen als dit niet in je data zit? Begin alsjeblieft niet aan het trainen van een of ander model. Want het levert je niks op, behalve ellende. Ja, en wasted energy. Waste of time. Yes. Zijn we bij punt drie, hè? Want we hadden het over machine learning. Dan gaat het natuurlijk over aanpak van complexe patronen, om die te leren. Je moet ook een soort van leer-element hebben. Ja, dus er moet verandering zijn in de data. Want als het elke keer hetzelfde is, en hetzelfde patroon loop je door, ja, wat is dan het lerend vermogen? Heb je een voorbeeld hierbij? Wanneer heb je dit niet? Nou ja, als je uiteindelijk gewoon een flowchart, zeg maar, zou kunnen opstellen van hoe je uiteindelijk van vraag tot beslissing komt, ja, dan heb je eigenlijk iedere keer een repeterend verhaal. En dat kan best wel een heel complexe flowchart zijn. Dat wil niet zeggen dat je een complex probleem hebt. Maar als dat eigenlijk gewoon een heel afgekaderd geheel is, ja, dan zou ik daar geen machine learning voor inzetten. Ja, een heel concreet voorbeeld. Wat is een heel concreet voorbeeld? Ja, vaak gaat het toch over allerlei vragen die je kan stellen, zoals wij dat doen, zeg maar, op een database eigenlijk, op je gegevens. Ik bedoel, ik denk dat dat misschien heel concreet is. Want dat kunnen best wel nieuwe vragen zijn, maar die data is behoorlijk afgebakend. En daar kan je allerlei complexe vragen op stellen, van wat zijn de verkopen van dit jaar voor een specifiek product, voor een specifieke doelgroep, ten opzichte van vorig jaar. En misschien kunnen we dat doorzetten, van als we dat extrapoleren naar een ander kwartaal of een ander jaar, nou ja, dat kan je gewoon uitrekenen, weet je, doe dat. Dat heeft niets met machine learning te maken. En dan heb je daar een voorbeeld van, maar dan heb je ook een voorbeeld van, wanneer is wel lerend vermogen nodig? Ja, dat zijn er genoeg natuurlijk. Ja, dat zijn er heel veel, ja. Weet je, als jij e-mails bijvoorbeeld moet klassificeren, stel je wil een systeem hebben waarbij je op zijn minst, zeg maar, e-mailtjes die op je klantenservice binnenkomen, die heel veel gaan over inlogproblemen, wachtwoorden, allemaal dat soort zaken, die wil je misschien geautomatiseerd, wil je die antwoorden, weet je, daar heb je geen medewerkers voor nodig om diep in de casus te duiken, kan waarschijnlijk 80, 90 procent worden afgedaan met geautomatiseerde opvolging. Nou, dat zijn typisch dingen waarvan je wilt leren. Dus wil je leren van hoe geven mensen in een e-mail of in een WhatsApp of wat dan ook, in tekst geven ze aan dat het een loginprobleem is, in plaats van een vraag bijvoorbeeld over hun pensioenverzekering of wat voor product je ook aanbiedt. Dus alleen om die te scheiden moet je gaan leren van wat is het verschil tussen de ene e-mail of de andere e-mail. En ik denk dat dat wel een voorbeeld is. Daar vindt misschien ook een verandering in plaats van hoe mensen dat gaan vragen. Daar ga je steeds beter leren. Misschien zelfs in andere talen moet je erbij gaan leren. Dus dat is toch uiteindelijk veel moeilijker in een inweersende e-mail te vatten. Ja, er is ook een stukje meer context nodig voor de verandering over tijd. Ja, daar hebben we natuurlijk ook, om een brugje naar de volgende te gaan maken, data voor nodig. Ja, daar weet jij wat van toch? Ja, dat zeggen ze inderdaad. Dat zie ik al jaren in. Ik kan er heel veel van over vertellen inderdaad. Het is natuurlijk sowieso belangrijk om, als je iets wil gaan opzetten, dat de data die je nodig hebt, er ook is. Dus je hebt de historische data nodig. Je hebt zaken nodig om mee te kunnen gaan trainen. En hebben we niet zomaar data nodig. Nee, we hebben echt goede kwaliteit data nodig. Ja, en die beschikbaarheid daar ga je heel snel overheen, want dat klinkt zo, zo bazaal. Ja, maar daar lopen we zo vaak tegen aan, dat er gedacht wordt dat die data er is, waarvan al wordt aangenomen dat er patronen zelfs erin zitten. En als puntje bij paaltje komt, is de data er überhaupt niet. Laat staan, welk patroon dan ook. Ja, dan zit het eigenlijk allemaal in de hoofden van de mensen die de proces aan het uitvoeren zijn. En is er geen systeemrecord te vinden waarin het eigenlijk vast ligt inderdaad. Ja, precies die data die je nodig hebt. Ja, dus het is misschien in de bijzin, maar dat is wel ongeveer de belangrijkste bijzin misschien uit deze hele podcast. Ja, en dat is ook denk ik waarom bij veel experimenten, je echt jezelf moet gaan stellen. Hebben we voor deze experimenten echt al de data tot onze beschikking en niet de aanname doen. Alsjeblieft niet controleer van tevoren voordat je je volgende energie stap erin gaat maken, want anders dan kan je gewoon weer terug naar af en dat is echt zonde. Aanname hier is echt, ja. Ja, en kwaliteit, weet je, hoe bepaal je kwaliteit van je data dat het goed genoeg is? Hoe weten we dat? Ja, daar zou je ook de exploratory analysis voor moeten doen. Maar ja, daar zou je ook gewoon praktijkcasussen moeten gaan vinden en de business users bij moeten hebben van, hé, wat we hier hebben, klopt dat? Zijn alle velden goed gevuld? Heel vaak baseren we toch nog machine learning processen en modellen op data die ingevoerd is door mensen. En ja, we weten allemaal, mensen maken fouten en die komen soms heel mooi uit, die fouten, maar het blijven fouten. En ja, dat is historisch gezien, ligt wat vast. Dus dat kan heel erg verschillen wat we daarin zien. Dus het is heel moeilijk om je data kwaliteit eigenlijk te beoordelen, want het hangt er ook van af waarvoor moet ik het gebruiken? Heb ik het overal wel nodig, die datagebieden daar? Dus dat is eigenlijk op zichzelf staand al een complex vraagstuk van wat is nu de kwaliteit van mijn data en is het genoeg? Ja, want dat zien we ook gewoon bij klanten, van dat er eigenlijk ieder jaar weer trajecten worden opgetuigd van, ja, daar moeten bijvoorbeeld contracten worden verlengd of mensen moeten worden aangeschreven of wat dan ook. En dat er altijd weer zo'n datavervuiling is dat ze zeggen ja, maar we moeten nu echt, weet je, en dan hebben we het echt over trajecten van drie, vier, vijf maanden waarbij weer die data wordt opgeschoond, waar ontdubbeld wordt, waar missende gegevens worden, kijken of we die kunnen invullen. Dat is echt wel een serieus probleem. Ja, en dat is ook op zich logisch dat het zo ontstaat, want we hebben het over historische gegevens en willen we langdurige trends en langdurige patronen herkennen, gaan we ook verder terug de tijd in. Ja, waarschijnlijk zijn er pakketten vervangen, datamigraties uitgevoerd, het systeem is aangepast waardoor bepaalde velden niet meer eens gevuld of gestoond kunnen worden. Ja, en in de historie heb je die allemaal tot je beschikking, wat natuurlijk heel mooi is. Of data, weet je, waar een betekenis aan is gegeven van min 1 betekent in één keer weet ik het, weet je, van ja, zo zit er van alles in waar allemaal vlaggetjes aan bedoeld zijn om nog eens een keer context aan zo'n data element te geven waar misschien nog maar één iemand in de organisatie weet wat dat ook weer betekent. Ja, en dan heb je geluk, want dan is er nog iemand die weet wat het betekent inderdaad. Ja, ja, ja. Dus daar kunnen we op zichzelf hele mooie verhalen over verzinnen. Ja, maar dat is wel één van de redenen, dus jij zegt terecht, dus bekijk dat van tevoren, heb je dat niet, dan betekent het ook van, weet je, ga eerst daarmee aan de slag, dus ga niet meteen naar je machine learning oplossing. Het is ook niet zo dat alles 100% in orde hoeft te zijn om te starten. Maar je hebt wel een degelijke set nodig en dat kan een kleine set zijn in het begin om in ieder geval je waarde aan te tonen van dat het zin heeft om je data uiteindelijk te verbeteren. Dat betekent dat je bijvoorbeeld een klein experiment laat zien, het heeft businesswaarde en het heeft zin om iets op te tuigen om uiteindelijk die hele data kwaliteit te verbeteren om zo een hele serieuze AI oplossing of machine learning oplossing in productie te krijgen. Toch? Nee, zeker weten. Het is zeker geen reden om, als je ziet dat het mogelijk is en je voldoet aan de andere redenen waarom je het wel zou moeten doen, terwijl wij het hier hebben overgehouden, waarom niet, zou ik zeker dit niet als een showstopper hebben, maar wel in het achterhoofd en ook de mensen meenemen van jongens, we doen dit op een specifieke set, we weten dat de data kwaliteit uitdagingen zijn, dat ook met elkaar bespreken, zodat we het weten wat de investering gaat zijn om die kwaliteit van de data te verbeteren om die waarde die we aantonen in het experiment voor de hele organisatie continu te kunnen leveren. Precies. Dan komen we op de voorspellingen. Het gaat erom dat we complexe patronen leren, op basis van gegevens voorspellingen gaan uitvoeren. Het is trouwens voorspellen of inschatten. Dat is wel heel cruciaal, want een voorspelling is natuurlijk nooit een garantie. Zelfs de weersvoorspelling van morgen wil niet zeggen dat die uit gaat komen. En ook de inschatting, bij het maken van wat ik net zei over een email, gaat dat over loginproblemen of iets anders, dan heeft de machine een inschatting gemaakt dat met een zekere kans deze email een loginvraag bevat. Heb je nou exacte antwoorden nodig? Er zijn best wel heel veel situaties waarin je een ja/nee antwoord nodig hebt. Als dat het geval is, dan gebruik alsjeblieft geen machine learning oplossing. Die geeft je alleen maar die voorspelling of die inschatting. Met een bepaalde zekerheid, maar het is altijd een inschatting. Mensen denken dat ook hier heel strikte regels uitkomen, maar dat is gewoon niet zo. Dus als je in wat voor situatie ook zit waar echt heel duidelijk uit moet komen ja/nee, of als daar een getal uit moet komen en dat getal moet exact zijn, dan gebruik je geen machine learning. Ik heb even geen voorbeeld paraat, maar ik denk dat je het zelf kan bedenken richting je eigen sector, je eigen probleem, van dat je echt wel hebt van 'ja, maar dit moet eruit komen'. En daarmee is het ook wat voor impact het heeft. En de impact bepaalt dan ook vaak of een ja of een nee of een inschatting voldoende is voor je oplossingen. En als je het wil gaan toepassen om je te helpen bij het maken van een ja/nee beslissing, dat kan. Je kan echt wel van het machine learning systeem, waar met die kans dat eruit komt dat iets zo is, dat gebruiken als mens om je eigen beslissing te maken waarbij je wel komt tot een ja/nee, waarbij één van de inputs uiteindelijk de output is van het machine learning systeem. Dus bijvoorbeeld bij een kreditaanvraag wil je niet per se dat er geen ja/nee komt van deze persoon wordt een wanbetaler of die is kredietwaardig, maar het kan wel één van de inputs zijn waarbij je als beoordelaar besluit van 'zo schat ik dat in'. Dat geldt ook voor in de zorg. Dus er komt echt niet uit van 'binnen nu en vijf jaar ontwikkel jij longkanker'. Nee, er kan aan de hand van het machine learning model kan eruit komen van 'er is zoveel procent kans' of 'er zijn zoveel mensen die jou voorgegaan zijn waarbij dit percentage op basis van dezelfde criteria die jij hebt, zoals jouw leven eruit ziet, binnen vijf jaar longkanker hebben ontwikkeld'. Maar er komt geen ja/nee uit. Nee, maar het is wel een hele belangrijke richting geven om verder te gaan onderzoeken en daar kan je hem zeker voor inzetten. En we moeten ook niet achterwege laten om dat te doen, zolang we maar wel beseffen dat die ja/nee niet uit de oplossing van de machine komt. Ja, dus ben je daar nou op zoek? Niet aan het beginnen. Check. En het laatste wat er dan in machine learning is, is machine learning aanpakken om complexe patronen te leren, van bestaande gegevens in deze patronen te gebruiken om voorspellingen te doen op ongeziene gegevens. En daar zit nog echt wel een belangrijk deel. Kijk, want als jij een hele set van data hebt wat uiteindelijk jouw hele probleemdomein afkadert, dan kun je daar negen van de tien keer, kun je daar gewoon juist die regels op toepassen. Omdat je van ieder datapunt weet wat daar dan op moet volgen. Het probleem zit juist in als je dat niet kan doen. Dus wat we net hebben gehad met die e-mail klassificatie, is het wel of niet een login? We kunnen natuurlijk nooit het complete domein krijgen van alle mogelijke mails die op alle mogelijke manieren beschrijven dat iemand een inlogprobleem heeft. Dus wat je wil gaan doen, is dat je de essentie daarvan leert en dat je e-mailtjes met misschien zelfs woorden die je nog nooit gezien hebt, met zinsconstructies die je nog nooit gezien hebt, toch kan klassificeren en zeggen van dit is nou typisch een vraag over inlogproblemen. Dus een nieuwe context die opdoet, nieuwe variaties, wat je binnenkrijgt. Als je dat niet hebt, dus niet doen. Nee, nee. Of dat je, we hebben het gehad over, jij zei het aanbevelen van die boeken. Er komen natuurlijk zoveel boeken steeds bij, dat je dan misschien wel, je hebt misschien wel de totale set aan gegevens, wat je kan aanbevelen. Maar juist, je wil niet bij ieder nieuw boek moeten zeggen van dat verhoudt zich zo en zo tot al die andere boeken. Dat wil je juist die machine laten uitzoeken. Dus dan geef je hem gewoon een nieuw boek, die heeft hij nog nooit gezien, en kan hij toch op basis van dat nieuwe boek, als iemand dat aankoopt, kan hij aanbevelingen doen over de andere boeken. Of als jij een ander boek koopt, juist dat nieuwe boek aanbevelen. Terwijl, dat gaat ook over ongeziene gegevens. Ja, dus eigenlijk ook ongeziene patronen, ongeziene correlatie tot eerder gezien boeken en dat soort informatie die nieuw is, dus ook ongezien. Ja, dus heb je een heel afgekaderd set aan data, zeker als dat heel categorisch is, dan zou ik machine learning niet zo snel inzetten. Dan moet je wel een heel specifiek probleem hebben. Dus dan hebben we ze eigenlijk alle zes gehad, die in de term en de korte beschrijving van machine learning staan. Maar ja, de titel was niet voor niks van het thema was zevenringen. Wat is dan die zevende Joop? Ja, wat ik zei, het moet binnen een ethisch kader vallen. En ik denk dat we het daar heel vaak al over gehad hebben. En wat dat kader dan is, dat bepaalt voor een deel de samenleving, dat bepaal je zelf als bedrijf, dat bepaal je misschien zelfs als individu waar je aan mee wil werken. Maar ik vind het daar heel moeilijk om aan te geven van ja, weet je hier wel, hier niet. Maar als het in ieder geval een onethisch systeem wordt, weet je, ga het dan gewoon niet doen. Ja, en daar moet je met elkaar en als organisatie en als bedenker, als developer, als business user, als consument, moet je daar met elkaar gewoon gaan kijken. Wanneer vinden we het onethisch? Ja, dat is niet echt te vatten. Zoals we in de vorige podcast al heel veel erover hebben gepraat. Ja, nee, dus dat is heel moeilijk. Kijk, wat uiteindelijk wel, en dan laten we dat dan als een soort van bonus reden zien van waarom je niet met machine learning wil starten, is als het uiteindelijk niet kosteneffectief is. Dus je moet kijken van, kun je er voldoende businesswaarde uithalen? Heeft het potentie voor je? Weet je, je moet niet het gaan doen om het doen. Dus het is, ik snap dat het heel gaaf is om hiermee aan de slag te gaan, dat doen wij ook. Maar het moet echt wel iets opleveren. En zolang je dat niet kan vaststellen, ja, dan moet je er ook niet aan beginnen, want het zijn uiteindelijk best wel onzekere trajecten. Dus we hebben aangegeven, weet je, complex die patronen, die historische data. Dus de kans, zeg maar, dat je uiteindelijk er niet uit krijgt wat je zou willen hebben, die is aanwezig. Bij traditioneel software ontwikkelen kunnen we requirements kunnen we vaststellen. Nou ja, daar doen we vaak een verkeerde schatting over. Maar je weet in ieder geval dat je aan het eind van het traject, kun je dat en dat krijgen. Dus dat is van tevoren heel goed vast te stellen. Ja, hier is dat minder goed vast te stellen. Dus je moet die business value eruit halen. Je zegt het heel makkelijk, je moet de business value eruit kunnen halen. Maar ja, hoe pak je nou zoiets aan? Want je kan wel zeggen, hoe ga ik dat eruit halen? Hoe zie je dat in de praktijk? Hoe doen we dat in de praktijk? Ja, dat is een mooi bruggetje inderdaad naar altijd ons derde item, AI in de praktijk. Dus daar kan ik wel wat over vertellen van hoe je dat zou kunnen aanpakken, hoe wij dat in ieder geval aanpakken.[muziek] Ja, nou ja, je legt de bal voor, dus ik kop hem graag in. Hoe pakken wij dat aan in de praktijk? Ja, kijk, uiteindelijk begint het bij het kiezen van ideeën. Er zijn vaak best wel heel veel ideeën die er leven. Of in ieder geval het idee van waar zou machine learning inzetbaar kunnen zijn, waar is het haalbaar, waar zou het waarde kunnen leveren? Dus wij beginnen meestal met het verzamelen van die ideeën. Dat doen we in de workshop. Wij noemen dat een AI ideation workshop, waarbij je uit verschillende hoeken van stakeholders, product owners, sea level management, data scientists, engineers, verzinnend, bij elkaar zet en kijkt van, maar wat zijn nou ideeën waarvan we kunnen zeggen, die zijn haalbaar? En de hypothese is dat ze van grote business waarden zijn. Het is nog steeds een hypothese. Daar maak je een selectie uit en dan kies je bijvoorbeeld 1, 2, maximaal 3 experimenten en die ga je uitdiepen. En die ga je dusdanig uitdiepen. Daar hebben we een canvas voor ontwikkeld, een AI experiment canvas, waarbij je een experiment definieert die je in vijf dagen zou kunnen valideren of invalideren. Dus je houdt de kosten laag. In ieder geval, laat ik het even, want anders schiet ik misschien te ver door. Dus dat canvas ga je invullen. En wat je doet bij dat canvas is dat je gaat vastleggen van, wat willen we leren? Welke verandering willen we kunnen zien? En verandering echt in business termen. Dus dan moet je denken aan, even kijken welke ik zou kunnen en mogen delen. Bij een verzekeraar ging het erover van, zouden we het aantal mensen die een verzekering opzegt, geautomatiseerd, toch kunnen laten doen besluiten om een vervolgverzekering bij ons af te sluiten? En daar kan je dan criteria opzetten, dat je zegt van ja, maar we willen zoveel procent van dit soort gevallen geautomatiseerd over kunnen zetten binnen een bepaald termijn. Bijvoorbeeld binnen drie maanden. Zo leg je dat in het experiment canvas vast. Je legt ook vast, ik heb het nu over drie maanden, maar je wil iets besluiten van na vijf dagen van, is de hypothese nou gevalideerd ja of nee? Dus dat doe je dan vaak ook. Dan kunnen we dat überhaupt automatisch detecteren, wie hiervoor in aanmerking zou kunnen komen. Leg je allemaal vast. Je gaat ook vastleggen van, wie gaat wat doen in die vijf dagen? Wie heb je nodig? Welke data hebben we nodig? Is die er? En dan ga je het met z'n allen over hebben. Op een gegeven moment heb je echt een heel duidelijk experiment gedefiniëerd waarbij je letterlijk de volgende dag mee aan de slag kan. Zo helder is die gedefiniëerd. En dan ga je in die vijf dagen daadwerkelijk met data die je zelf hebt, ga je kijken of je een model kan ontwikkelen zodanig dat je aan die criteria die je aan dat experiment hebt gesteld, dat je die kan behalen. En als je die hebt behaald aan het eind van die vijf dagen, dan kan je zeggen van, of niet, maar in ieder geval aan het eind van die vijf dagen kan je zeggen van, hebben we voldoende aangetoond dat we eigenlijk alle elementen hebben voor een machine learning oplossing en zien we daar voldoende reden toe om dit verder uit te werken? Zien we dat we hier businesswaarde uit kunnen halen? We hebben dat met een klein deel aangetoond dat er patronen in de data zitten, dat we dat kunnen beïnvloeden. Al dat soort zaken die we eigenlijk net langs zijn gegaan, kunnen we dat met ongeziene gegevens? Dus je haalt gegevens uit je set die het model nog nooit gezien heeft. Dus dat is wel van je historische gegevens. En dan ga je kijken van, werkt dat eigenlijk al op dat model? Je zou zelfs kunnen besluiten om te zeggen van, nou we gaan met een kleine groep gebruikers, hebben we ook al gedaan met klanten, die laten we toe op dat model en dan hebben we echt ongeziene gegevens, dus echt gegevens uit de praktijk en kunnen we dan dat onderscheid maken van wel of niet die e-mail over login en hoeveel doet die er dan goed en hoeveel doet die er niet? En dan kun je aan het eind van die periode bedenken van, ja we hebben eigenlijk niet een proof of concept, maar we hebben een proof of value. We weten dat dit waardevol is, dat het bij gaat dragen aan onze doelen en dat het het geld van de investering waard is. Dat is eigenlijk de aanpak hoe we dat doen en in die week, onze AI Design Week, dat is gewoon een vaste aanpak. En ik moet zeggen, tot nu toe hebben we eigenlijk altijd wel kunnen aantonen dat de ideeën waarde hebben. Vooral omdat we in die eerste fase van die idee vorming al heel goed nadenken over, draagt het bij aan bedrijfsdoelstellingen en wij kunnen heel goed de haalbaarheid inschatten. Dus de niet haalbare ideeën, die filteren we eruit met z'n allen. En dan komen we op gewoon toch meestal goede haalbare, in ieder geval haalbare ideeën waarbij we in zo'n week die waarde kunnen aantonen. Ja en zelf vind ik het mooie stukje daarvan is sowieso die combinatie van die twee, die ideation, waarin we dus die voorbeelden en ideeën uitwerken, is dat die echt gekoppeld moeten worden aan de business values en de doelen langer termijn van de organisatie. Want dat zie je in de praktijk ook bij heel veel projecten. Ja, het moet gebeuren, maar dat er niet meer bekend is. Maar welk doel streven we nou voor de organisatie na en waar doen we onze waarde nou echt van toepassing? Ja en in die workshops die ik geef, wat je daar dan ook ziet, is dat dat ook de meest vervelende vraag is. Of organisaties, je weet het heel goed hè, ik vraag altijd de drie belangrijkste bedrijfsdoelstellingen. En dat kan op het hele bedrijf zijn, maar bij grote bedrijven kan het natuurlijk ook op jouw afdeling zijn of op je project, maakt niet zoveel uit. Maar wat zijn nou je echte bedrijfsdoelstellingen? Of ze weten ze zo, paf, paf, paf, op te noemen. Of het wordt toch best wel een discussie van waar zijn we nu mee bezig? Waarbij ik vaker in de discussie kom dan in de paf, paf, paf. Maar daar blijven we echt op doordrukken, want dan kun je echt aantonen dat je verschil kan maken. Want als je geen verschil kan maken, dan heeft het echt geen zin om aan zo'n machine learning oplossing te beginnen. Weet je, doe het gewoon niet. Dus ja, dan moet je echt wel de tijd verpakken. En dat vind ik het mooi inderdaad, dat je bewust de tijd ervoor neemt om het af te dwingen met elkaar over na te denken. Welk value halen we eruit en welk, ja. Hoe halen we als organisatie hier het meeste uit? En dat shift wel de meeste leuke ideeën naar echt concrete valueable ideas. Ja, en zeker in de samenstellingen waarin we dat doen, dus dat je echt vanuit allerlei verschillende hoeken mensen laat deelnemen, moet je echt bedenken dat zeg maar op een groep van 10, 12 mensen komen daar met gemak 100 ideeën uit. Ja, 100 ideeën. Ja, en dan is het natuurlijk de vraag van, ja maar weet je, welke gaan we nemen? Welke heeft nou juist de meeste waarde? En daar komen we ook altijd uit. Eigenlijk vrij gemakkelijk. Dat is eigenlijk wel leuk, maar dan weet je in ieder geval dat je net vanuit heel veel hoeken hebt bekeken, dat je de juiste criteria er tegenaan hebt gehangen en dat je ook als organisatie daar zelf mee aan de slag gaat. Dus wij kunnen je begeleiden in die design week, maar ik zeg altijd AI is te belangrijk om daar niet zelf mee aan de slag te gaan. Dus wij pushen ook zeg maar die organisaties van doe mee met die design week. Weet je, niet dat wij zeggen van op een gegeven moment, nou hier heb je een model, gefeliciteerd joepie de poepie, maar dat je ook snapt van hoe is die tot stand gekomen, welke afwegingen zijn er gemaakt en dat je ook echt de waarde daarvan ziet. Want zonder waarde wordt het nooit uiteindelijk een systeem in productie. Je triggerde mij nog en die vraag wil ik toch nog stellen en misschien is de vraag beantwoord, maar ik ga hem toch stellen. Je zei 100 ideeën, dat vind ik veel voor een relatief kleine groep. Hoe kom je dan toch inderdaad tot die ene die je gaat doen? En vervolg vraag daarop wat misschien niet beantwoord is. Is dat dan omdat die bedrijfsdoelstellingen met elkaar eerst worden gevormd, waardoor die toch boven komt borrelen daaruit? Zit er dan nog andere redenen aan vast? Nee, wat je wat je ziet is dat zeg maar de grootste groep van die ideeën vallen af, juist omdat ze geen bijdrage leveren aan die bedrijfsdoelstellingen. Vervolgens gaan we kijken naar, we kunnen echt wel een inschatting maken in van, heeft het idee een high, medium of low impact op die bedrijfsdoelstellingen. Dus daar kan ik niet inschatten, maar dat kunnen de mensen in de organisatie zelf heel goed inschatten. Hoe hoog hoog is en hoe laag laag is, weet je, maar daar kom je als groep, kom je daar eigenlijk altijd uit. Daar is consensus over en wij kunnen daar dan nog de slag overheen halen van wat is nou haalbaar? Wat is makkelijk? Ook eigenlijk daar een soort van drie. Wat is makkelijk, moeilijk of gewoon onhaalbaar? Het verstand van de techniek is nog niet zover om dit uit te voeren. Die halen we er ook uit. Makkelijk, moeilijk heb je dan nog en dat combineer je met elkaar en dan ga je met elkaar in discussie. En dan ja, dat komt vanzelf zeg maar komen daar de experimenten naar boven drijven. Er wordt gezegd ja, maar hier zijn wij als organisatie. Dan zien we kansen. Het is haalbaar. Hoe moeilijk, makkelijk. Ja, dat hangt van de klant af wat de ambitie is. En zo wordt er dan gekozen. En dat zijn altijd hele redelijke keuzes, moet ik zeggen. Ja, en dan ga je dus voor een aantal, ga je die experimenten canvas invullen of ga je die voor eentje invullen? Nee, we gaan echt, degene die we kiezen en waarvan we zeggen en ik heb meegemaakt dat we, het meeste is eigenlijk dat je de één pakt. Eén experiment daar fokken we ons op. Die gaan we uitwerken, design week en dan besluiten we wel of niet doorgaan. Maar soms, nou ja, zijn er genoeg resources pak je er twee of drie. Maar ik vind drie echt wel het absolute maximum. En eerlijk gezegd heb ik nog niet gezien dat alle drie dan ook daadwerkelijk tot verder uitgediept worden. Dus mijn voorkeur zou gaan altijd naar die ene waarvan je zegt van ja, maar daar zien we het meest in zitten. Daar moeten we het meeste waarde uithalen. Laten die nou eens even heel goed doorgronden en die doorlopen. En we hadden net met de zevende en eigenlijk bonus achterredenen. Waarom niet? Dat was data en het hebben van data en goede kwaliteit data echt wel een dingetje. En ja, het is ook mijn ervaring werkend jaren in de data dat we dat niet altijd weten en tot ons beschikking hebben. Ja, hoe vaak is het nou voorgekomen in de praktijk dat die eigenlijk wel gekozen is, maar bij het invullen van de canvas toch achterkwamen van ja, sorry, die data die is er gewoon niet en niet in de kwaliteit die wij nodig hebben. Nou, in de laat ik zeggen van ik heb dit echt heel vaak gedaan, is het twee keer voorgekomen dat er echt gedacht werd dat die data er was, maar dat ze of bleek dat maandelijks die data gewoon gewist werd. Ja, dat kan je zo hebben. Of dat het toch net iets genuanceerder lag en dat dan precies eigenlijk wat je nodig hebt juist niet werd opgeslagen. Wat we natuurlijk wel heel vaak gezien hebben, is wat waar we net in dat datastuk over hebben gehad, is van dat de data kwaliteit. Ja, daar moet echt wel wat aan gebeuren, maar dan konden we zeg maar je kan je data uiteindelijk ook splitsen. Dat je zegt van oh ja, maar dan doen we het bijvoorbeeld niet over alle producten, maar doen we het over één product. We doen een bepaalde set klanten. Je kan daar nog steeds zeg maar een representatieve kwalitatieve set uit destilleren, waarvan je wel weet. Ja, maar als we dit gaan doorzetten, is één van de opdrachten naar het experiment betekent wel dat we met die data aan de slag moeten. Maar dat is ook heel waardevol om erachter te komen, want met negen van de tien keer is het onduidelijk van hoe het ervoor staat. Juist omdat je op die data moet gaan trainen, ga je zien waar de gaten zitten. En ik denk dat het vinden van die gaten heel erg waardevol is. Zeker, zeker. En dat is ook wat ik jarenlang al meemaak inderdaad. Zodra je de data gaat gebruiken, of nou rapportage is, of machine learning is, of andere doeleinden. Zie je wat er mis mee is, of wat er nog niet gebruikt wordt of uitgenut wordt. En zie je eigenlijk met heel veel werk liggen om het nog mooier en nog beter te kunnen maken, om er meer waarde uit te halen. Ja, maar valt me mee Joop, dat er er twee zijn waardoor het echt en de rest inderdaad nog steeds goed te behappen is. Ja, en dat betekende echt wel eens dat je de opdracht moest geven dat er tussen ideation en het maken van het experiment, dat daar bijvoorbeeld een paar weken tussen zaten dat ze aan de slag moesten met die data. Maar dat geeft wat mij betreft niet. Je moet je ook niet meteen... Je wil die waarde kunnen aantonen en dan moet je soms wat energie en zweet instoppen om degene die het belangrijkst vindt met de meeste waarde toch op te kunnen pakken. Oké, dankjewel voor deze blik in hoe wij dat in de praktijk doen. We noemen het, dus ik neem aan dat we ze ook even toevoegen, wat linkjes naar de canvas. Zeker, zeker. Laten we dat doen. Oké, dan was dat deze aflevering van de AIToday Live podcast. Ik wens iedereen veel plezier voor diegenen die nog op vakantie moeten en voor de mensen die weer terugkomen van vakantie. Welkom terug van de vakantie en werkzee. Hartstikke goed, tot de volgende keer. Tot de volgende keer. Leuk dat je luisterde naar de AIToday Live podcast. Abonneer je nu op Spotify of andere streamingdiensten om ons te volgen. En kijk voor meer interessante informatie over kunstmatig intelligentie op aitoday.ai. Dankjewel voor het luisteren. Tot de volgende keer.
