S06E78 - AI begint niet met data, maar met doelen

De nieuwste aflevering van AIToday Live gaat over een veelvoorkomende misvatting in de wereld van kunstmatige intelligentie: het idee dat alles begint met data. Joop Snijder, CTO bij Aigency, bespreekt waarom deze datagedreven aanpak vaak leidt tot inefficiënte en kostbare AI-implementaties.

Snijder adviseert bedrijven om eerst heldere, meetbare doelen te formuleren voordat ze met AI aan de slag gaan. Hij benadrukt het belang van een doelgerichte benadering en bespreekt vijf belangrijke valkuilen die bedrijven moeten vermijden bij het implementeren van AI.

Deze podcast biedt waardevolle inzichten voor iedereen die geïnteresseerd is in de verantwoorde en effectieve toepassing van AI in bedrijven. 

Links

• Aflevering S06E70: S06E70 - Zo dicht je de kloof tussen AI-belofte en realiteit 
• Kaartspel: AI Game Changer - Generative AI editie

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

1
00:00:00,001 --> 00:00:06,560
Hoi, leuk dat je weer luistert naar de korte aflevering van AIToday Live.

2
00:00:06,560 --> 00:00:11,800
De Nederlandse podcast over AI voor iedereen die alles wil weten over kunstmatige intelligentie.

3
00:00:11,800 --> 00:00:15,160
Ik ben je host, Joop Snerda, CTO bij Aigency.

4
00:00:15,160 --> 00:00:20,520
In deze aflevering wil ik het hebben over de valkuil van data gedreven beginnen met AI.

5
00:00:20,520 --> 00:00:23,000
Klinkt misschien maar raar, maar let op.

6
00:00:23,000 --> 00:00:28,800
Stel je voor, je koopt een dure racefiets, trekt je strakste wielrenpak aan en springt

7
00:00:28,800 --> 00:00:30,840
vol enthousiasme op het zadel.

8
00:00:30,840 --> 00:00:35,000
Je trapt wat je kunt, maar na uren zwoegen sta je nog steeds voor je huis.

9
00:00:35,000 --> 00:00:36,000
Klinkt absurd?

10
00:00:36,000 --> 00:00:40,840
Toch is dit precies hoe veel bedrijven omgaan met kunstmatige intelligentie.

11
00:00:40,840 --> 00:00:42,680
En dat is jammer.

12
00:00:42,680 --> 00:00:48,080
Want ze investeren fors in geavanceerde technologie en data, maar vergeten het belangrijkste.

13
00:00:48,080 --> 00:00:50,080
Waar willen we eigenlijk naartoe?

14
00:00:50,080 --> 00:00:55,640
In de wereld van AI heerst een hardnekkig misverstand dat alles begint met data.

15
00:00:55,640 --> 00:00:57,480
Niets is minder waar.

16
00:00:57,480 --> 00:01:02,600
De sleutel tot succesvolle AI-implementaties ligt niet in het verzamelen van zoveel mogelijk

17
00:01:02,600 --> 00:01:06,440
gegevens, maar in het formuleren van heldere bedrijfsdoelen.

18
00:01:06,440 --> 00:01:11,080
Zonder duidelijk doel voor ogen is AI als een kompas zonder naald.

19
00:01:11,080 --> 00:01:15,160
Technologisch indrukwekkend, maar volstrekt nutteloos.

20
00:01:15,160 --> 00:01:21,840
In een recente aflevering van de podcast aflevering 70, stipte ik een belangrijk

21
00:01:21,840 --> 00:01:22,840
punt aan.

22
00:01:22,840 --> 00:01:27,820
De AI-industrie verkoopt vaker fantasie, van kant-en-klare oplossingen die bedrijven

23
00:01:27,820 --> 00:01:30,300
van de een op de andere dag zouden transformeren.

24
00:01:30,300 --> 00:01:34,980
Maar laten we eerlijk zijn, niet alleen de AI-industrie draagt hier verantwoordelijkheid

25
00:01:34,980 --> 00:01:35,980
voor.

26
00:01:35,980 --> 00:01:41,380
Ook bedrijven zelf hebben de taak om kritisch te zijn en realistische verwachtingen te stellen.

27
00:01:41,380 --> 00:01:46,060
Het omzetten van AI-dromen in werkelijkheid is een gedeelde verantwoordelijkheid.

28
00:01:46,060 --> 00:01:51,340
En bedrijven moeten zelf de regie nemen over hun AI-strategie in plaats van blind te vertrouwen

29
00:01:51,340 --> 00:01:53,260
op beloftes van snelle transformatie.

30
00:01:53,260 --> 00:02:00,940
Kijk, de valkuil van datagedreven werken is als volgt.

31
00:02:00,940 --> 00:02:07,460
Veel organisaties storten zich vol overgave op het verzamelen en analyseren van data in

32
00:02:07,460 --> 00:02:10,540
de hoop dat ze vanzelf op goudmijnen stuiten.

33
00:02:10,540 --> 00:02:16,100
Ze gaan er blindelings van uit dat meer data automatisch leidt tot betere inzichten en

34
00:02:16,100 --> 00:02:23,000
slimmere beslissingen en dat met generatieve AI zoals ChatGPT data zonder meer bruikbaar

35
00:02:23,000 --> 00:02:24,000
is.

36
00:02:24,000 --> 00:02:27,700
Maar zonder context is data niet meer dan een berg enen en nullen.

37
00:02:27,700 --> 00:02:30,940
Het gevaar van deze aanpak is tweeledig.

38
00:02:30,940 --> 00:02:36,020
Ten eerste loop je het risico kostbare tijd en middelen te investeren in het ontwikkelen

39
00:02:36,020 --> 00:02:38,620
van modellen die uiteindelijk geen praktische waarde hebben.

40
00:02:38,620 --> 00:02:42,900
Je creëert als het ware een high-tech oplossing voor een niet bestaand probleem.

41
00:02:42,900 --> 00:02:48,900
Ten tweede, en wellicht nog zorgwekkender, kun je onbedoeld beslissingen nemen die op

42
00:02:48,900 --> 00:02:51,740
lange termijn schadelijk zijn voor je organisatie.

43
00:02:51,740 --> 00:02:57,900
Zonder voorafgestelde doelen is het immers onmogelijk om de impact van je AI toepassingen

44
00:02:57,900 --> 00:02:59,500
te meten of bij te sturen.

45
00:02:59,500 --> 00:03:05,580
En in plaats van te verdrinken in een oceaan van data moet de bedrijf eerst een heldere

46
00:03:05,580 --> 00:03:06,580
koers uitzetten.

47
00:03:06,580 --> 00:03:09,060
Wat wil je bereiken met AI?

48
00:03:09,060 --> 00:03:16,180
Wil je de klanttevredenheid verhogen, de productie-efficiëntie verbeteren of misschien juist nieuwe marktkansen

49
00:03:16,180 --> 00:03:17,180
identificeren?

50
00:03:17,180 --> 00:03:22,740
Door je doel scherp te definiëren kun je gericht de juiste data juist verzamelen en

51
00:03:22,740 --> 00:03:23,740
analyseren.

52
00:03:23,740 --> 00:03:29,580
Zie data meer als een landkaart en je bedrijfsdoel als de bestemming.

53
00:03:29,580 --> 00:03:35,020
Een kaart is ongetwijfeld nuttig, maar zonder bestemming blijf je doelloos rondrijden.

54
00:03:35,020 --> 00:03:40,980
AI moet niet draaien om het verzamelen van data, maar om het bereiken van concrete doelstellingen

55
00:03:40,980 --> 00:03:43,340
die waarde toevoegen aan je organisatie.

56
00:03:43,340 --> 00:03:46,740
En deze doelgerichte aanpak heeft nog een belangrijk voordeel.

57
00:03:46,740 --> 00:03:53,900
Het helpt bij het beheersen van de risico's die inherent zijn aan een AI implementatie.

58
00:03:53,900 --> 00:04:01,580
Door vooraf, ik moet anders zeggen door vanaf het begin te focussen op specifieke bedrijfsdoelen,

59
00:04:01,580 --> 00:04:07,860
kun je je AI systeem zo ontwerpen dat het deze doelen ondersteunt terwijl je tegelijkertijd

60
00:04:07,860 --> 00:04:09,820
potentiële valkuilen vermijdt.

61
00:04:09,820 --> 00:04:18,620
Want er zijn best wel heel wat valkuilen en laat ik de 5 belangrijkste en vervelendste

62
00:04:18,620 --> 00:04:20,180
opnoemen die op de loer liggen.

63
00:04:20,180 --> 00:04:23,260
En het is cruciaal om deze te herkennen en te vermijden.

64
00:04:23,260 --> 00:04:24,260
1.

65
00:04:24,260 --> 00:04:30,100
Overschatting van AI mogelijkheden Veel bedrijven zien AI als een magische

66
00:04:30,100 --> 00:04:31,940
oplossing voor al hun problemen.

67
00:04:31,940 --> 00:04:37,780
Ze overschatten wat de technologie op korte termijn kan bereiken, wat dan weer leidt tot

68
00:04:37,780 --> 00:04:39,500
teleurstellingen van speelde middelen.

69
00:04:39,500 --> 00:04:40,500
2.

70
00:04:40,500 --> 00:04:47,780
Onderschatting van de benodigde expertise AI-projecten vereisen specifieke kennis- en

71
00:04:47,780 --> 00:04:48,780
vaardigheden.

72
00:04:48,780 --> 00:04:54,860
Een onderschatting hiervan kan resulteren in halfbakken oplossingen of mislukte implementaties.

73
00:04:54,860 --> 00:04:55,860
3.

74
00:04:55,860 --> 00:04:59,140
Het verwaarlozen van datakwaliteit

75
00:04:59,140 --> 00:05:05,580
Hoewel data niet het startpunt moet zijn, is de kwaliteit ervan wel cruciaal.

76
00:05:05,580 --> 00:05:11,260
Slecht of vertekende data leidt onherroepelijk tot onbetrouwbare AI-systemen.

77
00:05:11,260 --> 00:05:12,260
4.

78
00:05:12,260 --> 00:05:22,740
Gebrek aan transparantie AI-systemen die als een blackbox functioneren,

79
00:05:22,740 --> 00:05:26,980
hoe kunnen die nou vertrouwen wekken bij medewerkers en klanten?

80
00:05:26,980 --> 00:05:32,300
Dus transparantie over hoe beslissingen tot stand komen vind ik essentieel.

81
00:05:32,300 --> 00:05:33,300
5.

82
00:05:33,300 --> 00:05:40,460
Het negeren van ethische implicaties

83
00:05:40,460 --> 00:05:46,580
AI-systemen kunnen onbedoeld vooroordelen versterken of ethische dilemma's creëren.

84
00:05:46,580 --> 00:06:03,980
Het negeren hiervan kan leiden tot reputatieschade en mogelijk juridische problemen.

85
00:06:03,980 --> 00:06:12,620
Ik denk niet dat ik hoef te vertellen dat AI ongekende mogelijkheden biedt om bedrijfsprocessen

86
00:06:12,620 --> 00:06:15,020
te optimaliseren en innovatie te stimuleren.

87
00:06:15,020 --> 00:06:18,140
Dat hebben we het constant over in deze podcast.

88
00:06:18,140 --> 00:06:23,460
Maar om deze potentie werkelijk te benutten moeten we wel afstappen van de misvatting

89
00:06:23,460 --> 00:06:25,380
dat alles begint met data.

90
00:06:25,380 --> 00:06:31,020
Start in plaats daarvan met het formuleren van heldere, meetbare bedrijfsdoelen.

91
00:06:31,020 --> 00:06:39,020
Vraag jezelf af wat we willen bereiken en hoe AI ons daarbij kan helpen.

92
00:06:39,020 --> 00:06:43,740
Door deze benadering te kiezen vermijd je niet alleen kostbare misstappen, maar creëer

93
00:06:43,740 --> 00:06:48,740
je ook een solide basis voor verantwoorden en effectieve AI-implementatie.

94
00:06:48,740 --> 00:06:55,700
Ik heb dat vaker gezegd, AI is geen doel op zich, maar wel een krachtig middel om je organisatie

95
00:06:55,700 --> 00:06:57,460
naar nieuwe hoogte te tillen.

96
00:06:57,460 --> 00:07:03,140
Dus voordat je je in het data-avontuur stort, neem een stapje terug.

97
00:07:03,140 --> 00:07:07,580
Stel jezelf de cruciale vraag waar wil je naartoe.

98
00:07:07,580 --> 00:07:11,900
Alleen dan kan AI je helpen om er ook daadwerkelijk te komen.

99
00:07:11,900 --> 00:07:18,740
Dank je wel weer voor het luisteren naar deze korte aflevering van AIToday Live.

100
00:07:18,740 --> 00:07:24,340
Wil je automatisch een seintje als er een nieuwe aflevering online komt?

101
00:07:24,340 --> 00:07:30,940
Druk dan even op volgen in je favoriete podcast-app en dan mis je geen aflevering.

102
00:07:30,940 --> 00:07:31,660
Dank je wel!

103
00:07:31,700 --> 00:07:36,700
[Muziek]

104
00:07:36,700 --> 00:07:38,700
[Muziek]