Acht misvattingen over de risico’s van AI in het bedrijfsleven
De inzet van kunstmatige intelligentie (AI) neemt in razendsnel tempo toe. Tegelijkertijd nemen ook de zorgen onder medewerkers toe. Bij de implementatie van AI komen namelijk de nodige risico’s om de hoek kijken. Niet alle schrikbeelden zijn echter gebaseerd op feiten: Sara Yuste Fernandez Alonso van Xomnia deelt acht veelgehoorde misvattingen uit de praktijk.
1: AI zorgt voor minder controle
AI kan helpen bij het identificeren van patronen in gegevens, het ontdekken van uitschieters in de data en het efficiënt verwerken van grote hoeveelheden data. AI dient echter niet als vervanger van data-omgevingen of van de processen rond dataverwerking.
In alle gevallen moet AI juist worden gezien (en ingezet) als een methode om de besluitvorming te ondersteunen. En volgens de expert van Xomnia wijst niets erop dat dit zou leiden tot minder controle.
2: AI is onbetrouwbaar omdat het niet altijd nauwkeurig is
Tegenstanders van AI stellen dat kunstmatige intelligentie onbetrouwbaar zou zijn, omdat de technologie niet altijd nauwkeurig is. Er bestaat volgens de experts echter “geen enkel model dat altijd volledig correct is”.
Neem als voorbeeld een mens die een taak of vaardigheid leert; je kunt behoorlijk bedreven worden in het uitvoeren van een bepaalde taak (bijvoorbeeld autorijden), maar soms kom je als mens voor onverwachte en nieuwe situaties te staan, waarin je zult moeten improviseren. Een geïmproviseerde handeling kan dan wellicht correct uitpakken, maar soms zal je nu eenmaal fouten maken.
Een mens kan niet ieder mogelijk scenario van tevoren kennen en accepteert daarom dat er een zekere menselijke foutenmarge bestaat. Op een vergelijkbare manier kunnen AI-modellen redelijk goed leren en zich aanpassen aan veel real-life problemen, maar net als mensen zullen ook zij zo nu en dan verkeerde voorspellingen doen.
Dit maakt het AI-model volgens de experts niet minder betrouwbaar, maar is wel een van de redenen waarom je idealiter ten minste één domeinexpert bij het proces zal willen betrekken, om de output van het AI-model te interpreteren of om de daadwerkelijke beslissingen te nemen.
3: Het vermogen van het model om te generaliseren beperken
Een ander veelvoorkomend misverstand is de behoefte om een model te veel te willen aanpassen. Wanneer het model zich te veel aanpast aan de leerdata, tot het punt waar het zijn vermogen om te generaliseren verliest, wordt dit ‘overfitting’ genoemd.
Terug naar de vergelijking met een mens: stel je voor dat je leert autorijden. Als autorijder wil je blootgesteld worden aan zoveel mogelijk verschillende scenario’s, zodat je adequaat kunt reageren zodra je een nieuwe situatie tegenkomt. Wanneer je enkel in één straat leert autorijden (en je deze uit je hoofd kent), zul je natuurlijk nooit een goede chauffeur worden. Je bent dan onvoldoende voorbereid op allerlei nieuwe situaties waarmee je buiten de eigen straat te maken krijgt.
Op dezelfde manier wil je er bij het trainen van een AI-model voor zorgen dat het model in staat is om te generaliseren (of ‘improviseren’) wanneer het data krijgt voorgeschoteld die het nog niet eerder heeft gezien.
Een zeer hoge nauwkeurigheid binnen een trainingssetting kan mogelijk duiden op overfitting. En met uitzondering van zeer eenvoudige taken is het verkrijgen van 100% nauwkeurigheid binnen de trainingsomgeving vaak dan ook geen wenselijk resultaat.
4: AI leidt tot onethische en bevooroordeelde beslissingen
Deze uitspraak is niet geheel onwaar; AI-modellen zijn zeer goed in het blootleggen van onderliggende patronen in data. Daarom zullen ze waarschijnlijk ook een zogeheten ‘bias’ (vooroordeel) in de data herkennen als deze er is. Door dit probleem is ook een afzonderlijk onderzoeksgebied ontstaan binnen het AI-domein, ook wel bekend als ethische AI.
In dat kader is het belangrijk om de juiste AI-professionals te benaderen met gedegen kennis van de technologie, die de vooroordelen goed kunnen identificeren en begrijpen. Samenwerken met dergelijke vakexperts kan de juiste context bieden en kan helpen om het model in de juiste richting te sturen.
5: AI opereert op eigen houtje en is ontoegankelijk na de implementatie
Dit is volgens de experts van Xomnia een misvatting, want een AI-oplossing is geen op zichzelf staande tool. Deze wordt juist ontworpen, getraind en ingezet door menselijke experts en ingezet in samenwerking met de expertise van professionals in het veld. Kortom, zelfs nadat een tool is gelanceerd en geïntegreerd in de processen van een organisatie, blijft het mogelijk om een model opnieuw te trainen en aan te passen.
Bovendien zijn de resultaten die voortkomen uit een AI-model bedoeld als input voor de besluitvorming en om mensen in staat te stellen hun werk effectiever en efficiënter uit te voeren. De modellen blijven, zo benadrukken de experts, “toegankelijk en aanpasbaar” zolang competente AI-professionals de geïmplementeerde oplossingen onderhouden.
6: AI zal menselijke expertise vervangen
Hoewel AI in staat is om routinetaken en repetitieve taken uit te voeren, zodat deze niet langer handmatig uitgevoerd hoeven te worden, kan de technologie menselijke expertise niet in zijn geheel vervangen. Integendeel, de expertise van vakexperts zal altijd nodig zijn om de juiste context te bieden en uiteindelijke beslissingen te kunnen nemen.
AI kan in zekere zin het ‘vuile werk’ doen en zo de dagelijkse taken van vakexperts “efficiënter, plezieriger en interessanter” maken.
7: AI is de magie die al onze problemen oplost
AI-modellen kunnen een breed scala aan indrukwekkende taken uitvoeren, dus het is niet verwonderlijk dat sommige mensen de technologie als bijna ‘magisch’ beschouwen. Maar in werkelijkheid is het meer een mix van wetenschap en techniek, en zijn vooral inspanning en middelen nodig om tot resultaten te komen.
AI kan oplossingen bieden voor uiteenlopende uitdagingen, maar voor al deze uitdagingen geldt dat er op bepaalde momenten van de implementatie input nodig zal zijn. Soms aan het begin, zoals het taggen van data samples waar het algoritme van zal leren. In andere gevallen, bijvoorbeeld bij klantsegmentatie, kan het algoritme opereren zonder tagged samples en zal input van experts nodig zijn om de resultaten die het model biedt te valideren.
Het leveren van input kost weliswaar veel tijd, maar zodra een AI-model is geïntegreerd binnen de bedrijfsactiviteiten van de organisatie, zal dat ruimschoots worden terugverdiend. “Dus, als je overweegt om AI in je bedrijfsvoering op te nemen, houd dan in gedachten dat de noodzakelijke investering in menselijke tijd en middelen de moeite waard zal zijn”, benadrukken de experts.
8: Ons bedrijf heeft AI nodig, ook als we er geen praktische toepassing voor hebben
Toegegeven, AI is een geweldig hulpmiddel om tal van uitdagingen op te lossen, maar het is niet de enige oplossing die er is. Vaak kan de uitdaging die er ligt gemakkelijk worden aangevlogen met andere methoden, die sneller zijn, minder kosten of een betere oplossing zijn. Dus onthoud, benadrukken de experts: “AI is een middel om een doel te bereiken, maar geen doel op zich.”
Het is dan ook cruciaal om een duidelijk use case geformuleerd te hebben alvorens je op zoek gaat naar een geschikte oplossing of probeert een specifieke technologie in een bestaande use case te persen. Een AI-oplossing geforceerd willen gebruiken (vanuit de angst om de AI-boot te missen) kan leiden tot een grote verspilling aan tijd en geld, inefficiënte oplossingen of eindeloze pilotprojecten, die vervolgens nooit het daglicht zullen zien.
Om de mogelijkheden te verkennen die AI een organisatie kunnen bieden, is het aan te raden om contact op te nemen met bekwame AI-professionals. Zij kunnen de status quo goed beoordelen en kunnen alle mogelijke use cases en kansen voor het gebruik van AI of andere toepasbare dataoplossingen goed in kaart brengen.
