Het afgelopen decennium heeft Machine Learning enorme vooruitgang gebracht in het werkveld van AI. Deze techniek om data te verzamelen en deze data vervolgens om te zetten in voorspellingen heeft bedrijven als Amazon, Apple, Facebook en Google in staat gesteld hun producten drastisch te verbeteren. Daarnaast heeft het ook start-ups aangespoord om nieuwe producten en platforms te lanceren, soms zelfs in concurrentie met deze Big Tech bedrijven.
Drempels voor de ‘late majority
Veel organisaties werken al met kunstmatige intelligentie en zijn zich bewust van de praktische stappen om het in hun bedrijfsprocessen te integreren en de kracht ervan te benutten. Naarmate die vaardigheid toeneemt, zullen bedrijven zich moeten richten op een bredere kwestie; hoe profiteer je van kunstmatige intelligentie zonder dat je iets creëert dat concurrenten gemakkelijk kunnen imiteren. Je wilt namelijk niet de markt uit gebonjourd worden, maar de voorsprong behouden.
Hieronder leggen we uit hoe jij, met het betreden van een markt met een AI-compatible product of dienst, een duurzaam concurrentievoordeel kan opbouwen. Daarnaast, niet geheel onbelangrijk, hoe je drempels voor de ‘late majority’ (laatkomers op de markt) kan opwerpen.
Voorspellingen doen met AI
Organisaties gebruiken machine learning om patronen te herkennen en zo voorspellingen te doen over wat klanten zal aanspreken, de bedrijfsvoering zal verbeteren of een product zal helpen verbeteren. De belangrijkste uitdaging bij elk voorspellingsproces is dat ‘trainingsdata’ – de input die je nodig hebt om redelijke resultaten te krijgen – ofwel gecreëerd moeten worden ofwel moeten worden verkregen uit bestaande bronnen. Sommige gegevens zijn eenvoudig uit openbare bronnen te halen (denk aan weer- en kaartinformatie), andere gegevens minder makkelijk (denk aan specifieke medische data).
Een voorspelling, in de context van machine learning, is informatie-output die afkomstig is van het invoeren van bepaalde data en het uitvoeren van een algoritme. Als jouw mobiele navigatie-app bijvoorbeeld een voorspelling geeft over de beste route tussen twee punten, gebruikt deze data over verkeersomstandigheden, snelheidslimieten en andere factoren. Een algoritme wordt vervolgens gebruikt om de snelste weg en de tijd die daarvoor nodig is te voorspellen, de informatie-output. De app is zo ‘slim’ om onderweg veranderende factoren mee te berekenen, zodat hij automatisch de weg herberekent en zelfs een suggestie doet als er een alternatieve route is die sneller is dan de oorspronkelijke route.
In veel situaties kunnen algoritmen en daarmee voorspellingen continu worden verbeterd door het gebruik van feedbackgegevens. Feedbackgegevens voor de gezichtsherkenningsapp van de smartphone leveren bijvoorbeeld alleen betere voorspellingen op als de persoon die gezichtsgegevens invoert de eigenaar van de telefoon is. Als andere mensen er hetzelfde uitzien als de eigenaar en de telefoon blijven gebruiken, wordt de voorspelling van de telefoon dat de gebruiker de eigenaar is, onbetrouwbaar.
