Hoe te winnen met AI en Machine Learning? Nou zo!

Kiwi Bytes! In deze rubriek delen wij onze tips, kennis en ervaring over verschillende onderwerpen uit de digitale wereld. Want hoe snel de ontwikkelingen in onze branche ook gaan, er is altijd tijd voor een Kiwi Byte.

Lees verder

Je band plakken doe je zo...

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. 

Even een praktisch voorbeeld. Google gebruikt AI en Machine Learning bij het zoeken. Zo kan Google je helpen met informatie tonen over hoe je je band moet plakken. Tijdsbesparing want je hoeft niet naar de fietsenmaker en kostenbesparend want je krijgt geen factuur voor verrichte diensten. Daarnaast kan je de bandenplakset via Google Shopping gemakkelijk aanschaffen. 

Een ander voorbeeld is een Amerikaanse student die met een door AI geschreven blog het nieuws haalde. Lezers konden niet zien dat de tekst niet door een mens geschreven was. 

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.

Concurrentievoordeel opbouwen in voorspelling

Het opbouwen van een duurzaam bedrijf waar AI en daarmee machine learning een belangrijk onderdeel van is lijkt in veel opzichten op het opbouwen van een duurzaam bedrijf in welke branche dan ook. Je komt met een verkoopbaar product, neemt een verdedigbare positie in en maakt het je concullega’s moeilijker achter je aan te komen. Het succes hiervan, hangt af van jouw antwoorden op drie vragen:

  1. Heb je genoeg trainingsdata? 
  2. Hoe snel is je feedbackverwerking?
  3. Hoe goed zijn je voorspellingen?

Zijn deze vragen positief te beantwoorden dan kan jij een concurrentievoordeel opbouwen op grote schaal.

Drempels plaatsen

Naast het feit dat je natuurlijk een concurrentievoordeel wilt opbouwen wil je ook enkele drempels plaatsen om imitatie van je AI processen te voorkomen. De hieronder genoemde punten helpen je daar bij. 

  • Identificeer en beveilig alternatieve/unieke gegevensbronnen.

Laatkomers in jouw markt kunnen in plaats van te zoeken naar onaangetaste bronnen van trainingsgegevens, op zoek gaan naar nieuwe bronnen met feedbackgegevens die sneller leren mogelijk maken.

Door de eerste te zijn met een nieuwe aanvoer van snellere feedbackgegevens, kun je leren van de acties en keuzes van gebruikers om je product te verbeteren. Maar in markten waar feedbackloops al vrij snel zijn en waar gevestigde organisaties op grote schaal opereren, zullen de kansen om van deze aanpak te profiteren relatief beperkt zijn. 

  • Gebruik trainingsdata uit meerdere systemen/landen.

Een andere tactiek die laatkomers kan helpen om concurrerend te worden, is door te herdefiniëren wat een voorspelling ‘beter’ maakt, al is het maar voor sommige klanten. In de radiologie zou een dergelijke strategie bijvoorbeeld mogelijk kunnen zijn als er vanuit de markt vraag is naar verschillende soorten voorspellingen. Bedrijven die al kunstmatige intelligentie inzetten hebben hun algoritmen hoogstwaarschijnlijk getraind met gegevens van één ziekenhuissysteem, één type hardware of één land. 

Door trainingsgegevens (en vervolgens feedbackgegevens) uit een ander systeem of een ander land te gebruiken, kan je AI en machine learning aanpassen aan het gebruikerssegment als deze voldoende onderscheidend is. Zo kan je je voorspelling ‘beter’ maken.

Conclusie

Het potentieel van AI met Machine Learning is enorm. Er is geen twijfel mogelijk dat de technische giganten een voorsprong hebben. Maar het is de moeite waard te denken dat dit soort kunstmatige voorspellingen als nauwkeurig ontworpen producten zijn, in hoge mate aangepast voor specifieke doeleinden en doelgroepen. Als je de doeleinden en doelgroepen ook maar een klein beetje kunt onderscheiden, kun je voor je eigen product een sterke positie creëren. 

Samen kijken naar wat Machine Learning voor jouw organisatie kan betekenen? Neem contact op met Nick.

Wil jij de volgende stappen zetten?

Nick helpt je graag verder

Wij gebruiken deze gegevens alleen om contact met je op te nemen, niet voor advertentiedoeleinden. De gegevens worden maximaal 3 maanden bewaard.

  • Dit veld is bedoeld voor validatiedoeleinden en moet niet worden gewijzigd.

Bel Nick

Accountmanager
010 281 96 33
schurink@redkiwi.nl
Nick Schurink