Ons motto luidt ‘We improve performance’. Oftewel, beter presteren door slim met data om te gaan. Wij passen diverse technieken toe om onze klanten zo optimaal mogelijk te bedienen met datagedreven oplossingen. Artificial Intelligence, Machine Learning en Data Science zijn daar voorbeelden van. Wat houden deze domeinen precies in? En wat zijn de verschillen tussen AI, Machine Learning en Data Science? Melvin Agten, Data Scientist bij Inergy, legt het uit.
De verschillende soorten analytics
“Voor het creëren van waardevolle datagedreven oplossingen maken we onderscheid in drie soorten analytics. Dit zijn descriptive analytics, predictive analytics en prescriptive analytics”, vertelt Melvin. “Bij descriptive analytics onderzoek je wat er in het verleden is gebeurd. Je kijkt bijvoorbeeld naar het aantal verkochte artikelen van het afgelopen jaar.
Predictive analytics
Predictive analytics stelt je in staat, op basis van historische gebeurtenissen, te voorspellen wat er in de toekomst gaat gebeuren. Prescriptive analytics gaat nog een stap verder. Daarmee onderzoek je hoe je iets kan laten gebeuren en welke actie je daarvoor moet ondernemen. Artificial Intelligence past dit beschreven proces toe en biedt daarmee een breed scala aan waardevolle oplossingen.”
Descriptive analytics
Descriptive analytics stelt je in staat inzichtelijk te maken wat er in het verleden is gebeurd, zoals het aantal verkochte artikelen in het afgelopen jaar. Dergelijke analyses vind je vaak terug in BI-oplossingen, dashboards en rapportages.
Predictive analytics
Met predictive analytics voorspel je, op basis van wat er in het verleden is gebeurd, wat er in de toekomst gaat gebeuren. Zoals welke artikelen je de komende maand gaat verkopen. Deze inzichten helpen je vandaag te anticiperen op wat er morgen, of volgende week, gaat gebeuren. Afhankelijk van de context, kan ook het bepalen van deze juiste actie complex zijn.
Prescriptive analytics
Met prescriptive analytics ben je in staat om op basis van de voorspellingen de optimale actie voor te schrijven om zo effectief mogelijk te anticiperen op wat er komen gaat. Zoals het bepalen van de benodigde acties om artikelen op het juiste moment op voorraad te hebben om aan de verwachte klantvraag te kunnen voldoen.
Het toepassen van dit beschreven proces stelt een computer in staat menselijke handelingen na te bootsen en zelfstandig beslissingen te nemen. Dit helpt vervolgens de prestaties van je organisatie te verbeteren en doelstellingen effectief te behalen. We spreken dan over artificial intelligence of kunstmatige intelligentie.
Wat is Artificial Intelligence?
Artificial Intelligence is de wetenschap van het repliceren van cognitieve vaardigheden en is onderdeel is van de studie computer science. Het stelt een computer/machine in staat te leren van ervaring en zich aan te passen aan een veranderende omgeving, zodat het uitvoeren van menselijke taken kunstmatig nagebootst kan worden. Dit kunnen ook dusdanig complexe taken zijn die boven het presterend vermogen van het menselijke brein uit stijgen.
Met Articial Intelligence (AI) stel je een computer in staat menselijke handelingen na te bootsen en zelfstandig beslissingen te nemen die ervoor zorgen dat prestaties van organisaties verbeteren en doelstellingen effectief te behalen zijn”, vervolgt Melvin. “Deze techniek is in staat te leren van ervaring en past zich aan, aan een veranderende omgeving. Het grote voordeel aan deze vorm van data analytics is dat de technologie zelfstandig patronen herkent die nodig zijn om tijdig juiste beslissingen te nemen.” Toepassingen van Artificial Intelligence zijn bijvoorbeeld beeld, spraak en herkenning.”
Het oplossen van complexe problemen is mogelijk met AI. “Dat maakt het natuurlijk ook zo ontzettend waardevol. De afgelopen jaren is er een explosieve toename geweest in het gebruik van de toepassing Artificial Intelligence. De beschikbare rekenkracht speelt hierbij een grote rol”, licht Melvin toe. “Het opslaan, delen en verwerken van data gaat steeds makkelijker en goedkoper. De hoeveelheid data groeit hierdoor enorm. AI stelt ons in staat om zowel menselijke als complexere handelingen op grote schaal uit te voeren.”
AI is in staat te leren van ervaring en past zich aan, aan een veranderende omgeving.
Een essentiële eigenschap van Artificial Intelligence is zijn onafhankelijkheid, omdat het zelfstandig de patronen herkent die nodig zijn om de juiste beslissing te nemen. Deze kennisregels worden dus niet expliciet geprogrammeerd, de machine leert ze zelf o.b.v. ervaring. Dit geeft in continu veranderende omgevingen enorme voordelen. Daarnaast stelt de schaalbaarheid van AI oplossingen ons in staat effectieve besluitvorming op grote schaal uit te voeren.
We maken onderscheid in drie toepassingsgebieden voor AI oplossingen:
1. De eerste toepassing van Artificial Intelligence is het ondersteunen van beslissingen door middel van inzichten in bijvoorbeeld de verwachte verkopen en de effecten op financiële targets.
2. De tweede toepassing van Artificial Intelligence is om met behulp van optimalisatie kunnen adviezen voorgeschreven worden, waar directe interactie tussen mens en AI mogelijk wordt gemaakt in de vorm van bijvoorbeeld chatbots.
3. Het derde toepassingsgebied van AI is de volledige automatisering van besluitvorming of bedrijfsprocessen, zoals het automatisch inplannen van bestelorders of het herkennen en classificeren van objecten op foto’s.
De voordelen van Artificial Intelligence
Artificial Intelligence biedt organisaties veel voordelen, bijvoorbeeld:
1. Met Artificial Intelligence leer je je klanten beter begrijpen: welke segmenten bedien ik? Welk koopgedrag vertonen mijn klanten? Wat zijn de behoeften van mijn klanten?
2. Artificial Intelligence helpt je gepersonaliseerde producten en diensten aan te bieden met de grootste kans van slagen.
3. Artificial Intelligence stelt je in staat jezelf te onderscheiden van concurrenten door middel van een unieke aanpak en aandacht richting je klanten.
4. Dankzij Artificial Intelligence kun je groei faciliteren op gebied van bijvoorbeeld financiën, klanttevredenheid en duurzaamheid.
AI stelt ons dus in staat cognitieve vaardigheden te repliceren om net als mensen kennis te kunnen vergaren, te kunnen redeneren in een bepaalde context, complexe problemen op te lossen en continu te leren van ervaring. Dit is wat kunstmatige intelligentie zo waardevol maakt. Daarnaast is AI niet nieuw, veel van de concepten dateren al uit de jaren ‘40/’50. Het verschil tussen toen en nu: we hebben veel meer data en rekenkracht tot onze beschikking.
Lees ook:
3 tips om te starten met Data Science
Steeds meer organisaties zetten Artificial Intelligence in
Mede door de enorme hoeveelheid data die dagelijks gegenereerd wordt door zowel machines als mensen is de toepassing van kunstmatige intelligentie de afgelopen jaren explosief gestegen. Met name beschikbare rekenkracht speelt hierin een rol. In de jaren ’90 was er ook al data en AI. Hoewel niet praktisch inzetbaar, omdat conclusies en acties veel te traag getrokken en gedefinieerd konden worden, respectievelijk tot besluiten konden leiden.
Daarnaast zijn steeds meer heldere definities in het leven geroepen voor de enorme diversiteit aan beschikbare data. Denk hierbij aan het onderscheid in volume, de snelheid waarmee data gegenereerd/geconsumeerd wordt en de variëteit in zowel gestructureerde als ongestructureerde data zoals video en audio.
Rekenkracht groeit exponentiëel
Vooral door de exponentieel groeiende rekenkracht wordt het verzamelen, het opslaan, het delen en het verwerken van data steeds makkelijker en goedkoper. Hierdoor groeit de hoeveelheid data maar door en door. Tegenwoordig overtreft de hoeveelheid gegevens die wordt gegenereerd, het vermogen van mensen om op basis van die gegevens informatie te absorberen, interpreteren en complexe beslissingen te nemen. Dat is wat de toepassing van AI vandaag de dag zo waardevol maakt: het stelt ons in staat zowel menselijke als complexere handelingen op grote schaal uit te voeren.
Tegenwoordig overtreft de hoeveelheid gegevens die wordt gegenereerd, het vermogen van mensen om op basis van die gegevens informatie te absorberen, interpreteren en complexe beslissingen te nemen.
Boots cognitieve vaardigheden na met Artificial Intelligence
Cognitieve vaardigheden die we als mens ontwikkelen, kunnen we dus nabootsen met AI. Om dit zo concreet mogelijk te maken, kunnen we deze vaardigheden vertalen naar een aantal toepassingsgebieden binnen het AI vakgebied:
1. Mensen spreken en luisteren om te communiceren via taal. Dit vertaalt zich binnen AI in spraakherkenning: het vertalen van geluid in leesbare teksten voor een computer.
2. Mensen kunnen teksten schrijven en lezen in een taal. Dit vertaalt zich binnen AI in natuurlijke taalverwerking (natural language processing): het begrijpen en produceren van menselijke taal. Voorbeelden zijn sentiment analyses op klantreviews, document mining, chatbots of Google translate.
3. Mensen kunnen met hun ogen zien en verwerken wat ze zien. Dit vertaalt zich binnen AI in computer vision. Voorbeelden zijn het tellen van passagiers op camerabeelden en gezichtsherkenning.
4. Mensen kunnen patronen zien, zoals het groeperen van soortgelijke objecten. Dit vertaalt zich binnen AI in patroonherkenning. We spreken dan over het vakgebied van machine learning dat ingezet wordt in ieder van de genoemde toepassingsgebieden.
5. Het menselijk brein is een netwerk van neuronen en we gebruiken deze om dingen te leren. Door de structuur en de functie van het menselijk brein te repliceren, kunnen we cognitieve vaardigheden in machines creëren.
Wat is Machine learning?
Machine Learning is een geavanceerd onderzoeksveld dat zich bezighoudt met de technieken waarmee computers kunnen leren – zonder dat ze er expliciet voor geprogrammeerd zijn. En als een machine een patroon kan leren, kan het voorspellingen doen op basis van wat het heeft geleerd. Machines zijn veel beter in het herkennen van patronen dan mensen, omdat ze veel meer data en data dimensies kunnen verwerken.
Mensen kunnen één tot drie dimensies leren en begrijpen, machines kunnen in veel meer dimensies leren en patronen vaststellen. Denk bijvoorbeeld aan het verband tussen temperatuur, vakantieperiode en de verkoop van ijs. Dat kunnen we ons prima voorstellen en visualiseren. Er zijn echter gebeurtenissen die afhankelijk kunnen zijn van honderden of zelfs honderdduizenden variabelen. Daarbij zijn er heel veel gebeurtenissen benodigd om patronen te kunnen herkennen. Dat is waar machine learning het verschil maakt.
“AI maakt gebruik van Machine Learning technieken die computers in staat stellen te leren zonder dat ze er expliciet voor geprogrammeerd zijn. Door middel van Machine Learning kan een computer patronen herkennen en voorspellingen doen op basis van wat die heeft geleerd, aldus Melvin.”
Om het wat beter te duiden, geeft Melvin een concreet voorbeeld:
“Je kan een computer leren een object te herkennen op foto’s, bijvoorbeeld een fiets. Eerst train je het model door het foto’s van fietsen te laten zien. Vervolgens kan je het model fietsen laten herkennen op foto’s die het nog nooit eerder gezien heeft. De betrouwbaarheid van herkenning wordt hoger naarmate het model met steeds meer en diverse foto’s wordt getraind. Zonder dat je daar extra voor hoeft te programmeren. Dit is precies waar Machine Learning om draait en van toegevoegde waarde is.”
Lees ook:
De mystiek van machine learning ontrafeld.
Drie soorten machine learning
Er wordt een duidelijk onderscheid gemaakt tussen drie soorten machine learning, met ieder zijn eigen eigenschappen, sterktes en zwaktes:
• Supervised learning
Met supervised learning train je een algoritme met data die ook het antwoord / de uitkomst bevat (gelabelde data). Bijvoorbeeld: als je weet welke klanten je bent kwijtgeraakt in het verleden, kun je op basis van historische gebeurtenissen en de invloedrijke variabelen voorspellen wanneer huidige klanten hetzelfde gedrag gaan vertonen. Deze informatie gebruik je om invloed uit te oefenen op de uitkomst. Dit doe je door bijvoorbeeld de klant te benaderen met een aanbieding.
• Unsupervised learning
Met unsupervised learning train je een algoritme met data die niet de uitkomsten bevat en waarvan je wilt datde machine het patroon vaststelt of nieuwe informatie ophaalt (niet gelabelde data). Bijvoorbeeld: als je gerichte marketing campagnes wilt uitvoeren op specifieke doelgroepen, zoals loyale of slapende klanten, kan je deze klantsegmenten in kaart brengen door middel van clustering algoritmes en beschikbare data over je klanten (demografie, koopgedrag, etc.).
• Reinforcement learning
Met reinforcement learning geef je een algoritme een doel geeft en verwacht je dat de machine met vallen en opstaan dat doel in een bepaalde omgeving bereikt. Dit doe je door acties te belonen of te straffen die het algoritme helpen dichterbij (of juist verder weg) te komen van het bereiken van het doel. Bijvoorbeeld: het zelf laten leren en winnen van een spel, zoals schaken.
Wat is Data Science?
Alle concepten en algoritmen die voortkomen uit de onderzoekvelden van AI en machine learning vormen de basis voor data science. Wanneer je de technieken van AI en Machine Learning toepast, heb je het dus over Data Science. “Als Data Scientist houd ik me bezig met het vertalen van businessvragen naar data science oplossingen”, zegt Melvin. “Hiervoor maak ik onder andere gebruik van historische en ongestructureerde data. Die combineer ik met andere databronnen. Door middel van bijvoorbeeld voorspelmodellen en algoritmes kan ik zo invloed uitoefenen op toekomstige prestaties.
Als Data Scientist moet je in staat zijn om het hele proces te faciliteren: van het identificeren van relevante use cases tot het effectief communiceren van inzichten aan klanten.” Data scientists zijn in staat business vragen te vertalen naar een data science oplossing door de technieken van AI en machine learning effectief toe te passen.
Data Science vergt kennis van zowel:
• Wiskunde en statistiek voor het kunnen doorgronden van stochastische en deterministische modellen, om zowel het juiste algoritme toe te kunnen passen op het betreffende probleem als het goed kunnen evalueren van de betrouwbaarheid van de uitkomsten.
• Computer science kennis van diverse soorten data, data opslag en data verwerking technieken om AI en machine learning technieken toe te kunnen passen op grote hoeveelheden (on)gestructureerde data van alle soorten en maten.
• Domeinkennis en een goede dosis leergierigheid in het doorgronden van de werking van (bedrijfs)processen, beslissingsmomenten en de aangrenzende doelstellingen, om data science oplossingen zo effectief mogelijk hierop aan te laten sluiten en de kans op succes te vergroten.
Dit maakt data science een interdisciplinair wetenschappelijk vakgebied met een onderscheidend vermogen. Waar business intelligence helpt om op basis van beschrijvende analyses middels rapportages inzicht te geven in de huidige prestaties, maakt data science gebruik van deze historische data om te combineren met andere (on)gestructureerde databronnen en middels voorspelmodellen invloed uit te kunnen oefenen op toekomstige prestaties.
Voor een data scientist betekent dit dat hij in staat moet zijn om het gehele proces van het identificeren van relevante use cases tot het effectief communiceren van inzichten aan stakeholders moet kunnen faciliteren. De mate van zelfstandigheid hierin hangt met name af van het vermogen van de data scientist om techniek- en business domeinkennis te kunnen combineren.
Meer weten over Data Science?
Wil je meer weten over onze Data Science oplossingen? In onze serie van drie podcasts over AI en data science praten we je helemaal bij over Artificial Intelligence en Data Science. Als je nog eens rustig alles over onze Data Science oplossing wil lezen, kan dat op onze pagina over Data Science en AI.
