menu sluiten
Contact

Antwerpen
Veldkant 33B, 2550 Kontich
België +32 (0)3 444 11 08

Breda
Rithmeesterpark 50-A1, 4838GZ Breda
Nederland +32 (0)3 444 11 08

info@jstack.eu

Artificial Intelligence

Hoe start jij met AI?

Je hoort steeds vaker dat organisaties die niet bezig zijn met AI, overbodig zullen worden. Wellicht voel je daardoor zelf ook de noodzaak om aan de slag te gaan met AI voor je organisatie of voor jezelf. Maar hoe groot zal de invloed van AI nu echt zijn? En hoe ga je ermee van start?

Je kan het niet meer negeren. AI is al enkele jaren aan een opmars bezig, maar is het afgelopen jaar alleen nog maar gegroeid. De modellen worden groter en kunnen meer, er wordt massaal infrastructuur aangekocht om AI te kunnen gebruiken. Het begint zelfs bijna magisch aan te voelen. Dat kan beangstigend zijn, want we hebben er slechts beperkte controle over. Hoe gaan we om met AI? Staan onze jobs op het spel? En vooral, wat voor impact heeft het op onze organisaties?

Bij jstack hebben we ruime ervaring met AI opgebouwd. Ben je op zoek naar een digitale partner? Twijfel dan niet om contact met ons op te nemen!

Gaat artificiële intelligentie onze job afnemen, of net makkelijker maken?

Nemen robots ons werk af

Als we in de wereld van AI duiken, is het belangrijk om eerst te weten wat het doel van Artificiële Intelligentie is. Het wordt momenteel niet gebouwd om onze jobs af te nemen, maar om ermee samen te werken. Het is belangrijk dat we leren omgaan met de tools die tot onze beschikking worden gesteld. Je job zal niet verdwijnen, maar zal zeker en vast een andere vorm aannemen. Dat is niet zo’n slechte evolutie. Als we goed nadenken over onze dagtaken, zullen de meeste mensen zeker graag enkele saaie taken willen schrappen.

 

Nemen robots ons werk af, of doen wij momenteel het werk van robots?

We kunnen ons werk in drie niveaus onderverdelen. Enerzijds hebben we het C-werk. Het is werk dat niet noodzakelijk is en ook geen toegevoegde waarde geeft voor de organisatie. Het is moeilijk om ons hierop te focussen en ons ervoor te motiveren, maar het gebeurt wel. Vaak gebeurt dit werk omdat het binnen de organisatie altijd al gedaan werd, maar is het ondertussen niet meer relevant. Dit type werk dienen we te elimineren.

Daarnaast hebben we het B-werk. Deze taken zijn noodzakelijk, maar creëren niet echt nieuwe waarde voor ons en onze organisaties. Het is werk dat moet worden uitgevoerd zodat alles blijft draaien. Dit werk willen we automatiseren. Dat doen we ondertussen al door te digitaliseren en regels om te zetten naar gestructureerde en geautomatiseerde processen. 

Als laatste hebben we het A-werk dat niet alleen noodzakelijk is, maar ook enorm veel waarde toevoegt. Het is met dit niveau van werk dat we impact kunnen maken op ons leven en organisaties. Dit werk willen we optimaliseren, maar we zitten met een hele hoop B-werk dat moet gebeuren waardoor er niet voldoende tijd meer overblijft.

AI wordt momenteel ontwikkeld als strategie om ons B-werk verder te automatiseren. In de AI-wereld spreken we van de “transferability” van een model. Kort gezegd betekent dat: hoe goed kan een model dat gebouwd is om probleem X op te lossen, ook overweg met probleem Y. Hoe hoger de transferability, hoe “slimmer” het model en hoe beter het in staat is om B-werk aan te pakken waar het niet voor getraind is. 

Dit ligt in direct contrast met hoe we momenteel digitaliseren. Vandaag worden processen namelijk geanalyseerd en op maat gedigitaliseerd. Dit digitalisatiewerk is nog steeds noodzakelijk, want de huidige AI-modellen kunnen nog niet alles. Het is nog maar de vraag of ze ooit alles zullen kunnen.

 

Hoe ga je hier zelf mee aan de slag?

Gebruik de algemene AI modellen die op de markt zijn. Modellen zoals ChatGPT van OpenAI zijn een mooie eerste introductie om het concept van transferability te ontdekken. 

 

Welke soorten AI zijn er?

Er wordt al decennialang over AI gesproken, maar toch is het nu pas echt een hype geworden. Welke innovatie heeft ervoor gezorgd dat er plots zo’n grote opflakkering is in de populariteit? Laten we even terugkijken naar de grondbeginselen van AI. Hiervoor moeten we terug naar het jaar 1996, toen Deep Blue (een expert chess computer) gelanceerd werd. Weinigen weten dat er reeds in 1987 een doctoraat liep waarbij de grondbeginselen van AI werden gelegd.

Die systemen zijn slechts goed in één enkel ding. Het wordt ook wel een expertsysteem of Narrow AI genoemd. Deze modellen kan je niet zomaar een ander spel laten spelen. Of je kan een computer vision model niet zomaar naar muziek laten luisteren om er informatie over te geven. Bij deze modellen ligt de transferability enorm laag. Ze worden enkel voor een specifiek doel ontwikkeld. Dat heeft uiteraard ook veel waarde. Concrete voorbeelden zijn het zoeken van de kortste route en het transcriberen van spraak naar tekst.

Met de komst van Generative AI (GenAI) ligt dit anders. De functionaliteiten van één specifiek model beginnen steeds groter te worden. Zeker de Large Language Models (LLM’s) die de menselijke taal als expertise hebben, kunnen worden ingezet om simpele berekeningen uit te voeren. Dat is duidelijk een teken van transferability: een model dat met taal werkt, kan ook wiskundige berekeningen maken. Dat zorgt natuurlijk voor een grote revolutie. Opeens kan een computermodel begrijpen wat je zegt, wat je bedoelt, en waar je naar op zoek bent. Tot nu toe was het zo dat de mens zich moest aanpassen aan de computer, terwijl het nu omgekeerd lijkt te zijn. 

Deze innovatie is er gekomen door Machine Learning en Deep Learning technieken waarbij het model zichzelf nieuw gedrag kan aanleren. Als we deze trend diep naar de toekomst brengen, dan komen we zelfs uit op Artificial General Intelligence (AGI) waarbij er verwacht wordt dat AI het menselijk intellect kan evenaren en waarschijnlijk heel snel erna kan overtreffen. 

Het is belangrijk om te weten dat AGI de heilige graal is van AI, en dat we daar momenteel nog helemaal niet zijn. Al is het ook zo dat we nog nooit zo dicht hebben gestaan en het er elk moment gewoon kan zijn. Het is daarom belangrijk om de opportuniteiten en ontwikkelingen van AI grondig op te volgen, want morgen is het misschien te laat.

 

Hoe start je als organisatie met AI?

Aangezien AI momenteel vooral nog heel goed is in één ding, kan het enorm slecht omgaan met iets anders. Het is daarom nog niet mogelijk om een willekeurig AI-model uit te kiezen om daarmee dan alles te digitaliseren. AI speelt momenteel vooral de rol van katalysator voor digitalisatie. Het zorgt voor een versnelling, helaas ook met de bijhorende groeipijnen.

Enerzijds is het belangrijk te beseffen dat de introductie en het gebruik van AI verandering teweeg zal brengen in je organisatie. Volgens de principes van change management is het belangrijk om een duidelijke visie en een duidelijk doel te hebben met deze verandering. Daarnaast is er ook voldoende kennis en informatie nodig zodat de mensen in je organisatie weten hoe ze ermee om moeten gaan. Het is belangrijk om niet halsoverkop met AI te starten zonder dat je collega’s een idee hebben van wat er nu eigenlijk gebeurt, want dat zal weerstand opwekken.

Het vinden van de juiste use case is daarom heel belangrijk, maar ook enorm moeilijk. We lijsten enkele interessante opportuniteiten op die we gespot hebben bij onze klanten:

  • Helpen bij het structureren van data. LLM’s zijn heel goed in de essentie uit een tekst halen. Dat betekent dat tools zoals ChatGPT ongestructureerde data makkelijk kunnen samenvatten in gestructureerde bulletpoints. Dat kan met alle teksten: documentatie, pdf’s, Word-documenten, enzovoort. De output kan getransformeerd worden naar een gestructureerd formaat dat op hun beurt in databases of in Excel kan worden gebruikt.
  • Knowledge bases en betere kennisdeling. Elke organisatie heeft een schatkist aan informatie. Bergen offertes waarin trends te vinden zijn, meeting notes die inzichten geven rond projectmanagement, of duidelijke business cases die gelezen moeten worden door medewerkers om mee te zijn met wat er moet gebeuren. Je kan AI inzetten zodat collega’s makkelijk de juiste informatie kunnen vinden op het juiste moment. Volgens een McKinsey rapport spenderen medewerkers gemiddeld tot 10u aan het opzoeken van relevante informatie.
  • Predictieve analyses. Modellen die via Machine Learning getraind worden, zijn enorm goed in het spotten van patronen die door het menselijk brein soms genegeerd worden. Het gebruik van AI kan dus voorspellingen over de toekomst maken die op het eerste zicht niet altijd logisch lijken. Dat komt omdat het model correlaties ziet die we als mens laten liggen.

Het is belangrijk om binnen onze organisaties de juiste use cases naar boven te halen zodat we optimaal met artificiële intelligentie aan de slag kunnen gaan.

Hulp nodig bij het spotten van AI-opportuniteiten binnen jullie organisatie? Neem contact met ons op!

Onze strategen staan klaar om samen met jou na te denken over mogelijke use cases binnen je organisatie.