S.L.I.M. managen van AI in de praktijk // Fijne handleiding!

AI staat nog steeds in de kinderschoenen. De ontwikkelingen gaan wat trager dan verwacht. Het doel van kunstmatige intelligentie werd in de jaren vijftig eigenlijk al bepaald door Alan Turing en zijn Turing test of imitatie test, waarbij een computer niet van een mens te onderscheiden zou moeten zijn. Turings werk draaide met name om het thema ‘besluitvorming bij machines’. Het concept AI bestaat dus al zeventig jaar maar vooral de laatste jaren is vanuit organisaties de aandacht voor deze slimme technologie exponentieel toegenomen. In S.L.I.M managen van AI in de praktijk beschrijven de drie auteurs niet alleen welke kansen en mogelijkheden de implementatie van AI-systemen biedt aan organisaties maar besteden ze ook veel aandacht aan de risico’s die hieraan zijn verbonden.

Uitgangspunten van hun boek waren: het versmallen van de aanduiding AI, focus op gebruik in de praktijk, en aandacht voor het managen van verandering. Het acroniem S.L.I.M. managen van AI staat voor Socio-technische veranderprocessen, Lokaal inzicht, Interdisciplinaire kennis en Moreel bewustzijn. De uitdaging voor het S.L.I.M. managen van AI is het vinden van een juiste balans tussen specialistische en generalistische kennis en hoe deze balans tot zo’n niveau is te integreren zodat erbij kan worden gedragen en mee kan worden gedacht over elkaars werk. De vier thema’s die de auteurs in dit boek in detail beschrijven, zijn: Hoe organiseer je het effectief verzamelen en creëren van data; het testen en valideren van het AI-systeem, de brugfunctie (een AI-systeem is zelden een ‘kant-en-klaar’ product) en veranderingen die kunnen optreden in de dagelijkse werkzaamheden door implementatie van een AI-systeem.

Om de lezer eerst kennis te laten maken met de complexe materie, beschrijven de auteurs in de eerste hoofdstukken de historie, de achtergronden en welke technieken tot AI behoren en welke niet. Omdat AI-systemen zijn gericht op kenniswerk is de implementatie afhankelijk van de samenwerking tussen allerlei experts. Het lerend vermogen wordt - met het steeds meer beschikbaar komen van data - alleen maar meer uitgebreid en steeds complexer. Een direct gevolg van de toenemende complexiteit is dat we helaas steeds minder van de werking van de AI-technologie kunnen begrijpen.

De bijna onbegrensde mogelijkheden, de zorgen omtrent de onvoorziene consequenties van AI voor werk, organisaties en de maatschappij hebben ertoe geleid dat steeds vaker wordt gesproken over ‘responsible AI’, waarbij ethische vragen aangaande de ontwikkeling en invloed van AI-systemen centraal staan. In hun boek passeren acht praktijkvoordbeelden met elk hun karakteristieken en ontwikkelingsfase de revue: Centraal Beheer (Helpdesk), MultiCo (recruitment), KLM (Meals-on Board Systeem), Politie (Voorspellend politiebeleid, ‘CAS’) LUMC Radiologie (voorspellen en analyseren van een goedaardige hersentumor aan de hand van röntgenfoto’s), Volkswagen (slimme generatoren), Philadelphia (sociale robot ‘Phi’), ABNAMRO (anti-geldwitwassen).

Er zijn veel organisaties die over veel data beschikken en denken een competitief voordeel te hebben door een AI-systeem te ontwikkelen, maar zonder dat er een duidelijk afgebakend doel is voor de inzet van AI. Een illustratief praktijkvoorbeeld dat ter sprake komt is de helpdesk chatbot van Centraal Beheer, één van de grootste en oudste verzekeringsmaatschappijen van Nederland. Het gaat over het project van een op AI-gebaseerde chatbot voor klantenservice, CeeBee genoemd dat is bedoeld om simpele vragen van klanten te beantwoorden. Centraal Beheer had ervoor gekozen om de chatbot gefaseerd te ontwikkelen en te implementeren. In de nieuwste versie is het AI-systeem getraind allerlei mogelijke woorden te herkennen in de aangeboden informatie van de klant. Op die manier is de chatbot in staat de bedoeling achter een grote hoeveelheid vragen te begrijpen en relevante informatie aan de klant te verschaffen. Inmiddels is het AI-systeem naar tevredenheid in gebruik.

Een heel ander voorbeeld is de KLM Meals-on-Board Systeem (MOBS) dat begin 2018 door KLM is ontwikkeld. Het is gericht op het efficiënter maken van de bestellingen van de catering die voor vertrek aan boord van vliegtuigen wordt geladen. Sinds de toepassing heeft hun AI-systeem voor het KLM MOBS de voedselverspilling met vijftig procent kunnen verminderen.

Een praktijkvoorbeeld van weer geheel andere aard is de ontwikkeling en implementatie van de het Criminaliteits Anticipatie Systeem (CAS) met als doel te kunnen voorspellen waar in locatieblokken van 125 m2 de kans het grootst is op patroonmatige criminaliteit, zoals woninginbraak, autokraak, et cetera. Inmiddels wordt CAS door heel Nederland binnen vrijwel alle 168 politiebureaus toegepast.

Een ander zeer tot de verbeelding sprekend praktijkvoorbeeld is dat van Philadelphia met de sociale robot. Philadelphia ondersteunt door heel Nederland mensen met een beperking. In 2016 is begonnen met de verkenning van het gebruik van de sociale robot ‘Phi’ voor het bieden van ondersteuning in de hoop dat cliënten langer zelfstandig kunnen blijven wonen en zorgprofessionals minder druk in hun werkzaamheden ervaren. De hardware is extern ontwikkeld door een Japanse fabrikant. ‘Phi’ is nog volop in ontwikkeling, maar wordt al met succes in de praktijk gebruikt. Vooral op de interactie van en met ‘Phi’ is veel winst te behalen. Het verbeterde AI-systeem zal straks ook voorzien zijn van gezichtsherkenning zodat de robot in het ideale geval alleen een gesprek begint als het voor meer dan vijftig procent zeker is van de identiteit van een persoon. Cliënten kunnen op de robot reageren door een antwoord te geven op het scherm van de tablet die aan de robot is bevestigd.

De vraag is nu wat de centrale bouwstenen van een AI-systeem zijn? Een AI-systeem moet volgens datawetenschappers worden gevoed met de juiste organisatie- en/of taak specifieke data die vanuit de organisatie worden gecreëerd, verzameld en aangeleverd. Een essentieel eerste onderdeel van het managen van AI is daarom het vergaren van ruwe data. De input hiervoor moet komen van ontwikkelaars of beoogde gebruikers uit de organisatie. Vervolgens gaat de dataspecialist de data opschonen om ze geschikt te maken voor het ontwikkelen van een AI-systeem.

Om een AI-systeem te bouwen dat aansluit op de beoogde werkprocessen, moeten AI-ontwikkelaars de context-gerelateerde data voldoende begrijpen. Data-gerelateerde data hebben direct invloed op het AI-systeem. Degenen die in de organisatie met het AI-systeem gaan werken dienen ook bijgeschoold te worden in het interpreteren van de verkregen AI-uitkomsten en statistiek. Tevens zullen zij zorgvuldig moeten omgaan met ethische aspecten van data-gerelateerde taken. Een volgende stap in de ontwikkeling van een AI-systeem is het testen en valideren (wat is de toegevoegde waarde). Met name deze fase – het managen van het test- en validatieproces – vraagt om voortdurende afstemming tussen een team van AI-ontwikkelaars, gebruikers en management.

Dikwijls is het gebruikelijk om de leemte tussen ontwikkelaars, het AI-systeem en de gebruikers om een organisatiemedewerker of een externe consultant met een gedetailleerde domeinkennis en digitale vaardigheden een tijdelijke of permanente brugfunctie te geven die niet alleen het machine learning maar ook het organisational learning kan ondersteunen. De brugfunctionaris kan de gebruiker hulp bieden bij AI-gerelateerde werkzaamheden of AI-uitkomsten voor de gebruiker vertalen en uitleggen. Het invoeren van de brugfunctie is geen simpel proces want inzicht hebben in de werkprocessen is cruciaal. Resumerend: AI-systemen kunnen organisaties veel mogelijkheden bieden en dagelijkse werkzaamheden op positieve wijze fundamenteel veranderen.

In S.L.I.M. managen van AI in de praktijk beschrijven Lauren Waardenburg, Marleen Huysman en Marlous Agterberg aan de hand van acht realistische praktijkvoorbeelden van gevestigde en uiteenlopende organisaties – elk met hun specifieke eisen - hoe deze bedrijven kunnen omgaan met AI in de praktijk. Het boek is niet alleen bedoeld voor de (beoogde) gebruiker van AI-systemen maar juist ook geschikt voor managers is het een handleiding voor de toepassing van AI-systemen in de managementpraktijk.