Los zakelijke problemen op met AI

De Deloitte AI Loop (DAIL)

Als mensen nemen we onze omgeving waar, redeneren we erover, gebruiken we conclusies om actie te ondernemen en onze interacties met onze omgeving te verbeteren terwijl we voortdurend leren om dit proces in de loop van de tijd te verbeteren. Op dezelfde manier biedt de Deloitte AI Loop een raamwerk dat lijkt op deze menselijke benadering op het gebied van kunstmatige intelligentie. Op basis van onze ervaring in het aanbieden van cognitieve oplossingen aan onze klanten, hebben we DAIL ontworpen als een blauwdruk voor alle aspecten die aan bod moeten komen in een succesvolle AI-oplossing, zoals we hebben uitgelegd in de inleidende blog. Na een deep-dive over SENSE in onze vorige blog, richten we ons in deze blog op de redeneercomponent, die bestaat uit algoritmen op basis van (stilzwijgende) kennis en patronen in data om te redeneren.

REDEN in het tijdperk van AI – achtergrond

Redeneren is misschien wel de meest ongrijpbare menselijke vaardigheid voor computers of kunstmatige intelligentie om te leren. Het vermogen om rekening te houden met verschillende stukjes informatie, ze tegen elkaar af te wegen, verschillende scenario's voor te stellen en uiteindelijk tot een gefundeerde beslissing te komen, is iets dat een typische menselijke vaardigheid lijkt. Het onderscheidt ons echter heel goed van computers.

Maar met nieuwe ontwikkelingen op het gebied van deep learning wordt AI steeds intelligenter en in staat om betere beslissingen te nemen op basis van meer soorten data. Recente voorbeelden zijn de taalgenererende mogelijkheden van GPT-3, de beeldgenererende mogelijkheden van DALL-E of de eiwitvouwing opgelost door DeepMind. Wat deze voorbeelden allemaal gemeen hebben, is dat ze enorme hoeveelheden data vergen en door nauwgezette en langdurige training op enorme computerbronnen leren ze iets te doen dat logisch is. Daarmee zijn ze in staat om enorme (potentiële) waarde te genereren voor het bedrijfsleven en de samenleving.
 

^{Is AI echt intelligent?
Hoewel de bovengenoemde mogelijkheden verbluffend zijn en beter dan mensen deze taken zouden kunnen uitvoeren, zouden niet veel mensen de algoritmen echt intelligent noemen. Gary Marcus stelt bijvoorbeeld dat GPT-3 niet gegrond is in de realiteit en niet echt denkt. Hoewel dit waar kan zijn, hoeft het organisaties er voorlopig niet van te weerhouden er waarde uit te halen.}

Door de wetenschappelijke doorbraken en de steeds groter wordende commerciële toepassingen van deze geavanceerde technieken in het afgelopen decennium, zijn deze deep learning-technieken top of mind geworden. Als u echter waarde uit AI voor uw organisatie wilt halen, is dit geen wondermiddel. In plaats daarvan moet u een gestructureerd proces volgen voordat u uw tool selecteert om te redeneren.

Hoe te REDENEREN – in theorie

Voordat je kunt beginnen met REDENEREN, zijn er twee randvoorwaarden: data en kennis. Zoals besproken in onze vorige blog, is het hebben van een goede databasis een strikte randvoorwaarde om te kunnen redeneren. Daarnaast is kennis in de vorm van domeinexpertise nodig om goed te kunnen redeneren over data en de context ervan. Dergelijke kennis kan zich bevinden in de hoofden van zakelijke relaties, maar kan ook worden uitgedrukt in machineleesbare formaten, zoals ontologieën, inbeddingen of kennisgrafieken. Als er data en kennis beschikbaar zijn, kunnen we effectief een redeneringsproces starten.

Zoals blijkt uit de onderstaande speelgoedvoorbeelden, kan redeneren in verschillende smaken voorkomen: gebaseerd op deductieve, inductieve en abductieve logica.

Bij deductief redeneren kan men precieze conclusies trekken uit een bepaalde situatie. Zoals je je kunt voorstellen, kan AI gemakkelijk beter presteren dan mensen in scherpe logica (denk aan computers die mensen verpletteren in een verscheidenheid aan bord- en digitale spellen). In real-world toepassingen is er echter geen generiek regelboek dat een sectie bevat over "Wanneer wint een speler". In plaats daarvan definiëren mensen wat voor hen een overwinning is, bijvoorbeeld via concrete KPI's. Bij assortimentsoptimalisatie zou men bijvoorbeeld KPI's kunnen identificeren op basis van een productmarge en klantbereik. Daarnaast zou men vuistregels kunnen definiëren waarmee rekening moet worden gehouden bij deze KPI's, wat leidt tot zogenaamde heuristieken, zoals "de marge van een product moet in elk kwartaal positief zijn".

Met inductieve logica verandert dit als het redeneren door inductie beschouwt uit een reeks voorbeelden, wat heel dicht in de buurt komt van de definitie van machine learning. Aan de hand van een trainingsset die alle mogelijke casussen zo goed mogelijk moet weergeven, kan een machine leren om de uitkomst van nieuwe voorbeelden te voorspellen door inductie. Het doet dit door te kijken naar specifieke functies, die door mensen worden gedefinieerd op basis van hun domeinkennis, waarbij ze proberen ervoor te zorgen dat computers een goed overzicht hebben van relevante delen van een echte wereld.

Bij abductie gaan we nog een stap verder, waarbij we niet alleen conclusies moeten trekken uit nieuwe voorbeelden op basis van gegeven voorbeelden, maar ook met hypothesen moeten komen. Hoewel dit buiten het bereik van machine learning valt, is het te vinden in deep learning. Bijvoorbeeld in de technieken voor het beantwoorden van diepe vragen die ervoor zorgden dat IBM Watson Jeopardy won. Nu we ons vertrouwd hebben gemaakt met wat achtergrondinformatie over redeneren, is het tijd om te kijken hoe we deze theorie in de praktijk kunnen toepassen.

Hoe te REDENEREN – in de praktijk

Nadat we de verschillende soorten redeneren hebben verbonden met verschillende technieken van AI, zullen we nu kijken naar elk van deze technieken en wanneer ze in organisaties moeten worden toegepast, volgens het onderstaande kader. Lees verder in de volledige versie van de blog.

Wat kunt u nu verwachten?

Deze blog is onderdeel van een serie waarin we dieper ingaan op de verschillende onderdelen van DAIL en deze dieper beschrijven. Vervolgens zullen we AUGMENT bespreken, dat ons zal brengen van de modellen die we gebruiken naar de waarde die ze opleveren voor organisaties.