Kunstmatige intelligentie is uit het lab (deel 2)

Fred Teunissen

Moest je start-ups op het gebied van kunstmatige intelligentie een jaar geleden nog met een kaarsje zoeken, inmiddels kent ons land er een stuk of tien. En het gaat deze pioniers meteen voor de wind. De meesten hebben grote klanten, die hun slimme algoritmen dankbaar inzetten in de business. Oftewel: het KI-spel is op de wagen.

In maart 2013 klopten Dominik Blattner en Elmar Weber aan bij de Amsterdamse incubator Rockstart. Ze vonden dat business process management (BPM) sneller, beter en vooral meer voorspellend kan worden door kunstmatige intelligentie toe te passen. De twee founders volgden het 100-dagen-traject van Rockstart om van dit mooie idee ook een goedlopend bedrijf te maken.

In mei 2013 presenteerden ze hun Operational Intelligence Solution en daarna werd er – in samenwerking met de universiteiten van Eindhoven, Sevilla en Münster – stug doorgewerkt aan de verdere ontwikkeling van het algoritme.

Vorig jaar zomer was de eerste versie gereed en diende zich meteen al een klant aan, en niet de minste: Volkswagen in Duitsland. Daarna raakte de orderportefeuille snel gevuld. Tot de klanten behoren de Nederlandse vestiging van Reed Elsevier en het Amerikaanse Red Cross. Cupenya partnert verder met KPMG, IBM en Dell.

Automatische alerts

Het algoritme van de kersverse onderneming is toegesneden op processen. In principe kan het op elk type proces worden toegepast, maar het bedrijf richt zich primair op shared service centers. Organisaties met complexe processen met veel stappen en grote datasets.

Als het algoritme op deze datasets wordt losgelaten kunnen voorspellingen worden gedaan, zowel op het niveau van individuele ‘items’ als van groepen van ‘items’. Bijvoorbeeld hoeveel procent van de klanten binnen drie tot vijf dagen zal betalen. Of bij welke groepen klanten extra aandacht nodig is om tijdige betaling te bevorderen. Ook de routing die items door het proces nemen, kan worden voorspeld. Zo worden knelpunten blootgelegd: plekken in de processen waar zich met regelmaat verstoringen voordoen ten opzichte van de vastgestelde KPI’s. Dat biedt waardevolle informatie om de processen te verbeteren.

Bijzonder aan deze software is verder dat het zelflerend is. Als de processen worden aangepast of als het patroon in de items verandert, dan past de software zichzelf automatisch aan.

De toepassingen van het algoritme van Cupenya concentreren zich op dit moment op Invoice Management, Ticketing & Claim Handling en Order Processing.

De R&D-afdeling van het bedrijf werkt aan de mogelijkheid om de signaleringen die het systeem genereert, automatisch naar de juiste mensen te sturen. Een manager krijgt dan een alert als er ergens in een proces een kink in de kabel dreigt te komen.

Breder speelveld

Ook Xomnia, opgericht in februari 2013, kent een intensieve uitwisseling met de universitaire wereld. In dit geval met de UvA en de VU. Managing partner Ollie Dapper doceert aan de VU en de onderneming biedt veelbelovende afstudeerders een plek. Hier was Samsung de launching customer. De jonge Amsterdamse dwerg struinde voor dit megabedrijf alle social media af op zoek naar opmerkingen van gebruikers over Samsung-telefoons. ‘Text mining’ heet dit in vakjargon. Xomnia schreef een algoritme waarmee patronen herkend werden in deze enorme berg van gegevens. Zowel over het geheel van de dataset als voor individuele klanten en groepen van klanten. Het bood de marketingafdeling van de reus nieuwe inzichten.

Randstad was de volgende grote klant. Hier ging het om predictive modelling. De vraag van Randstad: uit duizend sollicitanten selecteren wij tien kandidaten, die wij aannemen. Hoe kunnen wij vooraf meer zekerheid krijgen dat zij langdurig aan ons bedrijf verbonden blijven? Aan welke signalen kunnen we dat zien?

Ook hier werd met text mining en patroonherkenning gewerkt. De analyse van sollicitatiebrieven en cv’s leverde een aantal opmerkelijke wetmatigheden op die heel bruikbaar zijn voor de recruiters van deze recruiter. Welke dat zijn, is uiteraard het geheim van de smid.

Vergeleken met Cupenya is Xomnia op een breder speelveld actief. Op de website van de onderneming worden drie hoofdrichtingen genoemd: predictive modelling, text analytics en social profiling. De orderportefeuille is inmiddels goed gevuld. De klantenlijst vermeldt onder meer de Veiligheidsregio Gelderland, Arke, het Ministerie van Defensie, Nuon, de Persgroep, TUI, Ziggo en Wegener.

Martijn Imrich, associate partner van Xomnia, bevestigt het beeld dat er in Nederland op dit moment een tiental start-ups actief is op het vlak van kunstmatige intelligentie. “Als je naar de mogelijkheden kijkt, dan zou je eigenlijk een grotere aanwas verwachten. Aan de andere kant is de vraag natuurlijk waar deze toepassingen op dit moment renderen. Ik denk dat dit vooral het geval is bij organisaties met een groot ordenings- en optimalisatievraagstuk. Dat zien we momenteel met name in de gezondheidszorg en in de veiligheidssectoren, zoals bij defensie, politie en handhaving, maar dit toepassingsgebied zal zich zeker gaan uitbreiden.”

Imrich vindt het belangrijk om over kunstmatige intelligentie in termen van volwassenheid, dan wel ‘maturity’ te denken. “Het is belangrijk te weten waar je staat in de ontwikkeling die zich aan het voltrekken is. KI gaat nu nog aan 90 procent van de markt voorbij. Het vakgebied staat nog in de kinderschoenen. Maar er komen volgende stadia aan. Het is voor iedere business-verantwoordelijke van groot belang zich daarvan bewust te zijn.”

Zelflerende software

En dan hebben we Scyfer, niet te vergeten. Een spin-off van de UvA. Ook hier is het startjaar 2013. Scyfer richt zich op ‘Deep Learning’ op basis van de technologie van neurale netwerken. Eind juli 2015 ontving deze start-up van de EU een subsidie van ruim twee ton voor de ontwikkeling van een zelflerend medisch beeldanalyseplatform. Let op de term ‘zelflerend’. Ook bij Scyfer gaat het dus om software die zichzelf – al doende – slimmer maakt.

Eerder ontwikkelde Scyfer samen met het Amsterdam Medisch Centrum een toepassing voor het herkennen van een hersenaandoening in 3D-MRI-scans van HIV-patiënten. Erg handig voor radiologen, want 60 procent van hun tijd gaat zitten in het bestuderen van foto’s waar uiteindelijk toch geen afwijkingen in te zien zijn. De software neemt dat deel van hun werk over.

Hoe zit het nu met dat zelflerende van de software? Jörgen Sandig, general manager van Scyfer, legt uit dat neurale netwerken voor een doorbraak hebben gezorgd. “

In de klassieke benadering van machine learning moest een expert het systeem eerst leren waarop het moest letten. Je moest het dus voeden met kennis. Ons systeem kan zelf leren welke eigenschappen wijzen op een bepaalde aandoening. We noemen die eigenschappen features. Het systeem kan die features zelf aanmaken en vervolgens kijken of ze aanwezig zijn in de data. Dat is een nieuwe ontwikkeling.“

Sandig geeft het voorbeeld van een eekhoorn: “Wij mensen denken dan aan een klein diertje met een dikke staart, iets donzigs en puntoortjes. Maar een computerprogramma kan tot heel andere features komen die erop wijzen dat iets een eekhoorn is. Het systeem ziet dus andere eigenschappen en kan complexere verbanden zien dan een mens kan verwerken. Dit geldt ook voor beeldstructuren in de pathologie. De computer ziet de dingen daar anders en in sommige gevallen – zo hebben we gemerkt – ook beter.”

Dit is het tweede deel in een serie over de business impact van toepassingen van kunstmatige intelligentie. Het eerste deel verscheen in de maarteditie 2015 van ICT/magazine.

 

Gerelateerde berichten...