De convergentie van de cloud en big data leidt tot een explosie van toepassingsmogelijkheden van artificial intelligence (AI). Je hebt niet langer een eigen Watson en goed gevuld datawarehouse nodig. Je maakt gebruik van gedistribueerde rekenkracht en gedistribueerde databronnen in de cloud. De laatste Dataworks Summit liet vele toepassingsmogelijkheden zien.
U heeft in de afgelopen edities van ICT/Magazine kunnen lezen over verschillende toepassingen van machine data. Van asset management en het verbeteren van de customer experience tot en met het sensitief maken van de omgeving.
De volgende stap is om de algoritmen die deze data analyseren zelflerend te maken. Dan hoef je namelijk niet langer zelf hypotheses te bedenken en die in A/B-testen te valideren. Dan vindt het data science platform zelf verbanden en acteert daarop. Het kan met AI.
Zelflerend algoritme
AI omvat een breed terrein waarvoor een eenduidige definitie ontbreekt. Een onderdeel ervan is machine learning, een vakgebied dat zich bezighoudt met de ontwikkeling van algoritmes waarmee computers kunnen leren. Dat leren vindt vaak gecontroleerd plaats. Het algoritme krijgt voorbeelden van invoer en de bijbehorende output en leert daardoor welke kenmerken bepalend zijn voor de output.
Als je het model maar genoeg foto’s laat zien van katten en daarop gelijkende dieren en vertelt welk dier een kat is en welke niet, dan kan het algoritme op een gegeven moment zelf aangeven wanneer een dier een kat is. Een algoritme kan ook ongecontroleerd leren. In dat geval gaat het zelf op zoek naar structuren in de data en maakt daar zelf volautomatisch clusters van.
Het grote verschil tussen gewone algoritmen en zelflerende algoritmen is dat deze laatste steeds slimmer worden. Waar het big data team van DB Cargo (zie ICT/Magazine februari 2017) nog zelf de correlaties programmeert tussen factoren die invloed hebben op de slijtage van locomotieven, zal een ongecontroleerd zelflerend algoritme die correlaties eigenmachtig ontdekken.
Het algoritme zal alle sensordata analyseren en combineren met data over wanneer welk onderdeel stuk ging. Het kan zo dus zelf leren welke patronen voorspellend zijn voor slijtage.
Accuratesse hoeft niet hoog te zijn
Veel mensen denken dat de waarde van AI valt of staat bij de accuratesse van het algoritme, maar dat is allerminst waar, zegt Eliano Marques van ThinkBig. Als het gaat om een algoritme dat het next best offer voorspelt, is het al prima als het zelflerende algoritme slechts 10 procent beter voorspelt dan een niet-zelflerend algoritme.
Dan nog zal je heel veel meer verkopen. En ook bij asset management-toepassingen, zoals het voorspellen van slijtage aan onderdelen van machines, is geen 100 procent accuratesse nodig. Als je de helft van de storingen kunt voorspellen en hiervoor preventief onderhoud kunt plannen, heb je al een ijzersterke businesscase.
Zelfs bij toepassingen die draaien om leven of dood is een lagere accuratesse niet erg, zegt Marques. “Neem het herkennen van huidkanker op basis van een foto. Er zijn al apps die aangeven of het verstandig is om daarmee naar de dokter te gaan. De belangrijkste taak van dat algoritme is om geen false negatives te genereren, dus mensen die wel kanker hebben terwijl de app zegt dat de moedervlek onschuldig is.
Natuurlijk wil je ook zo min mogelijk false positives, want je bezorgt mensen natuurlijk veel stress als je zegt dat het plekje kanker zou kunnen zijn. Maar je zorgt er dan in ieder geval ook voor dat die mensen direct naar een dokter gaan en het niet eerst nog weken aankijken.” De bevolkingsonderzoeken naar darmkanker, baarmoederhalskanker en borstkanker werken niet anders. Ook daarbij worden technieken gebruikt die false negatives uitsluiten, daarbij op de koop toenemend dat er behoorlijk wat false positives tussen zitten bij wie het loos alarm is.
Autonoom rijden
In feite is het aantal cases waar een 99,999 procent accuratesse moet worden behaald zeer gering. “Ik kan er zo snel maar één bedenken en dat is de zelfrijdende auto”, zegt Marques. En dat komt goed uit, want na hem betreedt Tobias Bürger van BMW het podium. BMW heeft in 2015 een afdeling opgericht voor big data. De eerste use cases liggen op het gebied van slimmere productieprocessen. Ook is BMW op zoek naar toepassingen om de auto aan te passen op de bestuurder. Het is de bedoeling dat binnenkort de auto jou herkent en dan automatisch alle instellingen aanpast, van stoelhoogte en spiegels tot en met je favoriete muziekkeus en volume.
Natuurlijk droomt het bedrijf van autonoom rijden, maar zo ver is het nog niet bij BMW.
Lees het hele verhaal online of in ICT/Magazine van oktober/november.
