AI is een middel, niet het doel

De pragmatische aanpak van IFS

Onlangs werden de gelederen binnen IFS Labs – de innovatiehub binnen IFS – versterkt met Martijn Loos. Hij studeerde AI aan de UvA met een specialisatie in machine learning en computer vision. In een gesprek met hem en Bas de Vos, director IFS Labs, verkennen wij de positie van AI in de IFS producten.

IFS neemt al meer dan tien jaar elementen van machine learning zoals neural networks op in haar software. “De versterking van Martijn binnen ons team illustreert dat wij steeds meer mogelijkheden zien om onze producten met AI te verbeteren”, vertelt Vos. “Zolang die inzet pragmatisch en praktisch is en het voordelen oplevert voor onze klanten. Wij hanteren AI uitsluitend als middel tot een doel. Het is geen doel op zich. Pas als de functionaliteit en werkbaarheid voldoende zijn uitgekristalliseerd, voegen we het toe aan onze producten.”

 

Neural networks

Er is nog veel onduidelijkheid over de rol van AI. De Vos: “De helft van de mensen die ik spreek, gelooft dat het een hype is die wel overwaait. De andere helft gelooft dat het ongeveer alle wereldproblemen zal oplossen. IFS zit daar eigenlijk een beetje tussenin. Ons doel is het maken van steeds betere producten en als AI daar een goede bijdrage aan kan leveren, zullen we dat zeker gebruiken. In onze planning engine gebruiken we al ruim tien jaar neural networks, waardoor het systeem uit zichzelf kan leren de planning te optimaliseren.” Loos voegt daaraan toe: “Dit valt onder machine learning, een van de vele disciplines binnen het brede AI vakgebied. IFS richt zich verder op de deelgebieden autonomous agents, natural language processing en computer vision.”

 

Waar ligt de grens?

Binnen IFS Labs lopen de experts voorop met de huidige ontwikkelingen op AI-gebied. Zo werd recent de IFS Aurena Bot toegevoegd aan IFS Applications. Loos: “Hiermee kan bijvoorbeeld iemand van sales, die net een klantbezoek heeft afgelegd, in de auto op weg naar de volgende afspraak, in de vorm van een conversatie met het systeem zijn salesinformatie vastleggen. Het biedt eindgebruikers een beter werkbare user interface.”

“Maar”, benadrukt De Vos, “wij vragen ons voortdurend af of de middelen het doel nog wel heiligt. Zo werken wij nu aan het automatiseren van het goedkeuren van declaraties (expense reporting). Door een machine learning algoritme te laten meedraaien met alle ingediende declaraties, destilleer je daar patronen uit. Op termijn kun je dan 80 procent of meer van alle gedeclareerde uitgaven automatisch goedkeuren. Om betrouwbare patronen te genereren, is enorm veel data nodig.”

Loos: “Ik zal mij vooral focussen op vragen als: loont het de moeite om al die data in een systeem op te bouwen? Waar ligt de grens van wat AI daadwerkelijk kan met data? Hoeveel tijd gaat het kosten om dat algoritme te perfectioneren? Als ik bijvoorbeeld 3 miljoen euro ontwikkelkosten kwijt ben voor een besparing van enkele duizenden euro’s per jaar, moet je jezelf natuurlijk afvragen of dat zinvol en wenselijk is. Maar is het andersom dan hebben wij een duidelijke businesscase.”

 

 

Gerelateerde berichten...

X