Artificiële intelligentie (AI) geldt als één van de belangrijkste technologietrends van dit decennium. Tegelijk worstelen veel ondernemingen met de vraag hoe ze moeten omgaan met grote hoeveelheden data en geavanceerde computertechnologie.

De Amsterdamse AI-startup DEUS sprak met ruim 30 AI-directeuren bij toonaangevende Nederlandse bedrijven zoals TomTom, Randstad, ABN Amro, Shell, Picnic en DSM over de manier waarop ze kunstmatige intelligentie implementeren.

Strategiespecialist Nathalie Post van DEUS stelde op basis van de interviews het rapport 10 Commandments to create value with artificial intelligence samen. “Je moet de uitdrukking ‘tien geboden’ niet al te letterlijk nemen, het gaat om inzichten uit de praktijk”, zegt Post tegen Business Insider.

Duidelijk is in ieder geval dat bedrijven heel verschillend met artificiële intelligentie omgaan. Er is niet één voor de hand liggende aanpak. “Als je ermee aan de slag gaat, moet je in eerste instantie over de bouwstenen nadenken”, zegt Post.

Dan gaat het om zaken als de vereiste vaardigheden van werknemers, de inrichting van data en processen en de ethische kant van AI-toepassingen.

Business Insider licht hieronder 4 van de meest cruciale inzichten toe uit het AI-rapport van DEUS.

AI relevant maken voor je zakelijke doelstellingen

“Dit is een kritiek punt”, zegt strategie-expert Post. Bedrijven die met kunstmatige intelligentie aan de slag gaan, zoeken in eerste instantie vaak dataspecialisten en andere technici. Dat is op zich al een uitdaging op de krappe arbeidsmarkt voor IT’ers. “Maar vaak is het nog lastiger om de mensen te vinden die de zakelijke kant van een onderneming goed aanvoelen en tegelijk kennis hebben van de belangrijkste concepten van AI.”

Bruggenbouwers die kunnen bepalen hoe je met nieuwe technologie op zakelijke uitdagingen inspeelt, trek je niet makkelijk aan via externe werving. Post: “Wat bedrijven veel doen is mensen die vanuit de commerciële kant komen een training geven over de belangrijkste concepten van AI. Dat zijn vaak tweedaagse cursussen, wat op zich niet slecht is, maar vaak ook niet meer dan een begin.”

Uitproberen en leren

Bij het ontwikkelen van AI-toepassingen is het niet altijd makkelijk om het zakelijke potentieel te bepalen. “In het begin zijn er veel mogelijkheden en kan het lang duren voor je een goed product hebt”, zegt Post. “Veel organisaties nemen maanden de tijd om te experimenteren met een bepaalde toepassing van AI, maar dat is niet altijd de meest efficiënte manier om vast te stellen of iets waarde toevoegt.”

Als voorbeeld noemt Post de aanpak van ABN Amro, waar in eerste instantie een cyclus van vier weken wordt gehanteerd bij AI-toepassingen. “In die vier weken wordt een model gemaakt en dat wordt getraind. Dan moet duidelijk zijn of het model genoeg potentie heeft om ermee door te gaan. Als dat niet zo is, valt het af. Anders komen er twee maanden bij om een proof of concept te bouwen.”

Opvallend is volgens Post dat organisaties niet altijd vooraf bepalen hoe ze succes willen meten. “Het lijkt niet meer dan logisch om eerst te bepalen hoe je gaat meten, maar dat gebeurt dus niet altijd.”

De ethische kant van AI vanaf dag 1 meenemen

Enkele jaren geleden ontdekte techreus Amazon dat een algoritme waarmee het bedrijf cv’s beoordeelde, niet eerlijk werkte. Bij de jacht op talent bleek het zelflerende algoritme na verloop van tijd de conclusie te hebben getrokken dat mannelijke kandidaten de voorkeur verdienden.

Het is één van de bekendere voorbeelden van wat er mis kan gaan als de factor ethiek niet goed wordt meegenomen bij toepassingen van AI. “Een manier waarop je daar iets aan kan doen, is zorgen voor diversiteit in AI-teams”, zegt Post. “Als je vijf blanke mannen op een product zet, is de kans dat ze iets over het hoofd zien veel groter, dan als je teams hebt met diverse achtergronden qua gender, etniciteit en ervaringen.”

Als positief voorbeeld in Nederland noemt Post de aanpak van Rabobank. Daar beoordeelt een onafhankelijke commissie elke algoritme dat de bank ontwikkelt op technische én ethische gronden. “Dat lijkt heel voor de hand liggend, maar bij veel bedrijven staat dit nog in de kinderschoenen”, aldus Post.

Uitleggen hoe een algoritme tot een beslissing komt

Voor de maatschappelijke acceptatie van kunstmatige intelligentie is het uiteraard van groot belang dat degenen die ermee geconfronteerd worden het idee hebben dat ze ermee geholpen zijn. “Explainable AI speelt hierbij een belangrijke rol”, zegt Post.

Daarbij hangt het wel van het soort toepassing af, in welke mate kunstmatige intelligentie begrijpelijk moet zijn. Post: “Bij een aanbeveling voor een product op je telefoon speelt dat minder dan bij een hypotheekaanvraag. In het laatste geval moet de klant natuurlijk antwoord krijgen op de vraag waarom een algoritme een bepaalde beslissing heeft genomen.”

Het werkt volgens Post vaak beter als er bij het bouwen van een model van tevoren wordt nagedacht hoe belangrijk het is om inzicht te bieden in de manier waarop het algoritme werkt. “Vaak gebeurt dit post-modelling, maar het is beter om dit vooraf te doen. En dan ook te weten voor wie je dat doet. Want voor een IT’er of jurist is uitlegbaarheid iets anders dan voor een eindgebruiker.”

Lees meer over kunstmatige intelligentie: