We kunnen herleiden hoe lang artiesten zoals Pablo Picasso en Vincent Van Gogh nodig hadden om een meesterwerk te schilderen. De Zonnebloemen, De Sterrennacht, Les Demoiselles d’Avignon of Le Rêve hebben unieke stijlen en penseelstreken. Behalve de hand van de meester, kwam daar veel geduld, toewijding en visie bij kijken. Een groep onderzoekers van de Universiteit van Tübingen had dit geduld niet. Zij ontwikkelden een algoritme dat ieder willekeurige afbeelding kan veranderen om te lijken op een schilderij in de stijl van de grote meesters.
Technisch gezien worden de algoritmen ’deep learning’-algoritmen genoemd. Ze worden door bedrijven zoals Google gebruikt voor beeldherkenning en andere toepassingen. “Het systeem gebruikt neurale representaties om inhoud en stijl van willekeurige afbeeldingen te scheiden en te combineren, waardoor een neuraal algoritme ontstaat voor het maken van artistieke afbeeldingen”, schreven de onderzoekers in hun paper. “Hier introduceren we een kunstmatig systeem op basis van een diep neuraal netwerk dat artistieke beelden van hoge perceptuele kwaliteit creëert.”
In aanvulling op mijn eerdere artikel – kunstmatige domheid – waarin uitgelegd wordt wat kunstmatige intelligentie werkelijk is, aangevuld met toepassingen in de medische wereld, gaat dit artikel in op toepassingen van kunstmatige intelligentie in andere richtingen, waarvan sommige onvoorstelbaar zijn. Ik adviseer je wel het vorige artikel eerst te lezen. Een aantal van de toepassingen is typische inzet van machine learning.
Kunstmatige intelligentie en machine learning zijn tegenwoordig op het hoogtepunt van de hype in organisaties. Hoewel deze technologieën nog steeds in opkomst zijn, leveren ze al praktische oplossingen voor echte problemen. AI en ML vragen aandacht, maar het identificeren van wat echt is en wat te futuristisch lijkt is nog steeds een grote uitdaging voor organisaties. Er blijkt vooral een gebrek aan digitaal leiderschap en voorstellingsvermogen te zijn om de eerste stappen te zetten in kunstmatige intelligentie. Voorstellingsvermogen? Reis maar eens terug in de tijd, om Vincent uit te leggen dat De Sterrennacht in een uur te maken is, terwijl je zelf in een schommelstoel zit met een wijntje naast je. Van Gogh zou zijn rechteroor afsnijden.
Denk je dat kunstmatige intelligentie en machine learning te futuristisch zijn om je zorgen over te maken? Veel technische professionals vragen zich af of de technologieën volwassen genoeg zijn om praktische voordelen te bieden. De realiteit is dat kunstmatige intelligentie en machine learning dagelijks steeds meer aanwezig is. Het levert ons al praktische voordelen op, vaak zonder dat je er bewust van bent. Voorbeelden zijn tekst voorspellingen op je smartphone, route suggesties, spraak assistenten, voice-to-text, email classificatie, suggesties onbekend nummer of automatische indeling van foto’s.
Illustraties inkleuren
Het in dezelfde stijl schilderen, zoals Picasso en Van Gogh zijn natuurlijk geinige voorbeelden van machine learning. Op een gegeven moment was het toevoegen van kleuren aan zwart-witvideo’s een van de meest tijdrovende taken in de mediaproductie. Dankzij diepgaande leermodellen en kunstmatige intelligentie is het nu eenvoudiger dan ooit om kleur toe te voegen aan zwart-witfoto’s en -video’s. Terwijl je leest, worden honderden zwart-witillustraties in gekleurde vorm nagebouwd.
Diagnoses stellen
Toen Watson, de AI supercomputer van IBM, in 2011 Jeopardy! won, lanceerde IBM een enorme campagne en voorspelde dat Watson de AI dokter zou worden. Watsons eerste commerciële aanbod voor gezondheidszorg zou binnen 18 tot 24 maanden beschikbaar zijn, beloofde het bedrijf. Deze belofte zijn ze niet nagekomen. Watson heeft de arts niet vervangen, noch een oplossing voor kanker opgeleverd. Kunstmatige Intelligentie, zoals Watson heeft het wél gemakkelijker gemaakt voor een arts om sneller tot een diagnose te komen of als klankbord voor een second opinion. Inmiddels is de technologie zover, dat je gerust een huisarts kan wantrouwen die bij de diagnose niet even in zijn systeem kijkt.
Fraudedetectie bij banken
Jouw uitgave patroon is ongetwijfeld goed te herkennen door een algoritme. Banken passen dit toe om uitgaven die wijzen op een plotselinge afwijking te herkennen als mogelijke fraude. Machine learning-algoritmen zijn nuttig bij het detecteren van frauduleuze activiteiten zoals diefstal of nep-profielen, illegale toegang en meer. Deze algoritmen leren hoe “normale” activiteit eruitziet, waardoor afwijkingen van enorme gegevenssets veel sneller kunnen worden ontdekt dan menselijke analisten kunnen om een bijna realtime reactie te geven op activiteit die moet worden onderzocht.
Planning en bezetting van schaarse mensen en middelen
Het plannen en inzetten van beperkt beschikbare bronnen of mensen, zoals in ziekenhuizen en ploegendiensten kan een ingewikkelde bezigheid zijn. Organisaties met klantenservice zien zich uitgedaagd om de doorgaans jonge studenten goed ingepland te krijgen om de klant te woord te staan. Zodra er examenperiodes zijn of roosters van studenten veranderen, is het voor de planner een schier onmogelijke taak om de planning op orde te krijgen. Kunstmatige intelligentie kan tegelijkertijd met veel meer variabelen rekening houden het de planning overnemen. Planning vindt continu plaats en het rooster wordt dynamisch aangepast. Dit scheelt tijd van kostbare planning specialisten en specialisten die ingezet worden in het rooster. Individuele roosters kunnen ingegeven worden en zelfplanning wordt mogelijk gemaakt. Dit komt ten gunste van de medewerker tevredenheid.
Veiligheidssystemen
Kunstmatige intelligentie kan noodsituaties herkennen en de bediening automatisch overnemen. Voorbeelden zijn zelf-rijdende auto’s die het remmen overnemen of bijsturen.
Duurzaamheid en efficiëntie
Machines kunnen met kunstmatige intelligentie zelf patronen herkennen, in plaats van patronen vooraf in te programmeren. Nieuwe generatie liften in gebouwen kunnen in samenhang met elkaar en met sensoren beter voorspellen waar ze naartoe gestuurd moeten worden en zoveel mogelijk personen naar hun bestemming kunnen brengen. Door het algoritme de juiste doelen, randvoorwaarden en meetwaarden mee te geven, kan de machine zelf beslissingen nemen. In de agrarische sector past men kunstmatige intelligentie toe in combinatie met speciale camera’s op drones om mest te strooien waar het werkelijk nodig is of selectief water te sproeien. Een duurzame oplossing voor ongelukken met walvissen is de akoestische detectie van bultruggen met behulp van een conventioneel neuraal netwerk.
Predictive maintenance & tekort technisch personeel
Asset-intensieve sectoren, zoals nutsbedrijven en telecom, kennen omvangrijke preventieve onderhoudsprogramma’s die veel geld kosten. Door kunstmatige intelligentie in deze programma’s toe te passen kan je voorkomen dat je apparatuur vervangt wat nog lang niet kapot is. Door de bedrijfsmiddelen uit te rusten met de juiste sensoren en machine learning, kan het bedrijfsmiddel zelf het signaal afgeven dat het (bijna) vervangen moet worden. Data-gestuurde inzichten helpen bedrijven apparatuur te bewaken, te leren van historische informatie, te anticiperen op apparatuurstoringen en deze proactief op te lossen. Bij sommige organisaties is het tekort van technisch personeel zo nijpend, dat monteurs alleen reactief ingezet kunnen worden bij een storing. Hierdoor ontstaan er meer merkbare storingen, wat ten koste gaat van de klanttevredenheid. Wanneer kunstmatige intelligentie technische specialisten gericht op pad stuurt, heeft deze niet het gevoel achter de feiten aan te lopen en zal hij met een beter gevoel zijn werk doen. Succesvol voorspellend onderhoud reduceert vervangingsmateriaal en het technisch personeelsbestand.
Netwerkoptimalisatie
Een ander belangrijk facet dat kunstmatige intelligentie helpt, is netwerkoptimalisatie. Een Self Organising Network (SON) gevoed door kunstmatige intelligentie kan netwerken helpen zich voortdurend aan te passen en opnieuw te configureren op basis van de huidige behoeften. Kunstmatige intelligentie en machine learning zijn ook nuttig bij het ontwerpen van nieuwe netwerken. Aangezien AI-compatibele netwerken zichzelf kunnen analyseren en optimaliseren, zijn ze efficiënter in het leveren van consistente service.
Beeldanalyse en labelling
Een van de grootste voordelen van diepgaand leren is de mogelijkheid om afbeeldingen te identificeren en intelligente bijschriften erbij te genereren. Het genereren van beeldbijschriften op basis van machine learning is zelfs zo nauwkeurig dat veel online publicaties al gebruik maken van dergelijke technieken om tijd en kosten te besparen.
Dienstverlening op maat
Op basis van de browse-geschiedenis kan het juiste service aanbod gegeven worden aan de klant. Goede voorbeelden zijn Netflix en Spotify die met machine learning kunnen voorspellen welke film of muziek nog meer bij je past. Een ander voorbeeld is de ordening van informatie op het intranet van een bedrijf, want de informatie kan met voorspellende modellen op maat gesneden worden op de medewerker: zijn rol, zijn locatie, zijn agenda, noem het maar. De intranet redactie wordt overbodig. Webwinkels maken ook gebruik van browse geschiedenis of klantprofielen, door je koopadviezen te geven. Dit kan op basis van gedrag van andere klanten (anderen kochten ook) of door je eigen koopgedrag te analyseren. Waar bedrijven te ver gingen met het oogsten, analyseren en doorspelen van browse-geschiedenis werd geïllustreerd door het Facebook–Cambridge Analytica schandaal, welke zelfs een aanpassing van de privacy wetgeving tot gevolg had.
Voorspellen van pasvorm
Aanbieders van kleding scannen tegenwoordig met 3D technologie en modellen en voorspellen met machine learning de pasvorm van kleding. Door dit op jouw aankopen toe te passen, inclusief welke artikelen je wel en niet retourneert, krijgt het bedrijf een exact beeld van hoe jouw lichaam is. Hiermee kan een exacter advies volgen die met de klant wordt gedeeld bij het bestellen. Voor de klant is dit fijn en voor het bedrijf van groot belang. Zeker in de fashion en voor Zalando in het bijzonder, dat een gemiddelde retourpercentage kent van zo’n vijftig procent. Om dit percentage naar beneden te krijgen, voldoet enkel waarschuwen dat een kledingstuk groter of kleiner valt niet meer. Door 3D scanning te combineren met aankopen in een machine learning algoritme kan zelfs het retourpercentage bepaald worden van die ene klant. De verkoopprijs kan aan die ene klant aangepast worden, waardoor het retourrisico bij de klant neergelegd worden.
Klantenservice
Aan dit onderwerp ga ik binnenkort een heel blog artikel wijden, dus ik houd het kort. Eerder noemde ik al kunstmatige intelligentie bij het voorspellen en inplannen van personeel voor klantenservice. Voor klantenservice zijn we in de loop der tijd gegaan van de klanten-balie, de post, call centers, emails, automatische emails en nu dus ook de digitale assistent of de chatbot. De technologie in deze vorm van kunstmatige intelligentie verbetert continu. De gepercipieerde leeftijd van de assistent stijgt ieder jaar. Werd de chatbot in 2014 nog ingeschat als 8-jarige, tegenwoordig ligt deze leeftijd al rond 15 jaar. Waar nu de meeste toepassingen nog via tekstberichten verlopen, volgen op korte termijn chatbots met spraak. Ook zie je chatbots vooral nog op de eerstelijns vragen, waarna een medewerker het overneemt. Laten we eerlijk zijn, sommige ongeïnteresseerde, kauwgom kauwende, nagels vijlende klantenservice medewerkers draaien zo opzichtig een vast script af, dat we deze het liefst zo snel mogelijk vervangen zien door een chatbot. Het is goed om te weten dat generatie Z, dat zijn dus uw toekomstige klanten, al meer waarde hechten aan een antwoord vanuit kunstmatige intelligentie dan uit menselijk contact.
Identiteit- en toegangscontrole
Met kunstmatige intelligentie kan toegang tot faciliteiten helemaal gepersonaliseerd worden op basis van profielen en gedragspatronen en combinaties van verschillende factoren. Dit kan eventueel aangevuld worden met het uitlezen van biometrische kenmerken, zoals gezichtsherkenning, iris-scan, stemgeluid etc. Dit geldt niet alleen voor toegang tot fysieke faciliteiten, maar ook voor virtuele toegang tot bedrijfsmiddelen en software. Om de voordelen hiervan, ook wel role based access genoemd, te achterhalen is het zinvol om je te verdiepen in Identity Access Management (IAM).
Losjes interpreteren
Tot voor kort luisterde automatiseren en robotiseren erg nauw, bijvoorbeeld hoe een object gepositioneerd stond om de automatische vervolgstap te doen. Met AI toepassingen kan er automatisch minder strict geïnterpreteerd worden, om de vervolgstap te zetten. Onverwachte veranderingen of gebeurtenissen kunnen evengoed meegenomen worden, zonder dat het proces stopt. Bij fabricage kan dit de kosten besparen en de doorlooptijden. Door het vermogen om te interpreteren, kan met machine learning de juiste maatregel gekozen worden, zonder met de paniekknop alles plat te leggen. Zo zijn er interessante oplossingen om het bedrijfsnetwerk te beveiligen met toepassing van kunstmatige intelligentie.
Automatische handschrift herkenning
Met deep learning hebben we het probleem opgelost om alle handschriften te herkennen. In tegenstelling tot OCR, kan met kunstmatige intelligentie ook cursieve handschriften herkennen. Dat is de geschreven taal in oude bijbels en andere manuscripten. Deep learning maakt herkenning van tekst mogelijk met een nauwkeurigheid van 99,73%. Op dit moment wordt met een sneltreinvaart teksten uit archieven over de hele wereld ingelezen en digitaal beschikbaar gemaakt.
Alles met AI. En ga zo maar door. Kunstmatige intelligentie zal steeds meer in ons leven zijn en in grote mate ons werk beïnvloeden. Om succesvol te zijn in het bedrijfsleven of bij de overheid moeten leiders eerst gaan inzien wat je met kunstmatige intelligentie kan bereiken. En met machine learning of met deep learning. Dit artikel was bedoeld om praktische voorbeelden te geven. En voor de geavanceerde analyses zijn technische professionals nodig die begrip hebben van kunstmatige intelligentie en kunnen laten zien dat met machine learning of deep learning echte problemen opgelost kunnen worden. In een eerder artikel werd uitgelegd hoe belangrijk het is om personeel te hebben die snuffelzucht toont naar digitale mogelijkheden en de vaardigheden hebben om ermee te werken. Dit geldt dus ook voor leiders binnen organisaties. Digitaal leiderschap is nodig om nieuwe initiatieven te durven starten
Tenslotte, terug naar onze Vincent. Zittend voor de iMac die we meebrachten in de tijdmachine, zal hij mogelijk gefrustreerd zijn over de snelheid waarmee zijn stijl overgenomen kan worden. Of zou hij als schilder nuchter genoeg zijn en ons vragen hoe het met de ziel en zaligheid zit van deep learning? De oude meesters konden ongetwijfeld de imperfecties in hun werken herkennen die voor ons verborgen blijven. Computers kunnen nog niet een eigen stijl ontwikkelen, alleen interpreteren en nadoen. “Tot nu toe hebben we nog nooit een meesterwerk gezien dat het werk van velen is” (citaat van Jean de la Bruyère, Frans schrijver 1645-1696).
En wil je zelf ook even aan de slag als kunstenaar?