Hoe ga je aan de slag met AI in je bedrijf zonder dat het je een fortuin kost?

De V-Entrepreneurs alumni community van ondernemers was te gast bij Orsi Academy, een pionier op het vlak van medische innovatie en robotchirurgie. Onze alumni luisterden er naar voorbeelden uit de praktijk en kregen tips van Philippe Baecke, professor Digital Marketing & Big Data Analytics aan Vlerick Business School. Hij is ervan overtuigd dat dat investeren in AI ook voor kleinere ondernemers een haalbare kaart is die veel toegevoegde waarde kan creëren voor je bedrijf.

Het verschil tussen AI, machine learning en deep learning

De term artificiële intelligentie werd reeds in de jaren ’60 gelanceerd door de Amerikaanse informaticus John McCarthy. Hij omschreef het als de ontwikkeling van systemen die in staat zijn om menselijk gedrag na te bootsen. Aanvankelijk ging het vooral over rule-based AI. Vertrekkend van de beschikbare data zet je bepaalde menselijke gedragingen zo goed mogelijk om in regels die je vervolgens manueel programmeert om zo bepaalde zaken te gaan automatiseren. Denk aan een schaakprogramma of een robot die een Rubiks kubus oplost. Een toepassing in de bedrijfswereld is Robotic Process Automation (RPA). Deze technologie laat toe om bepaalde repetitieve taken via software te programmeren als opeenvolgende instructies, waardoor je simpele processen kan automatiseren.

Op vandaag is het mogelijk om veel geavanceerdere AI-modellen te ontwikkelen door onderliggende systemen slim met elkaar te koppelen. Een absolute voorwaarde om de stap naar machine learning (ML) te zetten, is dat je beschikt over voldoende historische bedrijfsdata (CRM, ERP,…) om het ML-model te kunnen trainen. Zo’n model detecteert automatisch de relatie tussen de inputdata en de gewenste outputdata, en het is de machine – en niet de mens – die op basis daarvan regels ontwikkelt. Die regels kan je daarna toepassen op nieuwe input om zo voorspellingen te gaan doen en bedrijfsbeslissingen te nemen.

Mogelijk toepassingen:

• Immoweb ontwikkelde een tool om op basis van historische data inzake verkoopprijzen, regio en karakteristieken van je huis een automatische schatting te maken.
• Predictive policing laat toe om op basis van regiodata voorspellingen te doen over waar een bepaald type criminaliteit zou plaatsvinden en zo politieagenten optimaler in te zetten.
• Netflix werkt aan een model om fraude – meer bepaald het delen van accounts met mensen buiten je gezin – te kunnen detecteren via AI-tracking
• Verzekeringsmaatschappijen ontwikkelen modellen die de kans op een ongeval kunnen voorspellen op basis van sensorgestuurde data inzake rijgedrag, locatie, etc. Deze voorspellingen kunnen mee de premie bepalen.

Deep learning gaat nog een stap verder. Net zoals een menselijk brein regels ontwikkelt via de connectie tussen neuronen combineert een deep learning algoritme inputdata om nieuwe data te ontwikkelen, die opnieuw gecombineerd wordt tot voorspellingen. Aanvankelijk legt het model willekeurige connecties die leiden tot willekeurige voorspellingen, maar via mathematische technieken kan je fouten terugkoppelen, connecties trainen en het model zelf laten leren. Net zoals baby’s of kinderen stap per stap leren.

Mogelijke toepassingen:

• In een medische context kunnen geannoteerde foto’s van radiologen wereldwijd als input gebruikt worden voor de ontwikkeling van een tool die jonge radiologen kan helpen bij hun diagnose.
• Via geannoteerde foto’s van merklogo’s helpt GumGum marketeers de visibiliteit van een logo tijdens events en sportwedstrijden te meten en zo de waarde van een sponsorcontract te bepalen.
• Okay test een kassaloze winkel uit waar gekochte producten automatisch herkend en afgerekend worden.

Hoe ga je als ondernemer aan de slag met AI?

Ook zonder grote budgetten kan je als start-up of KMO al veel zelf realiseren en waarde creëren voor je bedrijf. Er zijn 2 mogelijke pistes.

1/ Kant-en-klare oplossingen

Het bouwen van een model is de duurste component. Heel wat cloud providers als Salesforce, Microsoft, Google of Amazon Web Services hebben modellen in de aanbieding die reeds getraind zijn. Je moet ze alleen nog via een API connecteren en je kan onmiddellijk voorspellingen gaan maken, zonder dat er bijkomende codering nodig is.

• De Einstein-component in Salesforce laat bv. toe om een food image model te gebruiken op basis van beelden van je eigen producten.
• SkyBiometry is een tool voor gezichtsherkenning en -detectie die voor opgeladen foto’s een file met gegevens produceert.

Het grootste nadeel is de beperkte flexibiliteit. Je moet het doen met het model dat er is en de voorspellingen die beschikbaar zijn. Maar het is een goede manier om uit te zoeken of er waarde in een bepaald model zit voordat je zelf modellen gaat trainen op basis van eigen data en voor bedrijfsspecifieke uitdagingen.

2/ AI-platformen

Platformen gaan een stapje verder. Ze laten je toe om relatief makkelijk en zonder een achtergrond in datawetenschappen eerste modellen te ontwikkelen. Je kan eigen data invoeren, annotaties toevoegen en modellen met een hoge graad van accuraatheid creëren. Een goed voorbeeld van zo’n platform is Chatlayer dat AI-gestuurde virtuele assistenten ontwikkelt die bedrijven toelaten om te interageren zonder dat de klant het gevoel krijgt met een chatbot te praten. Een ander voorbeeld is Robovision dat AI-applicaties ontwikkelt voor landbouw, gezondheidszorg en productie die je als klant zelf kan blijven voeden en aanpassen. Of je kan je ook aansluiten bij een ecosysteem als dat van Sirris, dat bedrijven helpt bij het maken van technologische keuzes.