Simon Koolstra (Rewire): 'Begin zo snel mogelijk aan experimenteren met AI'

De mogelijkheden van AI nemen snel toe. Wat vind jij momenteel echt interessant?

„Kunstmatige intelligentie betekent voor mij het door computers laten uitvoeren van intelligente taken. Wat we hierbij als 'intelligent' beschouwen verandert voortdurend. Ooit werd schaken gezien als een intelligente taak die computers niet op hoog niveau konden uitvoeren.''

„Tot Deep Blue in 1996 opeens Kasparov versloeg. Dat was toen wereldnieuws. Tegenwoordig is Deep Blue een relatief eenvoudige schaakcomputer en praten we over heel andere vormen van intelligentie. De definitie van AI verschuift zo snel als de technologie evolueert.''

„Drie jaar geleden maakten Large Language Models een nieuwe generatie chatbots mogelijk, die je echt leek te 'begrijpen'. Nu ook verschillende soorten computersystemen met elkaar kunnen praten ontstaan veel spannende nieuwe mogelijkheden. Het verkennen en samenvoegen van die mogelijkheden is momenteel zeer interessant.''

Hoe speel jij vanuit jouw rol als Principal Advanced Analytics in op die nieuwe mogelijkheden?

„Veel AI-systemen bestaan 'onder de motorkap' uit verschillende stukjes intelligentie. Die werken nauw samen om complexe taken uit te kunnen voeren. Een van onze uitdagingen is om precies te begrijpen wat het zakelijke doel is van onze klanten, en welke stukjes intelligentie we nodig hebben om dat doel te bereiken.''

„Vanuit dat begrip kunnen we een systeem samenstellen dat alle benodigde intelligentie naadloos samenbrengt. We bouwen dus als het ware een brug tussen de technologische mogelijkheden en de zakelijke vereisten. Juist in die vertaling tussen de verschillende disciplines gaat het vaak fout, en onderscheiden wij ons van veel andere AI-partijen.''

Lees ook: AI verandert het speelveld: de tijd van lineair denken is voorbij

Je hebt dan altijd ook data nodig. Is de beschikbaarheid van kwalitatieve data vaak een bottleneck?

„Veel klanten werken met IT-systemen die al zeker twintig jaar bestaan. Vanuit de huidige databehoefte zou je zo'n systeem nu waarschijnlijk heel anders inrichten. Daar moet je dus mee leren werken. Een in mijn ogen veel grotere bottleneck zit bij bedrijven die zeggen: Wij gaan niets met AI doen tot we onze data-infrastructuur perfect op orde hebben.''

„Na een dure en tijdrovende migratie komen ze er dan vaak achter dat hun nieuwe IT-infrastructuur alweer verouderd is. Beter kun je accepteren dat je die 'perfecte' dataverwerking waarschijnlijk nooit honderd procent op orde krijgt. In vrijwel alle gevallen kun je beter direct beginnen met experimenteren.''

„Selecteer een belangrijk proces waar je snel verschil kunt maken. Zorg dat je binnen zes tot twaalf maanden een basisoplossing of Minimum Viable Product klaar hebt voor gebruik. Van daaruit kun je op basis van je nieuwe kennis en resultaten altijd iteratief doorwerken aan een beter resultaat.''

Lees ook: Moeten junior developers vrezen voor hun baan in het AI-tijdperk? GitHub-CEO Thomas Dohmke denkt van niet

Op werkgebied liggen in jouw ervaring veel kansrijke zakelijke toepassingen?

„Wij werken op dit moment veel met AI Agents die in staat zijn om veel verschillende soorten eigen data samen te brengen en daar waardevolle inzichten uit te destilleren. We gebruiken daar onder meer zogenaamde knowledge graphs voor.''

„Knowledge graphs zijn geavanceerde databases die een AI-model in staat stellen om héél snel verbanden te zien tussen verschillende stukjes informatie. Het inrichten van zo'n hoogwaardige database is een vak apart. Je moet vooraf bijvoorbeeld heel goed nadenken over de informatie die je toevoegt en de relaties die je wilt vinden.''

„Het is ook een echte kunst om te zorgen dat je alle bestaande systemen kan koppelen, en dat je alle relevante stukjes informatie binnen die structuur kunt inpassen. Ook hier moeten hoogwaardige technologische kennis en scherp zakelijk inzicht daarom naadloos samenkomen voor een optimaal resultaat.''

Lees ook: Mick Costigan (Salesforce) voorspelt toekomst vol AI agents: 'Bring Your Own Agent-scenario's'

Heb je een concreet voorbeeld van een AI-oplossing die jullie op deze manier hebben ontwikkeld?

„Een van onze internationaal opererende klanten worstelde met een herkenbare marketinguitdaging: ze wilden de impact van hun inspanningen op al hun marketingkanalen beter leren begrijpen. Wat levert al die communicatie op tv, socials, print en bij events eigenlijk op, en hoe beïnvloeden de verschillende kanalen, touchpoints en campagnes elkaar?''

„Elke nationale afdeling had zijn eigen processen, datasystemen en manier van werken. In plaats van deze eerst allemaal te integreren, hebben we een idee op papier gezet dat voor iedereen kon werken. We zijn daarna direct aan de slag gegaan in de regio met de beste uitgangspositie.''

„We ontwikkelden hiervoor onder meer een algoritme dat op basis van uitzendtijden redelijk accuraat kon inschatten welke klanten waarschijnlijk een winkel of website bezochten na het zien van een tv-commercial. Op soortgelijke wijze kunnen we ook kijken naar de impact van een Facebook-advertentie of andere digitale impressie.''

„Natuurlijk rapporteert Facebook zelf ook over aantallen conversies, maar dat is vaak een overschatting. Ons systeem gebruikt die rapportages, maar corrigeert de bias. Het resultaat: een tool die scherp zicht geeft op de prestaties van al die losse marketinginspanningen. Die levert nu een grote bijdrage aan de beslissing over hoe de volgende campagne eruit moet zien.''

Lees ook: AI en menselijke eigenschappen: de mythe van het empathische algoritme

Hoe groot is de kans dat AI-systemen dit soort strategische beslissingen autonoom gaan nemen?

„Je ziet nu al hoe AI Agents steeds complexere informatie kunnen verwerken en onthouden. Hun vermogen om zelfstandig te redeneren en autonome beslissingen te nemen neemt ook snel toe. Deze agents evalueren de consequenties van hun beslissingen, en houden daar in de toekomst rekening mee.''

„Dit zorgt voor een nieuwe uitdaging. Organisaties moeten goed nadenken over de bewegingsvrijheid die ze deze systemen willen geven. Welke taken mogen ze zelfstandig uitvoeren? Stop je bijvoorbeeld bij het aanbieden van persoonlijke productsuggesties, of mag een AI Agent ook een persoonlijke korting of andere deals aanbieden?''

„Op dit moment zie je dat er vaak nog een 'Human in the Loop' is die doorlopend een vinger aan de pols kan houden. In de toekomst gaan organisaties steeds vaker kaders en richtlijnen formuleren voor autonoom werkende systemen. Een of meerdere 'Humans Outside the Loop' monitoren op een hoger niveau of het systeem goed functioneert, en passen de instructies eventueel aan. Dit maakt het werken met AI-systemen veel schaalbaarder, maar vereist ook hele duidelijke afspraken.''

Wie is er verantwoordelijk voor het maken en nakomen van die afspraken?

„Dat is inderdaad een heel belangrijke vraag. Het antwoord wil je samen formuleren, als gehele organisatie: dit vinden wij acceptabel gebruik van AI, en dit doen we als dat verkeerd gaat. Om dat goed te kunnen doen is het belangrijk dat iedereen een goed basisbegrip heeft van deze technologie.''

„In een ideale situatie neemt de organisatie al zijn medewerkers volledig mee in de nieuwe mogelijkheden, en de aanpassingen die hiervoor nodig zijn. Wij zien vooral veel meerwaarde ontstaan bij organisaties die er in slagen hun vertrouwde manier van werken op een volledig nieuwe manier in te richten - te 'rewiren'.''

„Dat is ook waarom wij niet alleen de strategie uitstippelen met onze klanten, maar juist ook heel veel tijd besteden aan het vertalen van die strategie naar de nieuwe manier van werken. Het gebruik van AI blijft zo niet beperkt tot een slim nieuw kunstje, maar wordt een integraal onderdeel van de nieuwe organisatie.''

Lees ook: Trainen en bouwen: dit is voor bedrijven dé strategie voor AI-succes

Ontvang elke week het beste van BusinessWise in je mailbox. Schrijf je hier nu gratis in: