De 5 pijnpunten van AI

AI, de toekomst voor uw bedrijf. Maar wilt u oogsten, dan zult u eerst deze knelpunten van AI moeten oplossen.

AI, kunstmatige intelligentie, heeft een enorme impact op bijna iedere sector. In de reisindustrie is AI verantwoordelijk voor zo’n 11,6 procent van de omzet. In de hightech-sector ligt dat percentage rond de 10,2%. En dat zal alleen maar groeien. Sterker nog: 'AI is allang geen keuze meer', zei wereldwijde AI-expert Inmaculada Martinez onlangs op CHRO.nl.

Maar er hangen nog grote obstakels aan de inzet van AI. Wie het echt voor zich wil laten werken, zal deze pijnpunten van AI eerst moeten overwinnen, zo schrijft McKinsey Quarterly, het kwartaalblad van consultancybedrijf McKinsey. Zo moet een bedrijf al een gevorderde speler zijn in de wereld van data analytics. Dit komt omdat AI haar waarde voornamelijk toevoegt door de prestaties van bestaande analytische technieken te verbeteren.

Om goed te presteren op het gebied van data analytics is het van belang dat uw organisatie de juiste acties uitvoert. Hierbij gaat het onder andere om het goed definiëren van rollen en de juiste mensen aannemen om deze te vervullen.


AI wordt steeds interessanter voor investeerders, de potentiële waarde die het kan toevoegen groei mee met de technologieën die zich aan het ontwikkelen zijn. Tot nu toe gebruikt echter maar 20% van de AI-bewuste bedrijven een van deze technologieën in haar kernprocessen of op grotere schaal. 

Zo haalt u het maximale uit AI

Maar er zijn meerdere pijnpunten die overwonnen moeten worden, wil uw organisatie of afdeling het maximale uit AI halen. Dit gaat om bepaalde data-vereisten, maar ook om de volgende vijf beperkingen: 

Labelen van trainingsdata
De eerste uitdaging zit hem in het labelen van trainingsdata. Dit moet vaak handmatig doorgevoerd worden en is noodzakelijk voor AI om te kunnen leren onder toezicht. Veelbelovende nieuwe technieken worden ontwikkeld om deze uitdaging te overwinnen, zoals het reinforcement learning en in-stream supervision waarin data gelabeld kunnen worden op basis van het natuurlijke gebruik. 

Enorme datasets nodig
Een tweede obstakel is de moeilijkheidsgraad van het verzamelen van datasets die groot en uitgebreid genoeg zijn om gebruik te kunnen worden voor training. Voor veel bedrijven kan het lastig zijn om deze enorme datasets to creëren of te verkrijgen. Er is bijvoorbeeld te weinig data over plastische chirurgie waardoor het lastig is de uitkomsten van dit soort behandelingen accuraat te voorspellen. 

Lees ook: AI: De mogelijkheden voor HR

Besluiten nemen
Hier gaat het om het verklaren van grote en complexe modellen in menselijke termen; waarom kiest de techniek nu voor een bepaalde beslissing? En hoe is dit besluit tot stand gekomen? Productspecificaties in de gezondheidszorg, auto-industrie en ruimtevaart kunnen een obstakel vormen. Mensen willen vaak regels en criteria die makkelijk te begrijpen zijn. 

Vergelijkbare gevallen
Een vierde probleem is de mate waarin je kunt generaliseren. AI-modellen hebben nog steeds moeite met het omzetten van ervaringen van de ene set van gevallen naar een andere set. Dit betekent dat bedrijven hun resources moeten inzetten om nieuwe modellen te trainen ondanks dat ze vergelijkbaar zijn met eerdere gevallen. 'Transfer learning', waarin een AI model wordt geleerd om een bepaalde taak te volbrengen en dat dan ook op een gelijkwaardige maar onafhankelijke taak toe te passen, is een veelbelovende oplossing voor dit probleem.

Bevooroordeelde algoritmen
De laatste betreft de mate van vooroordelen in data en algoritmen. Dit gaat meer over zaken die meer sociaal georiënteerd zijn en die bredere vraagstukken moeten oplossen. Er kunnen namelijk ongewenste vooroordelen ontstaan als de trainingsdata niet representatief is voor de grotere populatie waarop een AI model van toepassing is. Gezichtsherkenningsmoddelen die getraind zijn op een populatie van mensen met een bepaalde gezichtsstructuur, kunnen moeite krijgen als deze gebruikt gaan worden bij populaties met een meer divers bestand aan gezichtsstructuren. In sommige gevallen kan de 'patroonherkenning' zelfs seksistisch of racistisch worden: een kinderziekte die nog uit de weg moet worden geruimd..

Gerelateerde artikelen