Hoe AI de bedrijfsproductiviteit kan verbeteren

Foto van Richard van Hooijdonk
Richard van Hooijdonk
  • De verschillende soorten AI op een rijtje
  • De voordelen van AI
  • Wat kan AI voor bedrijven betekenen?
  •  Interessante cijfers en feiten over AI in het bedrijfsleven

Allerlei dingen die inmiddels heel gewoon zijn, zoals het bekijken van Netflix-suggesties of zeggen, ‘Hé Google, zoek mijn favoriete radiozender’, zijn mogelijk dankzij kunstmatige intelligentie. Om precies te zijn: deep learning algoritmen. Dankzij deze technologie hebben we nu ook gezichtsherkenningstech (om de identiteit van mensen te verifiëren), kunnen personen op Facebook-foto’s automatisch getagd worden, kan nieuws aangepast worden aan de voorkeuren van de lezer of aan sociale, geografische of economische parameters, en kan zelfs nepnieuws of  nieuws dat een vertekend beeld geeft en bijvoorbeeld racistisch van aard is, opgespoord worden. Het potentieel van de technologie reikt echter veel verder dan deze dagelijkse toepassingen. Denk aan nauwkeurige voorspellingen van aardbevingen, het componeren van muziek, zelfrijdende auto’s, het genereren van synthetische spraak en video, en het real-time vertalen van gesprekken met anderstaligen. Ook het bedrijfsleven heeft veel baat bij de toepassing van deep learning-technologie.

De verschillende soorten AI op een rijtje

In het bedrijfsleven kan AI op talloze manieren worden toegepast. Sterker nog, AI zorgt nu al voor een verregaande transformatie van vrijwel alle bedrijfsprocessen in alle sectoren. Bedrijven voelen dan ook steeds meer de noodzaak de technologie te omarmen om de concurrentie voor te kunnen blijven. Amir Husain, oprichter en CEO van SparkCognition, een bedrijf dat in machine learning is gespecialiseerd, vertelt: “Kunstmatige intelligentie is als het ware een nieuwe generatie software. Het is een vorm van software die zelf beslissingen neemt, die zelfs kan handelen in situaties die niet door de programmeurs zijn voorzien. Kunstmatige intelligentie heeft een grotere speelruimte in het nemen van beslissingen dan traditionele software.”

Kunstmatige intelligentie is een breed begrip. Het omvat elk type computersoftware dat menselijke activiteiten verricht – zoals plannen, probleemoplossing en leren. De twee soorten kunstmatige intelligentie die in het bedrijfsleven het meest voorkomen, zijn machine learning en, meer specifiek, deep learning. AI, machine learning en deep learning worden gemakkelijk met elkaar verward en vaak door elkaar gebruikt. Kort gezegd is AI de technologie die een computer in staat stelt mensachtige intelligentie na te bootsen. Machine learning is een van de belangrijkste vormen van AI die bedrijven op dit moment gebruiken. Het is een onderdeel van AI, en zorgt ervoor dat computers op basis van de gegevens waarmee ze getraind zijn, snel dingen kunnen uitpuzzelen. Machine learning-algoritmen blijken in de loop van de tijd te leren. Deep learning, een specifiekere deeldiscipline van machine learning, maakt gebruik van gelaagde neurale netwerken en zorgt ervoor dat computers nog geavanceerdere problemen kunnen oplossen door een groot aantal factoren gelijktijdig te analyseren. Waar machine learning algoritmen vaak niet verder komen zodra een bepaalde limiet voor het vastleggen van gegevens is bereikt, blijven deep learning algoritmen zich verbeteren en blijven ze ‘zelfstandig’ leren naarmate ze meer gegevens aangeleverd krijgen, waardoor ze nauwkeuriger en schaalbaarder zijn.

Voordelen van kunstmatige intelligentie

Steeds meer bedrijven maken gebruik van AI-technologie om de productiviteit en bedrijfsefficiëntie te verhogen, sneller bedrijfseconomische beslissingen te kunnen nemen, de operationele kosten te verlagen, fouten en menselijke vergissingen te voorkomen, de klantervaring te verbeteren, de expertise te vergroten en de omzet te verhogen.

Verbeterde efficiëntie

Een van de grootste voordelen van AI-systemen is dat ze ons in staat stellen efficiënter te werken. AI kan eindeloos doorgaan, worden ingezet om veel grotere, complexere taken uit te voeren en wordt niet gehinderd door menselijke beperkingen. Verzekeringsmaatschappijen gebruiken kunstmatige intelligentie bijvoorbeeld om veel grotere hoeveelheden claims sneller te verwerken dan mensen dat zouden kunnen, waardoor er tijd voor andere, belangrijkere taken vrijkomt.

Diepere gegevensanalyse

Moderne bedrijven zwemmen in de gegevens, maar er alles uithalen wat erin zit kan een tijdrovende en kostbare aangelegenheid zijn. Kunstmatige intelligentie kan enorme hoeveelheden gegevens razendsnel verwerken en analyseren, snel relevante informatie vinden, trends signaleren, beslissingen nemen, en aanbevelingen doen op basis van historische gegevens.

Minder fouten

AI-systemen zijn geprogrammeerd om de klok rond te blijven werken en bieden oplossingen waarmee het aantal fouten wordt teruggedrongen. Zo worden dankzij machine learning-functies, zoals geautomatiseerde codering, alle gegevens gestroomlijnd zonder dat ze handmatig hoeven te worden ingevoerd, waardoor de kans op (menselijke) fouten afneemt.

Minder risico

AI wordt steeds vaker ingezet om de bedrijfsprestaties te verbeteren en betere beslissingen te nemen. En omdat risico’s over het algemeen betrekking hebben op meerduidige en onwaarschijnlijke gebeurtenissen en situaties, is risicobeheer bij uitstek gebaat bij cognitive computingtoepassingen.

Wat kan AI voor bedrijven betekenen?

Kunstmatige intelligentie wordt over het algemeen eerder als een ondersteunend hulpmiddel gezien dan een vervanging voor de menselijke intelligentie en vindingrijkheid. AI – en specifiek machine learning en deep learning – kan enorme hoeveelheden gegevens verwerken en analyseren, en doet dit veel sneller en efficiënter dan mensen dat kunnen. De technologie is daardoor voor bedrijven van alle soorten en maten en in allerlei sectoren van grote waarde. Een van de belangrijkste sterke punten van deep learning is dat het de kwaliteit en snelheid van prognoses kan verbeteren en de kosten ervan kan terugdringen. En tijds- en geldbesparingen leiden tot hogere opbrengsten. Organisaties kunnen met AI grote datasets omzetten in waardevolle informatie die kan worden meegenomen in de dagelijkse bedrijfsbeslissingen of kan worden gebruikt om snel en efficiënt op veranderingen in de markt te reageren. AI-technologie speelt ook een belangrijke rol op het gebied van fraudeopsporing, productontwikkeling, en bedrijfsmanagement. Ook wordt het steeds meer gebruikt voor het monitoren van de productiviteit van werknemers, en bij (product- of diensten-)aanbevelingen en hyperpersonalisatie. Hier volgen enkele interessante voorbeelden van hoe deep learning de productiviteit van bedrijven in verschillende sectoren kan verhogen.

AI in bedrijfsmanagement

Slimme transformatie van je bedrijf

Bedrijfsmanagement op basis van deep learning wordt al in verschillende sectoren toegepast. Een voorbeeld van AI-bedrijfsmanagement is KPMG’s Intelligent Forecasting via het KPMG Ignite-platform, dat klanten helpt hun bedrijf met behulp van natuurlijke taalverwerking, machine learning en deep learning digitaal te transformeren. Het platform helpt bedrijfsleiders planningsprocessen te ontwikkelen op basis van geavanceerde analysemethoden en voorspellende modellering. Ook automatiseert het beslissingen en processen die tot kostenoptimalisatie, risicobeheer en groei leiden. De technologie geeft inzicht in wat de bedrijfswaarde het meest aandrijft. Het verbetert bovendien de nauwkeurigheid van prognoses en budgettering, signaleert en verwijdert vertekening (‘bias’) in voorspellingen, helpt nieuwe kansen en risico’s te ontdekken, koppelt bepaalde beslissingen aan winstgevendheid, en stelt datagestuurde financiële doelen. John Lee, Ignite-uitvinder bij KPMG US, vertelt: “Organisaties moeten analyseren hoe ze effectief door ontwrichtingen kunnen navigeren en hoe ze zich kunnen voorbereiden op verschillende onvoorziene gebeurtenissen. Dat kunnen ze het beste doen door gebruik te maken van sterkere prognoses en modellering – op basis van AI-gedreven analyse.”

AI in HRM

Verhoog het welzijn, de betrokkenheid en de productiviteit van werknemers

Als deep learning-technologie wordt ingezet om allerlei routinematige en onaantrekkelijke taken over te nemen, kan dat het welzijn van werknemers aanzienlijk verhogen, de operationele kosten verlagen en de output en productiviteit verbeteren. Een voorbeeld is Drishti Technologies, een startup in Silicon Valley en Bengaluru, waar op elk werkstation op de fabrieksvloer een camera met computervisie is geïnstalleerd om de bewegingen van de werknemers te volgen en vast te leggen hoeveel tijd iemand nodig heeft om een taak te voltooien. De videobeelden worden doorgestuurd naar de deep learning-software van het bedrijf, die zelfs kan worden gebruikt om waarschuwingen naar de werknemer te sturen als er sneller moet worden gewerkt om de efficiëntie te verbeteren en problemen te voorkomen of op te lossen.

Een ander voorbeeld van een bedrijf dat deep learning-technologie gebruikt om de efficiëntie en productiviteit te verbeteren is het Britse bedrijf Status Today. Het bedrijf ontwikkelde Isaak, een tool waarin de nieuwste bevindingen op het gebied van arbeids- en organisatiepsychologie zijn verwerkt. Isaak biedt realtime inzicht in werknemersbetrokkenheid en -welzijn, en in hoe de samenwerking tussen werknemers verloopt – met name welke werknemers meer samenwerken dan andere. De verzamelde gegevens worden met informatie uit de personeelsdossiers gecombineerd om te bepalen welke mensen ‘changemakers’ zijn, en dus actief het verschil maken. Maar het wordt nog interessanter, want Isaak monitort niet alleen interacties tussen werknemers, maar beoordeelt ook externe relaties, herkent real-time communicatietrends, registreert gemiddelde responstijden, detecteert samenwerkingspatronen, en identificeert welke teamleden het meest invloedrijk, kritisch, of waardevol zijn. Het systeem kan ook zien wie thuis veel overuren maakt en bij wie de inbox overvol is, wat kan leiden tot concentratieverlies, verminderde productiviteit en uiteindelijk tot overbelasting of burn-out bij de werknemer.

“AI gaat een enorme impact hebben op performance management omdat we hiermee informatie kunnen correleren en inzichten kunnen creëren die voorheen niet mogelijk waren, om zo de best mogelijke beslissingen te kunnen nemen.”

Sven Arnauts, Delaware BeLux

AI in financial management

Betere analyses en hulp bij fraudepreventie

De sector financiële planning en analyse (FP&A) maakt steeds meer gebruik van AI-gestuurde technologische innovatie. Bedrijven zetten in toenemende mate AI-oplossingen in om real-time besluitvorming te optimaliseren, financiële analyses te verbeteren, nauwkeurige prognoses te maken, de aanjagers van groei te doorgronden, en hun ROI te verbeteren. Met AI kunnen patronen worden herkend, cashflows worden geanalyseerd en voorspellingen worden gedaan, en dat maakt AI nuttig voor een groot aantal toepassingen. Op het gebied van FP&A is voorspellende analyse een van de meest indrukwekkende ‘vaardigheden’ van AI. Hiermee kunnen projectkosten voorspeld worden, financiële adviestools worden aangestuurd, en omzetprognoses worden gemaakt. Deep learning-technologie biedt actiegerichte input, bijvoorbeeld om een bedrijf te helpen een stappenplan te ontwikkelen om het van het huidige bedrijfsscenario naar de realisatie van de doelstellingen te leiden. Een AI-gestuurd Corporate Performance Management (CPM)-platform kan een waardevol instrument zijn waarmee bedrijven hun plannings- en rapportageactiviteiten kunnen decentraliseren en waarmee ze ‘what-if-scenario’s’ kunnen creëren om potentiële toekomstige problemen te voorspellen. Bedrijven kunnen er de operationele en financiële planning mee standaardiseren, op maat gemaakte rapportagetools ontwikkelen, bedrijfsresultaten managen en verbeteren, organisatiestrategieën verbeteren, en budgetten voor de personeelsinzet opstellen. Sven Arnauts, Adviseur Strategy & AI bij Delaware BeLux, een bedrijf dat ICT-gerelateerde oplossingen en diensten levert, zegt: “AI gaat een enorme impact hebben op performance management omdat we hiermee informatie kunnen correleren en inzichten kunnen genereren die voorheen niet mogelijk waren. Hiermee kunnen we de best mogelijke beslissingen nemen.”

Een ander veelbelovend gebied waar deep learning van grote waarde kan zijn – en waar het al wordt gebruikt – is fraudedetectie en -preventie, een markt die volgens Bloomberg tegen 2028 wereldwijd meer dan $75 miljoen waard zal zijn. Bedrijven die gevoelige gegevens verzamelen en gebruiken, zoals verzekeringsmaatschappijen, traditionele banken en fintech-bedrijven, zijn afhankelijk van geavanceerde fraude-identificatiesystemen, en deep learning speelt een belangrijke rol in het voorspellen van frauduleuze activiteiten. Deep learning-algoritmen kunnen patronen in transacties en andere processen detecteren en beslissen of deze legitiem of frauduleus zijn. En deze detectie-algoritmen zijn veel sneller en efficiënter dan mensen. Ook kunnen deep learning-algoritmen ogenschijnlijk ongerelateerde patronen spotten of patronen die door mensen niet herkend worden. De algoritmen worden getraind met enorme hoeveelheden gegevens en een grote verscheidenheid aan frauduleuze praktijken om elk type frauduleus patroon te leren herkennen en voor altijd te onthouden.

AI in marketing & communicatie

Personalisatie, personalisatie, personalisatie

Personalisatie kan organisaties helpen grote winsten te boeken. Zo slaagt de Amerikaanse streamingdienst en entertainmentproducent Netflix er dankzij de toepassing van deep learning-technologie in om elk jaar maar liefst $1 miljard binnen te harken. De technologie analyseert het gedrag van gebruikers om hun volgende handelingen te voorspellen, en voorspelt zelfs het juiste moment voor een aanbeveling. Veel andere bedrijven in marketing, entertainment en e-commerce hebben ontdekt dat ze hun klanten met deep learning aanbevelingen en hypergepersonaliseerde ervaringen kunnen bieden, wat enorm gunstig is gebleken voor hun omzet. Klanten gaan liever met bedrijven in zee die gepersonaliseerde ervaringen bieden of hyperrelevante advertenties laten zien. Gepersonaliseerde aanbevelingen en ervaringen zorgen zelfs voor een omzetstijging van gemiddeld 20 procent. Hoe relevanter de content en het aanbod van een bedrijf, des te minder klanten hoeven te scrollen door informatie of producten waarin ze niet geïnteresseerd zijn.

De toepassing van deep learning kan bedrijven nóg een belangrijke voorsprong geven, namelijk de nauwkeurige identificatie van hun doelmarkten. De analyses en statistieken die AI-tools genereren, kunnen bedrijven waardevolle inzichten bieden in de demografie van hun doelgroepen, zoals locatie, leeftijd en geslacht, maar ook in de koopgewoonten. AI – en in het bijzonder deep learning-technologie – kan door middel van chatbots bovendien gesprekken voeren met klanten en zorg ook voor de automatische vertaling van websitecontent en de bijschriften van afbeeldingen.

Volgens Pini Yakuel, oprichter en CEO van Optimove, provider van de Science-First Relationship Marketing Hub, “kan AI merken helpen persoonlijker met hun klanten te communiceren. Marketeers kunnen de kracht van AI benutten om microgesegmenteerde klantprofielen te creëren en met elke klant op basis van zijn of haar specifieke voorkeuren en via het kanaal van zijn of haar voorkeur te communiceren. Dat is een baanbrekende innovatie waarmee merken zich kunnen onderscheiden, want de koplopers op het gebied van klantervaring weten hoe je machine learning kunt inzetten om communicatie te vermenselijken en tot betere personalisatie te komen.”

Deep learning kan ook worden gebruikt om klanten te segmenteren op basis van de fase van het koopproces waarin zij zich bevinden, zodat bedrijven effectiever met hen kunnen communiceren. Door het gebruik van waardemodellen kan ook worden voorspeld hoeveel een bepaalde klant het bedrijf in de toekomst zal opleveren. Tony Holbrook, directeur Global Marketing & Commerce Development bij Ingram Micro Commerce & Lifecycle Services, vertelt: “Technologie maakt het mogelijk de bewegingen van websitebezoekers te volgen, de tijd die zij op bepaalde delen van je website doorbrengen bij te houden en waardevolle data te verzamelen. Door te begrijpen hoe zij informatie consumeren en wat hen interesseert, kun je informatie strategisch positioneren en je marketing specifieker op de gebruiker richten. Denk bijvoorbeeld aan hoe Amazon en Facebook werken – je interesses worden naar je teruggekaatst via productadvertenties die zijn gebaseerd op je gebruikersgegevens.”

“In de komende vijf jaar zullen kunstmatige intelligentie en simulatietechnologie de grootste bijdrage gaan leveren aan productontwerp en -ontwikkeling.”

Peerless Research Group

AI in productontwikkeling

Sneller betere producten maken

De wijdverbreide toepassing van embedded computersystemen en sensortechnologie is beter bekend als het Internet of Things (IoT). De integratie van deze technologie in machines en componenten leidt tot een toenemende behoefte aan analytische tools die alle gegenereerde gegevens kunnen verwerken en daarmee betere systeemprestaties mogelijk maken. Kunstmatige intelligentie en machine learning in het bijzonder blijken hierbij steeds waardevoller, vooral voor productontwikkeling. Fabrikanten maken dan ook steeds vaker gebruik van AI-technologieën. Niet alleen voor geavanceerde analyses van grote hoeveelheden productiegegevens, maar ook voor het verbeteren van systeemprestaties en om  geautomatiseerde besluitvorming te optimaliseren. Door machine learning toe te passen op gegevens die tijdens het technische ontwerpproces worden gegenereerd, kunnen bedrijven sneller betere producten vervaardigen. Uit onderzoek van Capgemini blijkt dat 51 procent van de Europese fabrikanten AI-oplossingen gebruikt voor het ontwikkelen en maken van producten. Japan (30 procent) en de VS (28 procent) volgen op de tweede en derde plaats. En volgens recent onderzoek van de Peerless Research Group – waar meer dan 300 ingenieurs, productontwerpers, onderzoekers en andere professionals uit sectoren als de auto-industrie, de lucht- en ruimtevaart en industrial machinery aan deelnamen – zullen kunstmatige intelligentie en simulatietechnologie de komende vijf jaar de grootste bijdrage leveren aan het ontwerp en de ontwikkeling van producten.

Interessante cijfers en feiten over deep learning in het bedrijfsleven

  • De financiële dienstverleningssector investeert fors in deep learning-technologie voor geautomatiseerde handel, risicobeperking, fraudedetectie en het geven van ‘roboadvies’ aan klanten over beleggingszaken. Uit een rapport van de Economist Intelligence Unit (EIU) blijkt dat 86 procent van de financiële dienstverleners van plan is om tegen 2025 meer in AI te investeren.

(Bron: WEF)

  • De markt voor deep learning-technologieën zal tegen 2023 naar schatting een waarde van $18,6 miljard vertegenwoordigen, met een van de hoogste jaarlijkse groeipercentages.

(Bron: Medium)

  • Ongeveer 91% van de besluitvormers zegt succes te boeken met AI-programma’s en noemen kostenbesparingen (45%) en een grotere nauwkeurigheid (44%) als de voornaamste positieve resultaten. De grootste uitdagingen bij het implementeren van AI zijn budgettaire beperkingen (45%), de negatieve houding van medewerkers ten opzichte van de veranderingen (40%) en het onvermogen om oplossingen op te schalen (40%). Kenniswerkers (42%) noemen ook het gebrek aan inzicht van management over de taken die zij geacht worden uit te voeren.

(Bron: Venturebeat)

  • Dankzij deep learning hoeven werknemers minder uren te werken, zijn ze meer gefocust en productiever en ervaren ze een gezondere werk-privébalans. Dat dit belangrijk is blijkt uit het feit dat 71% van de respondenten in een enquête heeft aangegeven dat hun werk hun privéleven negatief beïnvloedt.

(Bron: FactorialHR)

  • Harvard Business Review schat dat 40% van alle potentiële waarde die door data-analyse wordt gecreëerd voortvloeit uit deep learning. Gartner verwacht dat virtuele assistenten (chatbots) die door neurale netwerken worden aangedreven alleen al $1,2 biljoen aan bedrijfswaarde zullen genereren.

Een laatste overweging

Deep learning, het snelst groeiende onderdeel binnen AI, zorgt voor een aanzienlijke transformatie in alle sectoren en blijft grenzen verleggen door de analyse van nóg meer gegevens mogelijk te maken. Dit levert voor bedrijven nog uiterst waardevolle inzichten en nog nauwkeurigere resultaten op. We hebben in dit artikel besproken hoe deep learning de productiviteit kan verbeteren en enkele interessante voorbeelden genoemd, maar de waaier aan potentiële toepassingen voor deze technologie is natuurlijk veel en veel breder, en reikt verder dan we ons nu kunnen voorstellen. Eén ding is echter zeker: deep learning-algoritmen kunnen enorme hoeveelheden informatie verwerken en leveren ongelooflijk gedetailleerde analyses, uiterst waardevolle inzichten en actiegerichte voorspellingen op. Daardoor kan data zo effectief mogelijk worden benut, kunnen patronen steeds sneller en met steeds grotere nauwkeurigheid worden gespot, gemonitord en geanalyseerd, en kan de productiviteit van bedrijven naar een hoger niveau worden getild.

Share via
Copy link