1
00:00:00,001 --> 00:00:06,560
Hoi, leuk dat je weer luistert naar de korte aflevering van AIToday Live.
2
00:00:06,560 --> 00:00:11,800
De Nederlandse podcast over AI voor iedereen die alles wil weten over kunstmatige intelligentie.
3
00:00:11,800 --> 00:00:15,160
Ik ben je host, Joop Snerda, CTO bij Aigency.
4
00:00:15,160 --> 00:00:20,520
In deze aflevering wil ik het hebben over de valkuil van data gedreven beginnen met AI.
5
00:00:20,520 --> 00:00:23,000
Klinkt misschien maar raar, maar let op.
6
00:00:23,000 --> 00:00:28,800
Stel je voor, je koopt een dure racefiets, trekt je strakste wielrenpak aan en springt
7
00:00:28,800 --> 00:00:30,840
vol enthousiasme op het zadel.
8
00:00:30,840 --> 00:00:35,000
Je trapt wat je kunt, maar na uren zwoegen sta je nog steeds voor je huis.
9
00:00:35,000 --> 00:00:36,000
Klinkt absurd?
10
00:00:36,000 --> 00:00:40,840
Toch is dit precies hoe veel bedrijven omgaan met kunstmatige intelligentie.
11
00:00:40,840 --> 00:00:42,680
En dat is jammer.
12
00:00:42,680 --> 00:00:48,080
Want ze investeren fors in geavanceerde technologie en data, maar vergeten het belangrijkste.
13
00:00:48,080 --> 00:00:50,080
Waar willen we eigenlijk naartoe?
14
00:00:50,080 --> 00:00:55,640
In de wereld van AI heerst een hardnekkig misverstand dat alles begint met data.
15
00:00:55,640 --> 00:00:57,480
Niets is minder waar.
16
00:00:57,480 --> 00:01:02,600
De sleutel tot succesvolle AI-implementaties ligt niet in het verzamelen van zoveel mogelijk
17
00:01:02,600 --> 00:01:06,440
gegevens, maar in het formuleren van heldere bedrijfsdoelen.
18
00:01:06,440 --> 00:01:11,080
Zonder duidelijk doel voor ogen is AI als een kompas zonder naald.
19
00:01:11,080 --> 00:01:15,160
Technologisch indrukwekkend, maar volstrekt nutteloos.
20
00:01:15,160 --> 00:01:21,840
In een recente aflevering van de podcast aflevering 70, stipte ik een belangrijk
21
00:01:21,840 --> 00:01:22,840
punt aan.
22
00:01:22,840 --> 00:01:27,820
De AI-industrie verkoopt vaker fantasie, van kant-en-klare oplossingen die bedrijven
23
00:01:27,820 --> 00:01:30,300
van de een op de andere dag zouden transformeren.
24
00:01:30,300 --> 00:01:34,980
Maar laten we eerlijk zijn, niet alleen de AI-industrie draagt hier verantwoordelijkheid
25
00:01:34,980 --> 00:01:35,980
voor.
26
00:01:35,980 --> 00:01:41,380
Ook bedrijven zelf hebben de taak om kritisch te zijn en realistische verwachtingen te stellen.
27
00:01:41,380 --> 00:01:46,060
Het omzetten van AI-dromen in werkelijkheid is een gedeelde verantwoordelijkheid.
28
00:01:46,060 --> 00:01:51,340
En bedrijven moeten zelf de regie nemen over hun AI-strategie in plaats van blind te vertrouwen
29
00:01:51,340 --> 00:01:53,260
op beloftes van snelle transformatie.
30
00:01:53,260 --> 00:02:00,940
Kijk, de valkuil van datagedreven werken is als volgt.
31
00:02:00,940 --> 00:02:07,460
Veel organisaties storten zich vol overgave op het verzamelen en analyseren van data in
32
00:02:07,460 --> 00:02:10,540
de hoop dat ze vanzelf op goudmijnen stuiten.
33
00:02:10,540 --> 00:02:16,100
Ze gaan er blindelings van uit dat meer data automatisch leidt tot betere inzichten en
34
00:02:16,100 --> 00:02:23,000
slimmere beslissingen en dat met generatieve AI zoals ChatGPT data zonder meer bruikbaar
35
00:02:23,000 --> 00:02:24,000
is.
36
00:02:24,000 --> 00:02:27,700
Maar zonder context is data niet meer dan een berg enen en nullen.
37
00:02:27,700 --> 00:02:30,940
Het gevaar van deze aanpak is tweeledig.
38
00:02:30,940 --> 00:02:36,020
Ten eerste loop je het risico kostbare tijd en middelen te investeren in het ontwikkelen
39
00:02:36,020 --> 00:02:38,620
van modellen die uiteindelijk geen praktische waarde hebben.
40
00:02:38,620 --> 00:02:42,900
Je creëert als het ware een high-tech oplossing voor een niet bestaand probleem.
41
00:02:42,900 --> 00:02:48,900
Ten tweede, en wellicht nog zorgwekkender, kun je onbedoeld beslissingen nemen die op
42
00:02:48,900 --> 00:02:51,740
lange termijn schadelijk zijn voor je organisatie.
43
00:02:51,740 --> 00:02:57,900
Zonder voorafgestelde doelen is het immers onmogelijk om de impact van je AI toepassingen
44
00:02:57,900 --> 00:02:59,500
te meten of bij te sturen.
45
00:02:59,500 --> 00:03:05,580
En in plaats van te verdrinken in een oceaan van data moet de bedrijf eerst een heldere
46
00:03:05,580 --> 00:03:06,580
koers uitzetten.
47
00:03:06,580 --> 00:03:09,060
Wat wil je bereiken met AI?
48
00:03:09,060 --> 00:03:16,180
Wil je de klanttevredenheid verhogen, de productie-efficiëntie verbeteren of misschien juist nieuwe marktkansen
49
00:03:16,180 --> 00:03:17,180
identificeren?
50
00:03:17,180 --> 00:03:22,740
Door je doel scherp te definiëren kun je gericht de juiste data juist verzamelen en
51
00:03:22,740 --> 00:03:23,740
analyseren.
52
00:03:23,740 --> 00:03:29,580
Zie data meer als een landkaart en je bedrijfsdoel als de bestemming.
53
00:03:29,580 --> 00:03:35,020
Een kaart is ongetwijfeld nuttig, maar zonder bestemming blijf je doelloos rondrijden.
54
00:03:35,020 --> 00:03:40,980
AI moet niet draaien om het verzamelen van data, maar om het bereiken van concrete doelstellingen
55
00:03:40,980 --> 00:03:43,340
die waarde toevoegen aan je organisatie.
56
00:03:43,340 --> 00:03:46,740
En deze doelgerichte aanpak heeft nog een belangrijk voordeel.
57
00:03:46,740 --> 00:03:53,900
Het helpt bij het beheersen van de risico's die inherent zijn aan een AI implementatie.
58
00:03:53,900 --> 00:04:01,580
Door vooraf, ik moet anders zeggen door vanaf het begin te focussen op specifieke bedrijfsdoelen,
59
00:04:01,580 --> 00:04:07,860
kun je je AI systeem zo ontwerpen dat het deze doelen ondersteunt terwijl je tegelijkertijd
60
00:04:07,860 --> 00:04:09,820
potentiële valkuilen vermijdt.
61
00:04:09,820 --> 00:04:18,620
Want er zijn best wel heel wat valkuilen en laat ik de 5 belangrijkste en vervelendste
62
00:04:18,620 --> 00:04:20,180
opnoemen die op de loer liggen.
63
00:04:20,180 --> 00:04:23,260
En het is cruciaal om deze te herkennen en te vermijden.
64
00:04:23,260 --> 00:04:24,260
1.
65
00:04:24,260 --> 00:04:30,100
Overschatting van AI mogelijkheden Veel bedrijven zien AI als een magische
66
00:04:30,100 --> 00:04:31,940
oplossing voor al hun problemen.
67
00:04:31,940 --> 00:04:37,780
Ze overschatten wat de technologie op korte termijn kan bereiken, wat dan weer leidt tot
68
00:04:37,780 --> 00:04:39,500
teleurstellingen van speelde middelen.
69
00:04:39,500 --> 00:04:40,500
2.
70
00:04:40,500 --> 00:04:47,780
Onderschatting van de benodigde expertise AI-projecten vereisen specifieke kennis- en
71
00:04:47,780 --> 00:04:48,780
vaardigheden.
72
00:04:48,780 --> 00:04:54,860
Een onderschatting hiervan kan resulteren in halfbakken oplossingen of mislukte implementaties.
73
00:04:54,860 --> 00:04:55,860
3.
74
00:04:55,860 --> 00:04:59,140
Het verwaarlozen van datakwaliteit
75
00:04:59,140 --> 00:05:05,580
Hoewel data niet het startpunt moet zijn, is de kwaliteit ervan wel cruciaal.
76
00:05:05,580 --> 00:05:11,260
Slecht of vertekende data leidt onherroepelijk tot onbetrouwbare AI-systemen.
77
00:05:11,260 --> 00:05:12,260
4.
78
00:05:12,260 --> 00:05:22,740
Gebrek aan transparantie AI-systemen die als een blackbox functioneren,
79
00:05:22,740 --> 00:05:26,980
hoe kunnen die nou vertrouwen wekken bij medewerkers en klanten?
80
00:05:26,980 --> 00:05:32,300
Dus transparantie over hoe beslissingen tot stand komen vind ik essentieel.
81
00:05:32,300 --> 00:05:33,300
5.
82
00:05:33,300 --> 00:05:40,460
Het negeren van ethische implicaties
83
00:05:40,460 --> 00:05:46,580
AI-systemen kunnen onbedoeld vooroordelen versterken of ethische dilemma's creëren.
84
00:05:46,580 --> 00:06:03,980
Het negeren hiervan kan leiden tot reputatieschade en mogelijk juridische problemen.
85
00:06:03,980 --> 00:06:12,620
Ik denk niet dat ik hoef te vertellen dat AI ongekende mogelijkheden biedt om bedrijfsprocessen
86
00:06:12,620 --> 00:06:15,020
te optimaliseren en innovatie te stimuleren.
87
00:06:15,020 --> 00:06:18,140
Dat hebben we het constant over in deze podcast.
88
00:06:18,140 --> 00:06:23,460
Maar om deze potentie werkelijk te benutten moeten we wel afstappen van de misvatting
89
00:06:23,460 --> 00:06:25,380
dat alles begint met data.
90
00:06:25,380 --> 00:06:31,020
Start in plaats daarvan met het formuleren van heldere, meetbare bedrijfsdoelen.
91
00:06:31,020 --> 00:06:39,020
Vraag jezelf af wat we willen bereiken en hoe AI ons daarbij kan helpen.
92
00:06:39,020 --> 00:06:43,740
Door deze benadering te kiezen vermijd je niet alleen kostbare misstappen, maar creëer
93
00:06:43,740 --> 00:06:48,740
je ook een solide basis voor verantwoorden en effectieve AI-implementatie.
94
00:06:48,740 --> 00:06:55,700
Ik heb dat vaker gezegd, AI is geen doel op zich, maar wel een krachtig middel om je organisatie
95
00:06:55,700 --> 00:06:57,460
naar nieuwe hoogte te tillen.
96
00:06:57,460 --> 00:07:03,140
Dus voordat je je in het data-avontuur stort, neem een stapje terug.
97
00:07:03,140 --> 00:07:07,580
Stel jezelf de cruciale vraag waar wil je naartoe.
98
00:07:07,580 --> 00:07:11,900
Alleen dan kan AI je helpen om er ook daadwerkelijk te komen.
99
00:07:11,900 --> 00:07:18,740
Dank je wel weer voor het luisteren naar deze korte aflevering van AIToday Live.
100
00:07:18,740 --> 00:07:24,340
Wil je automatisch een seintje als er een nieuwe aflevering online komt?
101
00:07:24,340 --> 00:07:30,940
Druk dan even op volgen in je favoriete podcast-app en dan mis je geen aflevering.
102
00:07:30,940 --> 00:07:31,660
Dank je wel!
103
00:07:31,700 --> 00:07:36,700
[Muziek]
104
00:07:36,700 --> 00:07:38,700
[Muziek]
