AI: Van hype naar toepassing

Aan de berichtgeving over de opmars van AI is niet te ontkomen. Nieuwe – nóg slimmere en nóg handigere tools – volgen elkaar in rap tempo op. Organisaties voelen de druk om ‘iets’ met AI te doen. Maar wat is ‘iets’? Hoe zet je AI slim in en help je je bedrijf concreet vooruit? Volgens Jan Baljan, docent aan de opleiding Applied Data Science & AI ligt precies daar de uitdaging. “Veel bedrijven zeggen dat ze AI willen inzetten, maar als je doorvraagt, willen ze vooral iets doen met hun data.”

Jan begint met het temperen van de verwachtingen. “AI is geen denkende technologie. AI-modellen redeneren niet. Wat ze wel doen is correlaties leggen tussen woorden of data. Generatieve AI, zoals bijvoorbeeld ChatGPT, is dus niets meer dan een voorspellingsmodel dat teksten genereert die lijken op kennis, maar in feite een imitatie zijn van taalpatronen.” “AI-modellen zijn niet rationeel,” benadrukt de docent. “Ze voorspellen wat waarschijnlijk het beste antwoord is. Wat ze produceren kan erg overtuigend zijn, maar tegelijk onjuist of misleidend.” Het is dan ook zijn overtuiging dat menselijke controle noodzakelijk blijft – niet alleen om fouten te voorkomen, maar ook om bewuste keuzes te maken over hoe en wanneer je AI inzet.

Chatbots versus klassieke AI

Sinds de lancering van ChatGPT eind 2022 bepaalt generatieve AI het beeld van kunstmatige intelligentie, stelt hij vast. “Het gaat nu vooral over chatbots en AI-agents, terwijl deze slechts een klein deel van AI uitmaken. Klassieke AI wordt daarentegen al decennia ontwikkeld en toegepast.” Voorbeelden zijn navigatie, spamfilters in e-mail, aanbevelingssystemen (zoals bij Netflix) en voorspellend onderhoud.

Er zijn duidelijke verschillen tussen deze benaderingen. Klassieke AI – ook wel ‘rule-based’ AI – maakt gebruik van vooraf gedefinieerde regels en logica om problemen op te lossen. Daarnaast zijn er datagedreven technieken, zoals machine learning, die patronen leren uit data. Binnen die categorie bestaan zowel transparante modellen, zoals beslisbomen en regressiemodellen, als complexere neurale netwerken, waarop ook generatieve AI is gebaseerd. Juist die transparante modellen sluiten vaak goed aan bij de vragen van organisaties, omdat de uitkomsten stabieler en beter uitlegbaar zijn. Zeker in omgevingen waar beslissingen grote impact hebben – zoals in de zorg of bij processturing – is die uitlegbaarheid essentieel. Bovendien zijn deze toepassingen vaak minder complex, vragen ze minder data en kunnen ze binnen de eigen organisatie worden toegepast, wat ook vanuit privacy- en securityperspectief voordelen biedt.

Patronen herkennen zonder nieuwe inhoud te genereren

De afstudeeropdracht van Eva Wittkatis bij sociale onderneming Tolkie laat zien hoe effectief AI in de praktijk kan zijn. “Tolkie streeft ernaar tekst toegankelijk te maken voor laaggeletterden”, vertelt Eva. “Ik heb een applicatie ontwikkeld waarmee mensen die moeite hebben met lezen ingewikkelde teksten, zoals een brief van een instantie of gemeente, toch kunnen begrijpen.” Dat werkt eenvoudig: gebruikers uploaden een foto van de brief, waarna de applicatie de tekst automatisch omzet naar digitale tekst. Vervolgens kunnen zij ervoor kiezen om de tekst te laten voorlezen, versimpelen of woorden laten uitleggen. Deze toepassing is een goed voorbeeld van wat je ‘klassieke AI’ kunt noemen: technologie die patronen herkent en bestaande informatie omzet, zonder zelf nieuwe inhoud te genereren.

Eva ziet AI vooral als een hulpmiddel. “Ik gebruik het best veel, maar je moet zelf blijven nadenken en controleren. Anders zie je fouten gewoon niet meer.” Dat AI tijdens haar opleiding nog amper een rol speelde, ziet ze achteraf als een voordeel. “Daardoor heb ik echt geleerd hoe dingen werken. Nu kan ik beter beoordelen of iets klopt of niet.”

Van data naar inzicht

Jan ziet het voordeel van AI voor mkb-bedrijven vooral in datagedreven toepassingen. “Denk aan klantdata: welke producten kopen klanten, wanneer en waarom? Door patronen te herkennen, kun je gerichter aanbiedingen doen of beter inspelen op behoeften.” Een ander voorbeeld is het gebruik van machinedata om te voorspellen wanneer onderhoud nodig is (predictive maintenance). “Dat voorkomt storingen en bespaart kosten.” Volgens Jan is het een misvatting dat één type AI alle problemen kan oplossen. Welke techniek geschikt is, hangt af van het vraagstuk, de beschikbare data en de context waarin een organisatie opereert.

Zuyd Professional

Op deze vragen speelt Zuyd Professional in met een cursussen voor werkenden die AI willen toepassen in hun eigen praktijk. Zo richt de cursus Machine Learning for Predictive Maintenance zich op het gebruik van data om onderhoudsprocessen te optimaliseren. Daarnaast is er aandacht voor de verantwoorde inzet van AI binnen organisaties. In de cursus Prompt Engineering for Sustainable Organizations staat centraal hoe je AI op een bewuste en duurzame manier inzet: hoe ga je om met privacy en security, welke afwegingen maak je en welke rol kan AI spelen in de bredere ontwikkeling van een organisatie?

Jan: “Het goede nieuws: bedrijven hebben vaak al veel data in huis. Door daar op een slimme manier gebruik van te maken, is winst te behalen. Het begint allemaal met het stellen van de juiste vragen: over welke data beschik ik en hoe kan ik daar met behulp van AI het slimste gebruik van maken.”