AI in de toolbox van de moderne manager

Managers moeten rekening houden met de impact van kunstmatige intelligentie voor de toekomst van hun organisatie. Dat betekent ook dat je als gesprekspartner van datawetenschappers en machine learning-experts de kansen, potentie en risico’s van algoritmes moet kunnen beoordelen. Een introductie van Bernardo Nunes, Head of Data Science bij Growth Tribe.

Er is een groot verschil tussen een voorspelling en een herhaling. Dat klinkt logisch, maar het is het meest prominente verschil tussen hoe mensen vandaag omgaan met machines, en hoe we dit in het verleden hebben gedaan. Meestal leidde het meer intensieve gebruik van machines in productieprocessen tot technologieën die repetitief handwerk konden vervangen. Sinds enkele jaren ervaren we een nieuwe toename in productiviteit, ditmaal geleid door de zogenoemde prediction machines.

Machines ontwikkelen die mensen kunnen nadoen op het gebied van waarnemen, nadenken en communiceren, dat is één van de kernideeën in het onderzoek naar kunstmatige intelligentie sinds de jaren 50. Huidige toepassingen liggen in geautomatiseerde beslissingen, van kredietaanvragen tot zelfrijdende auto’s tot het herkennen van ziektes. Sinds vorig jaar zijn algoritmes gebaseerd op neurale netwerken beter in het detecteren van longontstekingen op basis van röntgenfoto’s dan radiologen.

Waarom gebeurt dit nu? Het is een economisch principe: data en computerkracht zijn in de afgelopen vijf jaar veel goedkoper geworden. We verzamelen steeds meer data en de rekenkracht om deze data naar inzichten te vertalen neemt exponentieel toe.

“Waarom gebeurt dit nu? Het is een economisch principe: data en computerkracht zijn in de afgelopen vijf jaar veel goedkoper geworden.”

Algoritmes en baby’s

Machines leren van data, zoals ouders een baby leren om dingen te herkennen. Ouders geven eerst een aantal voorbeelden met uitleg, zodat een baby de eigenschappen van een stuk speelgoed of een dier (kleur, vorm, karakteristieken) kan associëren met een label (kat, hond, pop). Vervolgens geven ouders nieuwe voorbeelden om te toetsen wat de baby heeft geleerd en vragen: welk dier is dit? Wat is dit voor speelgoed? Hoe meer antwoorden de baby kan raden, hoe moeilijker de voorbeelden worden.

Algoritmes leren ook van voorbeelden. Ze worden getraind om relaties te ontdekken tussen eigenschappen en een bepaalde uitkomst in historische data. Net als bij de baby wordt er gekeken naar het aantal fouten in dit proces. Dit onderzoeksgebied heet supervised learning, zoals ouders ook toezicht houden over het leerproces van een baby.

Leren zonder toezicht

Baby’s hebben in de praktijk geen duizenden voorbeelden nodig om iets te herkennen. Onderzoekers dachten dat er daarom een ander proces moest zijn dat patronen ontdekt zonder vooraf de uitkomst te weten. Mensen raden bijvoorbeeld vaak de categorie van een product door deze te vergelijken met andere producten. We kijken naar eigenschappen zoals kleur, vorm en attributen zoals leeftijd en marktwaarde om dingen uit elkaar te houden en ze zelfs te groeperen.

Hoe kunnen we machines deze vorm van intelligentie aanleren? Dit kan aan de hand van unsupervised learning, leren zonder toezicht. We gebruiken bijvoorbeeld algoritmes om klanten te groeperen op basis van hun gedragspatronen, sociaal-demografische karakteristieken en zelfs hun persoonlijkheid. Voor bedrijven is het enorm waardevol om klanten beter te begrijpen om hen gepersonaliseerde diensten te bieden.

“Voor bedrijven is het enorm waardevol om klanten beter te begrijpen om hen gepersonaliseerde diensten te bieden.”

Digitale vaardigheden

Met de opmars van prediction machines, is het de rol van een manager om in te schatten welk soort algoritme kan worden toegepast op welk bedrijfsprobleem. Zelfs al schrijft het bedrijf dit algoritme niet zelf, dan nog is het de verantwoordelijkheid van de manager om in beeld te brengen hoe het algoritme werkt, wat de implementatie kost, wat de risico’s zijn en wat het de organisatie oplevert. Enige kennis van kunstmatige intelligentie is niet alleen noodzakelijk om deze inzichten op te doen, maar ook een groot competitief voordeel. Als manager zal je dan ook tijd moeten investeren om bij te blijven en deze digital skills onder de knie te krijgen.


Bernardo Nunes is Head of Data Science bij Growth Tribe, ‘Europe’s First Growth Hacking Academy’. Met een team van datawetenschappers trainde Growth Tribe al meer dan 8500 professionals voor klanten waaronder ING, Transavia, Catawiki, TomTom, Booking.com en IBM. Met een gemiddelde beoordeling van 9,3 staan de trainers van Growth Tribe bekend om hun expertise op het gebied van AI, gedragspsychologie, growth hacking, blockchain, UX, data en data experimenten, én om de laagdrempelige manier waarop ze deelnemers tot data-expert transformeren.


In aanloop naar de masterclass ‘AI voor managers’, deelt NRC Live opiniestukken van docenten. Kijk hier voor meer informatie en deelname.

Blijf op de hoogte!

Blijf op de hoogte!

Wil je op de hoogte blijven van toekomstige NRC Live events? Schrijf je dan in voor onze nieuwsbrief!

Suggesties voor een spreker?

Suggesties voor een spreker?

Ken jij iemand die goed zou kunnen spreken op een van onze events? Stel dan een spreker aan ons voor!