Als bedrijf is het moeilijk om je niet te laten verleiden door alle beloften van AI. Als je alle hype gelooft, kan het elk onderdeel van het bedrijf transformeren, nieuwe klanten vinden en converteren, nieuwe producten ontwerpen, je fabriek of je software beheren, en over het algemeen alles doen behalve je ’s ochtends koffie brengen (en je neemt aan daar zijn ze nu mee bezig).
Dit is een prachtige fantasie en zeer verleidelijk om te geloven. Maar hoe waar is het? Met alle hype zou je in de verleiding kunnen komen om volledig op de kar te springen en alles te geloven, of de andere kant op te gaan en alles wat je hoort af te wijzen als een grove overdrijving. De waarheid moet ergens in het midden liggen, maar hoe vinden we die? En als we dat eenmaal gedaan hebben, hoe kunnen we dat inzicht dan omzetten in iets nuttigs voor ons bedrijf? Laten we erin duiken en bespreken hoe AI in het bedrijf wordt gebruikt, en in het bijzonder hoe aangepast een AI-model moet zijn voordat een bedrijf de waarde ervan kan zien. We zullen een deel van de hype rond AI wegnemen en tegelijkertijd laten zien op welke gebieden AI een bedrijf vandaag de dag echt kan transformeren. We zullen ook kijken naar de rol van goede data, en de uitdaging om deze te vinden/opschonen/verifiëren voor AI-modellen, een industrie die snel groeit in de Web3-ruimte met platforms als Synesis Eén werken aan het benutten van de kenmerken van blockchain om AI te verifiëren en gebruikers te belonen.
De belofte
Er wordt gezegd dat AI veel verschillende problemen oplost. Voor niet-ingewijden zijn sommige van deze problemen misschien niet te onderscheiden van magie, wat erg spannend is, maar even nutteloos als je een bedrijf bent dat AI-investeringen overweegt. Gelukkig is AI eigenlijk niet zo ingewikkeld als je zou denken, omdat het eigenlijk maar drie belangrijke problemen oplost. Ten eerste kan AI dat classificeren dingen. Denk aan een kwaliteitscontrolealgoritme dat u vertelt of een onderdeel dat van de assemblagelijn komt een defect vertoont of niet. Dit kan worden uitgebreid tot allerlei soorten afwijkingendetectie, sorteermogelijkheden en ander niet-conventioneel gebruik waarbij een algoritme nodig is om iets te analyseren (bijvoorbeeld foto’s, spreadsheetgegevens) en vervolgens te bepalen in welke bucket het thuishoort. Vervolgens kan AI voorspellen. Bij voorspellend onderhoud kunnen veel verschillende sensoren in een machine worden gebruikt om te voorspellen wanneer deze uitvalt of onderhoud nodig heeft. Als de gegevens beschikbaar zijn, kan het zeer nauwkeurige voorspellingen opleveren. Het kan voorspellen waar een robot de volgende keer moet bewegen om een specifiek doel te bereiken. Eindelijk kan AI dat optimaliseren. Het kan ingewikkelde problemen met veel verschillende beperkingen oplossen op een manier die eenvoudigweg te moeilijk is voor een mens om te verwezenlijken. We gebruiken het voor GPS, het organiseren van onze fabrieken en vele andere toepassingen die een ideale oplossing nodig hebben, gegeven één doel en veel verschillende beperkingen.
Het komt erop neer dat AI echt werkt. Het kan de hierboven geschetste problemen en talloze andere absoluut oplossen. Sterker nog: AI wordt elke dag beter. Er worden nieuwe innovaties ontwikkeld, de computerverwerking verbetert en er worden meer algemene gebruiksscenario’s ontdekt. Aan de ene kant is AI zoveel ongelofelijker dan we het toegeven, en het transformeert de wereld op manieren die we niet eens volledig kunnen bevatten.
De realiteit
Dat gezegd hebbende, zijn er kosten verbonden aan deze resultaten: data. AI is volkomen nutteloos zonder de juiste data om een AI-model te trainen. Met de komst van Large Language Models (LLM’s) zoals ChatGPT zijn de onjuiste percepties van AI nog schever geworden. We kunnen in de verleiding komen om te geloven dat AI almachtig is en alle vragen die we stellen kan beantwoorden, en omdat ChatGPT voor iedereen beschikbaar is, kunnen we het met onze eigen ogen zien. Er zijn echter twee grote zwakke punten die misschien niet voor de hand liggen. Ten eerste is ChatGPT geweldig in sommige dingen, zoals het schrijven van een paper over klimaatverandering, of het voorstellen van tien locaties om te bezoeken in Boedapest; maar het is niet goed in veel andere dingen, zoals het geven van een bepaald antwoord op wiskundige problemen of het geven van volledig betrouwbare informatie. Voor een bedrijf is dit niveau van onzekerheid niet acceptabel. Ten tweede is ChatGPT gemaakt met behulp van biljoenen van datapunten om algemene vragen te beantwoorden. Als je een nauwkeurig AI-model wilt trainen, heb je veel minder nodig, maar je moet wel precies weten welke gegevens je moet gebruiken, en deze moeten worden gevalideerd om effectief te zijn. Met andere woorden: u moet weten welk probleem u oplost, welk AI-model u gaat gebruiken en welke geverifieerde gegevens daarvoor nodig zijn. Het probleem is dat het verzamelen van deze gegevens moeilijk is, en afhankelijk van een aantal factoren kan de hoeveelheid gegevens soms aanzienlijk zijn. Het AI-model hierboven dat afwijkingen aan de lopende band identificeerde? Er zouden waarschijnlijk heel veel verschillende voorbeelden van items op de assemblagelijn nodig zijn, met verschillende lichthoeken, oriëntaties en andere variaties, zodat het model deze variaties kan opvangen. Daarbinnen is een voldoende aantal monsters nodig die items van goede kwaliteit laten zien, en monsters die items met afwijkingen tonen. Alleen dan kan het model leren hoe een anomalie eruit ziet. En voor de meeste AI-modellen moeten al deze gegevens worden gelabeld (bijvoorbeeld ‘geen anomalie’ versus ‘anomalie’). Dit is de grootste last voor bedrijven, omdat ze vaak niet over de expertise of inzichten beschikken die nodig zijn om al deze informatie nauwkeurig te verwerken, en de enorme hoeveelheid werk die ermee gemoeid is, kan aanzienlijk zijn. Blockchain heeft een uniek vermogen getoond om dit probleem te helpen oplossen, waarbij platforms zoals de hierboven genoemde Synesis de unieke elementen van blockchain specifiek inzetten om AI-trainingsgegevens te valideren. Door gebruik te maken van decentralisatie, onveranderlijkheid en beloningen voor werk kan het platform enorme datasets opbouwen door een enorme populatie van bijdragers over de hele wereld te belonen. Vanwege de aard ervan is er niet veel voor nodig om iemand te trainen in het valideren van een bepaalde dataset. Het leerproces gaat snel en met voldoende mensen kan de dataset worden gevalideerd, gelabeld (antwoorden bijgevoegd bij elke afbeelding of datapunt) en beschikbaar gesteld aan het bedrijf dat deze nodig heeft. Het is een fascinerend bedrijfsmodel, waar het komende jaar waarschijnlijk een hele industrie uit zal groeien.
Veel kleine tot middelgrote bedrijven werken aan het bouwen van eigen AI-modellen die worden aangedreven door hun eigen gegevens. Het trainen van een model is echter niet zo eenvoudig als het inpluggen van onbewerkte gegevens. De grootste uitdaging waarmee ze worden geconfronteerd, is hun gebrek aan interne datawetenschappers en middelen om de… pic.twitter.com/97gQ4JQ8Qb
— Synesis Eén (@synesis_one) 17 november 2024
Gebruik maken van AI
Nu u de hype van AI en de realiteit ervan begrijpt, kunt u een beter idee krijgen van welke problemen het voor uw bedrijf kan oplossen. De sleutel is om deze classificatie-, voorspellings- en optimalisatieproblemen te identificeren en vervolgens te beginnen met het verzamelen van de gegevens die nodig zijn om de modellen te trainen. Het werken met een datavalidatieplatform als Synesis zal van cruciaal belang zijn voor veel bedrijven die het niet zelf kunnen doen, maar een kosteneffectieve oplossing nodig hebben. Maar als u dat eenmaal gedaan heeft, kan uw bedrijf een boost krijgen met AI op een manier die nog maar een paar jaar geleden nog sciencefiction was.
Uitgelichte afbeeldingscredits: Google DeepMind/Unsplash
