Welke verkoop kunnen we het komende kwartaal verwachten? Wanneer loop je het risico dat klanten overstappen en hoe kun je ze behouden? Hoe weet je welke onderdelen in een machine je moet vervangen vóórdat ze het productieproces stilleggen? Voorspellende AI kan helpen bij deze en allerlei andere vraagstukken, ook in het mkb.
Verschil tussen generatieve en voorspellende AI
Wat kun je met voorspellende AI?
Waarschuwingen bij voorspellende AI
Tools en advies
Wie AI zegt, zegt op dit moment bijna in één adem ChatGPT. De laatste jaren staan AI-toepassingen die teksten, afbeeldingen of code genereren enorm in de belangstelling. Die tools laten het nut van generatieve AI zien op alle mogelijke terreinen. Maar dit is niet het enige type AI dat de wereld verandert. Voorspellende AI (predictive AI) mag dan op dit moment even wat minder in de belangstelling staan dan generatieve AI, het wordt al langer met succes toegepast.
Verschil tussen generatieve en voorspellende AI
Generatieve AI creëert tekst, programmeercode, video, muziek en andere originele content door te leren van bestaande datapatronen. Het wordt vooral gebruikt als hulpmiddel bij creatieve processen en kan helpen bij het oplossen van problemen. Voorspellende AI gebruikt patronen in historische data en komt zo tot verwachtingen en aanbevelingen. Het is vooral behulpzaam bij het nemen van beslissingen of het formuleren van een strategie. Voorspellende AI heeft vooral gestructureerde data als bron nodig, terwijl generatieve AI nieuwe content creëert op basis van de ongestructureerde data waarmee het is getraind.
De twee vormen van AI kunnen elkaar prima aanvullen zoals dataspecialisten en copywriters of vormgevers dat doen. Generatieve AI kan bijvoorbeeld worden gebruikt als hulpmiddel om de kenmerken van een nieuw product te ontwikkelen, voorspellende AI kan de vraag van consumenten naar die producten voorspellen.
Wat kun je met voorspellende AI?
Voorspellende AI kun je dus zien als de slimme data-analist die gestructureerde data gebruikt om te helpen bij het nemen van beslissingen. Het kan onder meer op de volgende terreinen worden gebruikt:
- De financiële wereld. Op basis van de geschiedenis kan voorspellende AI beurskoersen en trends in de markt analyseren, waardoor beleggers beter beredeneerde beslissingen kunnen nemen. Banken gebruiken het om het kredietrisico te beoordelen wanneer klanten een lening willen afsluiten en om verdachte transacties op te sporen door patronen van frauduleus gedrag te herkennen.
- Marketing. Met patronen in historische data is het mogelijk om te anticiperen op het koopgedrag van klanten en om aanbevelingen te doen voor geschikte producten. De retail gebruikt AI voor dynamic pricing, het realtime aanpassen van prijzen op basis van voorspellingen van vraag en aanbod en de prijzen van concurrenten. Ook is AI te gebruiken om te voorspellen welke klanten mogelijk vertrekken (churn-preventie) en de juiste maatregelen te nemen om ze te behouden, zoals persoonlijke aanbiedingen.
- Transport en logistiek. Voorspellende AI wordt gebruikt om de meest efficiënte routes voor vrachtwagens en bezorgdiensten te plannen, waarbij rekening wordt gehouden met verkeer en weersomstandigheden. Machinefabrikanten, spoorwegbedrijven en luchtvaartmaatschappijen kunnen voorspellen wanneer onderhoud aan machines, voertuigen en infrastructuur nodig is. Zo kan het onderhoud al plaatsvinden voordat een onderdeel stuk gaat en wordt de uitval tot een minimum beperkt.
- De gezondheidszorg. Voorspellende AI kan helpen bij het voorspellen van uitbraken van infectieziekten door gegevens zoals symptomen en reisgeschiedenis te analyseren. In ziekenhuizen wordt AI gebruikt om te voorspellen welke patiënten een hoog risico lopen op complicaties, waardoor artsen proactieve maatregelen kunnen nemen. Farmaceutische bedrijven gebruiken AI om potentiële medicijnen te voorspellen en te analyseren op basis van genetische gegevens en moleculaire structuren.
Waarschuwingen bij voorspellende AI
Voorspellende AI verandert de manier waarop we data analyseren op een radicale manier. Het is daarbij goed om te beseffen dat het verstandig is om kritisch te blijven op het gebruik van data en patronen bij het voorspellen. In de eerste plaats kunnen de data een bias bevatten, die door het gebruik ervan alleen maar wordt versterkt. Daardoor kan het gebeuren dat bepaalde groepen mensen ten onrechte benadeeld worden, bijvoorbeeld bij het toekennen van een lening.
Als marketeer kun je hierdoor een groep potentiële kopers over het hoofd zien. Daarnaast is er het risico dat mensen de voorspellingen verkeerd interpreteren of overschatten. Dat kan leiden tot verkeerde beslissingen. Denk aan de verwarring tussen correlatie en causaliteit: wanneer er een correlatie in de gegevens is, hoeft dat niet te betekenen dat er een causaal verband is, wat tot verkeerde beslissingen kan leiden. En dan is er nog de privacy van gebruikers die in gevaar kan komen als grote hoeveelheden gegevens worden gebruikt voor het trainen van voorspellende modellen.
Data governance, ofwel zorgen dat het fundament van de data op orde is, is dan ook essentieel om voorspellende AI op een goede manier toe te passen. Daarbij gaat het om vragen als: van wie is de data, zijn de data valide, worden ze op een ethisch verantwoorde manier gebruikt.
Tools en advies
Msp’s die kennis hebben van de tools en platformen op het gebied van voorspellende AI, kunnen hun toegevoegde waarde makkelijk bewijzen. Zij kunnen hun klanten adviseren bij het kiezen van en inrichten van de tools. Er zijn verschillende tools en platformen die specifiek gericht zijn op het gebruik van voorspellende AI voor het mkb. De grote cloudproviders Microsoft (Azure Machine Learning), Amazon (SageMaker) en Google (Cloud AutoML) bieden diensten om aangepaste machine learning-modellen te maken zonder dat al te diepgaande technische kennis nodig is.
