Dit is de reden waarom AI de meeste bedrijven nog moet hervormen

Concepttekening van parfumflesje en AI-netwerk Derek Brahney

De kunst van het maken van parfums en eau de cologne is niet veel veranderd sinds de jaren 1880, toen synthetische ingrediënten werden gebruikt. Deskundige geurmakers sleutelen aan combinaties van chemicaliën in de hoop boeiende nieuwe geuren te produceren. Dus Achim Daub, een executive bij een van 's werelds grootste makers van geuren, Symrise, vroeg zich af wat er zou gebeuren als hij kunstmatige intelligentie in het proces zou injecteren. Zou een machine aantrekkelijke formules voorstellen die een mens misschien niet zou proberen?

Daub huurde IBM in om een ​​computersysteem te ontwerpen dat enorme hoeveelheden informatie zou doorgronden - de formules van bestaande geuren, consumentengegevens, regelgevende informatie, enzovoort - en vervolgens nieuwe formuleringen voor bepaalde markten zou voorstellen. Het systeem heet Philyra, naar de Griekse godin van de geur. Afgezien van de suggestieve naam, kan het niets ruiken, dus het kan menselijke parfumeurs niet vervangen. Maar het geeft hen een voorsprong bij het creëren van iets nieuws.

Dit verhaal maakte deel uit van ons nummer van maart 2019

• Zie de rest van het nummer
• Abonneren

Daub is tevreden met de voortgang tot nu toe. In juni zullen daar twee geuren voor jonge klanten in Brazilië in de verkoop gaan. Slechts een paar van de 70 geurontwerpers van het bedrijf hebben het systeem gebruikt, maar Daub verwacht het uiteindelijk voor allemaal uit te rollen.

Hij wijst er echter voorzichtig op dat het bijna twee jaar duurde om zo ver te komen - en er waren investeringen nodig die nog een tijdje zullen duren om terug te verdienen. Philyra's eerste suggesties waren verschrikkelijk: het bleef shampoorecepten suggereren. Het heeft tenslotte naar verkoopgegevens gekeken en shampoo verkoopt veel beter dan parfum en eau de cologne. Om het op de rails te krijgen, was veel training nodig van de parfumeurs van Symrise. Bovendien worstelt het bedrijf nog steeds met kostbare IT-upgrades die nodig waren om gegevens van verschillende systemen voor het bijhouden van gegevens in Philyra te pompen, terwijl een deel van de informatie voor de parfumeurs zelf vertrouwelijk bleef. Het is een soort steile leercurve, zegt Daub. We zijn nog lang niet in de buurt van het feit dat AI stevig en volledig is ingebed in ons bedrijfssysteem.

De parfumindustrie is niet de enige die machine learning toepast zonder snelle veranderingen te zien. Ondanks wat je misschien hoort over AI die de wereld overspoelt, zeggen mensen in een breed scala van industrieën dat de technologie lastig te implementeren is. Het kan kostbaar zijn. En de initiële uitbetaling is vaak bescheiden.

Het is één ding om doorbraken in kunstmatige intelligentie te zien die de grootmeesters van Go kunnen overtreffen, of zelfs om apparaten te hebben die muziek op jouw commando aanzetten. Het is iets anders om AI te gebruiken om meer te doen dan incrementele veranderingen in bedrijven die niet inherent digitaal zijn.

Dit betekent niet dat AI overhyped is. Maar algoritmen zijn een klein onderdeel van wat er echt toe doet bij het hervormen van hoe zaken worden gedaan.

AI kan uiteindelijk de economie transformeren - door nieuwe producten en nieuwe bedrijfsmodellen mogelijk te maken, door dingen te voorspellen die mensen niet hadden kunnen voorzien, en door werknemers te ontlasten van sleur. Maar dat kan langer duren dan gehoopt of gevreesd, afhankelijk van waar je zit. De meeste bedrijven halen niet substantieel meer output uit de uren die hun werknemers erin steken. Dergelijke productiviteitswinsten zijn het grootst bij de grootste en rijkste bedrijven, die het zich kunnen veroorloven veel geld uit te geven aan de talent- en technologie-infrastructuur die nodig is om AI goed te laten werken.

Dit betekent niet noodzakelijk dat AI overhyped is. Alleen als het gaat om het hervormen van de manier waarop zaken worden gedaan, zijn algoritmen voor patroonherkenning een klein onderdeel van wat er toe doet. Veel belangrijker zijn organisatorische elementen die van de IT-afdeling naar de frontlinies van een bedrijf stromen. Vrijwel iedereen moet afgestemd zijn op hoe AI werkt en waar de blinde vlekken zijn, vooral de mensen van wie wordt verwacht dat ze zijn oordeel vertrouwen. Dit alles vereist niet alleen geld, maar ook geduld, nauwgezetheid en andere typisch menselijke vaardigheden die maar al te vaak schaars zijn.

Op zoek naar eenhoorns

Afgelopen september tweette een datawetenschapper genaamd Peter Skomoroch: Als vuistregel kun je verwachten dat de overgang van je onderneming naar machine learning ongeveer 100x moeilijker zal zijn dan je overgang naar mobiel. Het klonk als een grap, maar Skomoroch maakte geen grapje. Verschillende mensen vertelden hem dat ze opgelucht waren te horen dat hun bedrijven niet alleen stonden in hun strijd. Ik denk dat er veel pijn is - opgeblazen verwachtingen, zegt Skomoroch, die CEO is van SkipFlag, een bedrijf dat zegt dat het de interne communicatie van een bedrijf kan veranderen in een kennisbank voor werknemers. AI en machine learning worden gezien als magisch feeënstof.

Een van de grootste obstakels is om ongelijksoortige registratiesystemen met elkaar te laten praten. Dat is een probleem dat Richard Zane is tegengekomen als Chief Innovation Officer bij UC Health, een netwerk van ziekenhuizen en medische klinieken in Colorado, Wyoming en Nebraska. Het heeft onlangs een conversatiesoftware-agent uitgerold, Livi genaamd, die natuurlijke taaltechnologie van een startup genaamd Avaamo gebruikt om patiënten te helpen die UC Health bellen of de website gebruiken. Livi geeft ze de opdracht om hun recepten te vernieuwen, boeken en bevestigt hun afspraken, en toont hen informatie over hun toestand.

Zane is blij dat het personeel van UC Health nu Livi routinematige vragen afhandelt, meer tijd kan besteden aan het helpen van patiënten met gecompliceerde problemen. Maar hij erkent dat deze virtuele assistent weinig doet van wat AI uiteindelijk in zijn organisatie zou kunnen doen. Het is slechts het topje van de ijsberg, of wat de positieve versie daarvan ook is, zegt Zane. Het duurde anderhalf jaar om Livi in ​​gebruik te nemen, grotendeels vanwege de IT-hoofdpijn die gepaard ging met het koppelen van de software aan medische patiëntendossiers, verzekeringsfactuurgegevens en andere ziekenhuissystemen.

Vergelijkbare opstellingen bederven ook andere industrieën. Sommige grote retailers slaan bijvoorbeeld supply chain-records en consumententransacties op in afzonderlijke systemen, die geen van beide zijn verbonden met bredere dataopslagplaatsen. Als bedrijven niet stoppen en verbindingen leggen tussen dergelijke systemen, zal machine learning op slechts een deel van hun gegevens werken. Dat verklaart waarom de meest voorkomende toepassingen van AI tot nu toe waren er bedrijfsprocessen die in silo's waren maar niettemin overvloedige gegevens bevatten, zoals computerbeveiliging of fraudedetectie bij banken.

Zelfs als een bedrijf gegevens uit vele bronnen laat stromen, vergt het veel experimenten en toezicht om er zeker van te zijn dat de informatie nauwkeurig en zinvol is. Wanneer Genpact, een IT-servicebedrijf, bedrijven helpt bij het lanceren van wat zij beschouwen als AI-projecten, is 10% van het werk AI, zegt Sanjay Srivastava, de chief digital officer. Negentig procent van het werk bestaat eigenlijk uit data-extractie, opschonen, normaliseren, gekibbel.

Die stappen kunnen er naadloos uitzien voor Google, Netflix, Amazon of Facebook. Maar die bedrijven zijn er om digitale gegevens vast te leggen en te gebruiken. Ze zijn ook luxueus bemand met PhD's in datawetenschap, informatica en aanverwante gebieden. Dat is anders dan de basis van de meeste grote ondernemingen, zegt Skomoroch.

Inderdaad, kleinere bedrijven vereisen vaak dat werknemers zich verdiepen in verschillende technische domeinen, zegt Anna Drummond, een datawetenschapper bij Sanchez Oil and Gas, een energiebedrijf gevestigd in Houston. Sanchez is onlangs begonnen met het in realtime streamen en analyseren van productiegegevens van putten. Het bouwde de mogelijkheid niet helemaal opnieuw op: het kocht de software van een bedrijf genaamd MapR. Maar Drummond en haar collega's moesten er nog steeds voor zorgen dat de gegevens uit het veld in formaten waren die een computer kon ontleden. Het team van Drummond raakte ook betrokken bij het ontwerpen van de software die informatie naar de schermen van technici zou sturen. Mensen die bedreven zijn in al die dingen zijn niet gemakkelijk te vinden, zegt ze. Het is eigenlijk net eenhoorns. Dat vertraagt ​​de acceptatie van AI of machine learning.

Fluor, een enorm ingenieursbureau, werkte ongeveer vier jaar samen met IBM aan de ontwikkeling van een kunstmatige-intelligentiesysteem om enorme bouwprojecten te monitoren die miljarden dollars kunnen kosten en waarbij duizenden werknemers betrokken zijn. Het systeem inhaleert zowel numerieke als natuurlijke taalgegevens en waarschuwt de projectmanagers van Fluor voor problemen die later vertragingen of kostenoverschrijdingen kunnen veroorzaken.

Datawetenschappers bij IBM en Fluor hadden niet lang nodig om de algoritmen te bedenken die het systeem zou gebruiken, zegt Leslie Lindgren, vice-president informatiebeheer van Fluor. Wat veel meer tijd kostte, was het verfijnen van de technologie met de nauwe deelname van Fluor-medewerkers die het systeem zouden gebruiken. Om zijn oordeel te vertrouwen, moesten ze input hebben over hoe het zou werken en moesten ze de resultaten zorgvuldig valideren, zegt Lindgren.

Om een ​​systeem als dit te ontwikkelen, moet je je domeinexperts uit het bedrijf halen - ik bedoel je beste mensen, zegt ze. Dat betekent dat je ze van andere dingen moet trekken. Het gebruik van topmensen was essentieel, voegt ze eraan toe, omdat het bouwen van de AI-engine te belangrijk, te lang en te duur voor hen was om iets anders te doen.

De zaden van AI

Als een innovatie eenmaal opkomt, hoe snel zal deze zich dan door de economie verspreiden? Econoom Zvi Griliches kwam in de jaren vijftig met enkele fundamentele antwoorden op de proppen - door naar maïs te kijken.

Griliches onderzocht de snelheid waarmee maïsboeren in verschillende delen van het land overstapten op hybride rassen met veel hogere opbrengsten. Wat hem interesseerde was niet zozeer de maïs zelf, maar de waarde van hybriden als wat we vandaag een platform voor toekomstige innovaties zouden noemen. Hybride maïs was de uitvinding van een methode van uitvinden, een methode om superieure maïs te kweken voor specifieke plaatsen, schreef Griliches in een historisch artikel in 1957.

Hybriden werden eind jaren twintig en begin jaren dertig in Iowa geïntroduceerd. Tegen 1940 waren ze goed voor bijna alle maïs die in de staat was geplant. Maar de adoptiecurve was lang niet zo steil in plaatsen als Texas en Alabama, waar hybriden later werden geïntroduceerd en begin jaren vijftig ongeveer de helft van het maïsareaal besloegen. Een belangrijke reden is dat hybride zaden duurder waren dan conventionele zaden en dat boeren elk jaar nieuwe moesten kopen. Overschakelen naar de nieuwe technologie was een riskantere propositie voor de boerderijen in deze staten dan in de rijkere en productievere maïsgordel van het Midwesten.

Wat Griliches vaststelde, en wat latere economen bevestigden, is dat de verspreiding van technologieën minder wordt gevormd door de intrinsieke kwaliteiten van de innovaties dan door de economische situatie van de gebruikers. De centrale vraag van de gebruikers is niet, zoals voor technologen, wat de technologie kan doen? maar hoeveel hebben we eraan om erin te investeren?

Tegenwoordig vormt machine learning de basis voor elk aspect van de activiteiten van bedrijven als Facebook, Google en Amazon en veel startups. Het maakt deze bedrijven uitzonderlijk rijk. Maar buiten die AI-gordel gaat het om rationele economische redenen veel langzamer.

Bij Symrise denkt Daub dat het parfum AI-project op een goede plek viel. Het was een relatief kleinschalig experiment, maar het was echt werk voor een geurklant en het was niet zomaar een laboratoriumsimulatie.

We staan ​​allemaal onder grote druk, zegt hij. Niemand heeft echt tijd om ernaast greenfield-leren te doen. Maar zelfs dit vereiste een sprong in het diepe van de technologie. Het draait allemaal om overtuiging, zegt hij. Ik ben er sterk van overtuigd dat AI een rol zal spelen in de meeste industrieën die we vandaag zien, sommige meer overwegend. Helemaal negeren is geen optie.

zich verstoppen