AI, ja graag – met iéts meer transparantie wel…

door | dec 4, 2018 | Advies | 0 Reacties

Laat maar komen, die kunstmatige-intelligentie- en machine learning-modellen. Maar hoe hoe ervoor te zorgen dat ze betrouwbaar zijn? Een enquête bij Tableau Software.

Kunstmatige of artificiële intelligentie (AI) belooft ons menselijk weten te vergroten door besluitvorming te automatiseren. Volgens Josh Parenteau, Director, Market Intelligence & Compete bij Tableau Software, is er door AI en machine learning een nieuw perspectief aan het ontstaan, ‘doordat ze helpen bruikbare informatie waar nog niet eerder de vinger op was gelegd vrij te maken’. Tegen 2020 schat Garrtner dat ‘85% van de CIO’s AI-programma’s zal testen aan de hand van verschillende sourcingbenaderingen: inkoop, ontwikkeling of outsourcing’. Eén vraag blijft echter onbeantwoord: hoe kunnen bedrijven, die steeds meer afhankelijk zijn van modellen voor machinaal leren, zeker zijn van de betrouwbaarheid daarvan?

Met het merendeel van de machine-learningtoepassingen kun je – op dit ogenblik – niet ‘onder de motorkap kijken’ om de algoritmes of de logica te doorgronden die hebben geleid tot de aanbevelingen of de besluiten. Als ze overwegen er op grotere schaal gebruik van te gaan maken, is de twijfel die bedrijven die proefdraaien met AI-programma’s uiten dan ook volstrekt legitiem … Zoals Adrian Weller, senior onderzoeker op dit gebied aan de Universiteit van Cambridge, uitlegt: ‘Transparantie wordt over het algemeen essentieel geacht voor het doeltreffend inzetten van intelligente systemen’ zoals machine learning. Logisch: transparantie zorgt er met name voor dat de modellen werken zoals verwacht en stelt gebruikers in staat om de voorspellingen van het systeem te vertrouwen wanneer ze beslissingen moeten nemen.

Deze behoefte aan transparantie heeft geleid tot de praktijk om modellen voor machinaal leren begrijpelijk en transparant te maken. Als ze een resultaat zien, hebben beslissers meer vragen: waarom gaf het model dit antwoord? Wat is zijn mate van zekerheid? Wat zou het hebben geantwoord als de gegevens anders waren geweest? Uiteindelijk zouden ze dezelfde vragen stellen aan een menselijke expert voordat ze een strategische beslissing namen. Volgens Richard Tibbetts, Principal Product Manager for AI bij Tableau Software, hebben beslissers gelijk op hun hoede te zijn wanneer de antwoorden van een AI- of machine-learningsysteem onverklaarbaar zijn. Het doel van analytics en AI is om menselijke expertise en inzicht terzijde te staan en niet ze volledig te vervangen.’

Conclusie: bedrijven mogen dan eindelijk de waarde van AI en machine learning hebben ingezien, deze systemen moeten nog altijd wel, om echt impact te hebben, bewijzen dat ze betrouwbaar zijn; ze moeten hun conclusies op een begrijpelijke manier kunnen rechtvaardigen, zo eenvoudig mogelijk, en ze moeten dynamisch reageren op aanvullende vragen, om mensen te helpen hun data beter te begrijpen.

 

Natuurlijke taal maakt data menselijker

Helpen bij het analysegesprek: dat is de rol van natuurlijke taal. Het gaat om een gesprek tussen mens en systeem over data. Het systeem maakt gebruik van de context van het gesprek om de bedoeling van de gebruiker te begrijpen en voort te gaan met de dialoog. De gesprekservaring lijkt zo natuurlijker. Volgens Vidya Setlur, Manager Natural Language Team bij Tableau Software, is voorkomen dat je vast komt te zitten een van de belangrijkste kenmerken van een analytisch gesprek; je moet een vraag kunnen stellen, een resultaat kunnen krijgen en dan terug kunnen komen op die eerste vraag’.

In natuurlijke taal kunnen gebruikers ook vragen stellen op basis van datavisualisering. ‘Stel je voor dat ik mijn BI-tool vraag om informatie over epidemieën te geven en me daar een visualisering van te laten zien. Ik kan hem dan vragen om mij de details te geven over een in het oranje weergegeven piek,’ geeft Ryan Atallah, Staff Software Engineer bij Tableau Software, als voorbeeld. ‘Dat is een aanvullende vraag, maar niet over mijn gegevens. Ze slaat op de codes van de visualiseringen.’ En wanneer een visualisering niet relevant is in de context van de volgende vraag, komt het systeem met een alternatief.

Natuurlijke taal betekent een radicale verandering in de manier waarop data kunnen worden onderzocht. Wanneer interactie met een visualisering net zo vanzelfsprekend wordt als met een gesprekspartner, kan de gemiddelde gebruiker delen van de analytische pijplijn verkennen die eerder alleen toegankelijk waren voor datawetenschappers en gespecialiseerde analisten. Hij wordt dan niet langer beperkt door zijn analytische vaardigheden, maar louter door de reikwijdte van zijn vragen.

In Maart Solutions Magazine

Oplossingen Magazine wijdt binnenkort speciale verslagen over de veiligheid van mobiele toepassingen :GDPR, Samenwerking & video, Home Protection

> Ik wil dat zichtbaarheid op dit onderwerp
> Abonneer u op de maandelijkse papieren

PUB

EMC
Summary
AI, ja graag – met iéts meer transparantie wel...
Article Name
AI, ja graag – met iéts meer transparantie wel...
Description
Laat maar komen, die kunstmatige-intelligentie- en machine learning-modellen. Maar hoe hoe ervoor te zorgen dat ze betrouwbaar zijn? Een enquête bij Tableau Software.
Author
Solutions Magazine