Met dezelfde AI tools de concurrentie te slim af zijn (2/2)
Marketing & sales staan in de top drie van sectoren als het gaat over het leveren van toegevoegde waarde door AI.
Onderzoek van McKinsey wijst uit dat 75% van de toegevoegde waarde door AI uit de volgende vier sectoren komt: Customer operations, Software ontwikkeling, Marketing & Sales, Onderzoek en ontwikkeling. De consultants bestudeerden de toegevoegde waarde voor het kernproces van een sector in 63 praktijkcasussen verdeeld over 16 sectoren. Daardoor zijn alleen opbrengsten meegeteld van activiteiten waarvoor een factuur gestuurd is. De winst in arbeidsproductiviteit is buiten beschouwing gelaten.
In dit artikel (deel 2 van 2 – het eerste deel verscheen op donderdag 24 augustus: “Met dezelfde AI tools de concurrentie te slim af zijn (1/2)“) lees je hoe je dankzij AI de concurrentie te slim af bent. Naast handige tools die onmisbaar zijn in de markt, krijg je zicht in de valkuilen en bouwstenen van AI. Daardoor creëer jij meer meerwaarde voor je collega’s of je klanten dan de rest! Belangrijke punten die voor je op een rij staan zijn: goede prompts maken, een eigen krachtige AI-app maken, wettelijke regels en het ontwikkelen van een (merk)visie op AI. Het is meedoen of afhaken, marketeers!
Van één webtoepassing naar veelzijdige app
De LangChain maakt het mogelijk om meerdere toepassingen van niveau 1 (AI as a Service, AaaS) te combineren. Elke AaaS-toepassing kan één ding goed. Bijvoorbeeld informatie over een onderwerp structureren, tekst omzetten in foto’s of een webtekst maken. Bedrijven als gamma.app doen dat dan ook.
Zelf gebruik ik het om een presentatie, website en/of document te maken.
Op basis van mijn prompts stelt het een structuur voor en vult de pagina’s aan met passende teksten en foto’s. Dit derde niveau laat zien dat de LangChain zorgt dat AI veelzijdiger wordt en bredere vragen aan kan. Het gaat van één ding heel goed kunnen naar veel dingen goed kunnen combineren.
Afbeelding: Gamma.app maakt ontwerp op basis van prompts
Microsoft biedt bij haar AI-builder ook Power Apps aan. Daardoor kun je AI toepassingen als app vormgeven voor Microsoft omgevingen als SharepPoint en Teams. Naast veelzijdiger wordt AI daarom ook laagdrempeliger in gebruik en krijgt het een meer structurele plek in processen.
Naar de volgende generatie AI
Alle hiervoor genoemde AaaS- en ‘van het schap’-toepassingen (niveau 1 en 2) zijn van de eerste generatie AI. De eerste generatie AI richt zich op het categoriseren en voorspellen (via regressie) van dingen. ChatGPT categoriseert in feite prompts en voorspelt het passende antwoord. Heb je een ander vraagstuk of doel dan is het tijd voor een eigen AI-ontwerp.
In de tabel hieronder zijn de verschillende generaties AI en hun kenmerken weergeven:
Generatie | 1 | 2 | 3 |
Soort vraagstuk | – categoriseren
– regressie |
– clusteren
– associëren |
– optimaliseren
– effectief reageren |
Toepassing (voorbeeld) | – groep verdelen in pros- en suspects
– kans op churn bepalen via aankoopmoment |
– merkimago analyseren
– complementaire producten vinden |
– content planning opstellen
– verkoopstrategie evalueren |
Leer methode | begeleid | onbegeleid | instrumenteel |
Dataset | – afgebakend
– gestructureerd en/of – gecategoriseerd – gelabeld |
– afgebakend
– ongestructureerd |
– niet afgebakend
– geen structuur – bevat startsituatie – bevat einddoel |
Geschikte algoritmes | – logistische regressie
– Naive Bays – K- Nearest Neighbours – SVM* – beslisboom – Random Forest – lineaire regressie – polynomiale regressie |
– K-means
– SVD** – PCA*** – t-SNE**** – a priori – FP growth – Eclat |
– Q-learning (straf of beloning op basis halen einddoel) |
*Support Vector Machines Algoritme
**Singular Value Decomposition
*** Principle Component Analyses
**** T-distributed Stochastic Neighbor Embedding
Een belangrijk verschil tussen de eerste en de tweede generatie is het begeleid versus het onbegeleid leren. Bij beide werk je met een dataset. Die deel je op in een trainings– en een test set (vaak 80 respectievelijk 20%). Zo kun je na het trainen testen of het model ook de gewenste foutmarge (ook wel ‘costs’ genoemd) haalt met nieuwe data.
Beide methoden worden in praktijk ook gecombineerd.
Het verschil is dat je bij begeleid leren het model traint door te laten zien wat de goede antwoorden zijn. Je hebt daarvoor een gestructureerde dataset nodig waarin de goede antwoorden al gelabeld zijn. Op Github staat hier een goede uitleg over. Bij onbegeleid leren is de data ongestructureerd, krijgt het model geen feedback. en beredeneert het zelf welke data een relatie hebben.
Bij vraagstukken rondom clusteren en associëren is onbegeleid leren noodzakelijk. Simpelweg omdat alle goede antwoorden nog niet bekend zijn en de data niet altijd gestructureerd is. Denk aan associaties rondom een merkimago of complementaire producten als suggesties in een webshop. Het doel is juist combinaties te vinden die nog niet zijn bedacht.
Derde generatie klaar voor veranderende omgeving
Operante conditionering of instrumenteel leren is de jongste en snelst groeiende methode binnen machine learning. Het is vergelijkbaar met leren bij dieren en jonge kinderen. Deze manier van leren is gefocust op leren van de veranderende omgeving. Er ligt altijd een begin- en ‘goed’ eindresultaat vast. Het model wordt beloond als het effectief reageert op prikkels. Op deze manier kan het model haar uitkomsten optimaliseren door effectief te reageren op veranderingen in de omgeving.
Kenmerkend voor instrumenteel leren is dat geen gelabelde, gestructureerde of zelfs maar afgebakende dataset nodig is. Het kan in complexere omgevingen de benodigde data vinden. Bij het opstellen van een contentplanning voor social media bijvoorbeeld kan het deze bijsturen op basis van rewards zoals KPI’s rondom bereik, betrokkenheid, conversie, etc. Om in het begin een steile leercurve te hebben, en ‘beginnersfouten’ te voorkomen, kijken mensen mee en belonen ze het model voor goede acties.
Een eigen AI-model bouwen
Om echt afstand te nemen en te houden van de concurrentie heb je een eigen AI-model nodig. Voordeel is dat de nieuwe generaties AI minder eisen stellen wat betreft labels en structuur in je data. De gestapelde AI (niveau 3) kan je eigen model koppelen met andere toepassingen. Een eigen model heeft wel een belangrijk uitdaging: het juiste algoritme selecteren.
Een algoritme is in feite niet meer dan stappenplan of recept om uit de ontvangen input (of ingrediënten) een combinatie (of gerecht) te maken dat voldoet aan de voorwaarden (bijvoorbeeld smaakvol en gezond) die zijn gesteld aan het model (de kok). Echter een Indische kok in een Hollandse keuken geeft wellicht een pittige discussie. In de tabel zijn daarom bij iedere generatie geschikte algoritmes genoemd.
In deze kennisclip, gemaakt voor Windesheim, zie je wat een ei, boter, ham, kaas, tomaat, spek, peper en zout met AI, algoritmes en het voorkomen van ongewenste effecten te maken hebben. Want nu AI bijna even makkelijk te bestellen is als een uitsmijter, wordt de inclusiviteit en non-discriminatie op steeds grotere schaal getest. Zie hier een stappenplan om blunders, zelfs overtreding van de wet, te voorkomen.
Afbeelding: een algoritme bouwen met AI is als een uitsmijter zonder dat je weet wat er op zit
Investeren in AI
Tot slot een blik op de kosten van AI in de brede zin van het woord. Naast de investeringen in geld komen ook de risico’s en kosten die niet in geld zijn uit te drukken aan bod.
De meeste AaaS-tools (Ai as a Service) kennen een staffelmodel met een gratis instapmogelijkheid. Echter wanneer je de tool professioneel gaat inzetten kom je vaak niet meer weg met het aantal minuten, MB’s en/of credits dat je krijgt. Een betaald account begint veelal tussen de € 15,- en € 30,- per maand. Ook voor de eerder genoemde GPT-4 versie van ChatGPT betaal je € 20,- per maand. Bij de AI-van-het-schap-varianten begint het bij € 40,- per maand. Voor de niveaus daarboven is het lastig een richtlijn te geven.
De regels en risico’s bij gebruik van AI
Welke vorm van AI je ook kiest, de Europese Unie wil dat AI betrouwbaar is en legt de verantwoordelijkheid daarvoor bij de gebruiker. De EU noemt drie voorwaarden voor betrouwbare AI. Het is:
- Wettig
- Ethisch
- Robuust
Met de EU AI act is het wettelijk kader volop in ontwikkeling. Het wettelijk kader is er op gericht dat aanbieders alleen robuuste, ethische AI systemen bouwen. De bouwstenen daarvan zijn:
- menselijke toezicht
- technisch robuust en veilig systeem
- gegarandeerde privacy en data-governance
- transparante processen
- inclusief en niet-discriminerend
- milieu en maatschappelijk welzijn tellen mee
- verantwoordingsplicht
Een sleutelbegrip daarbij is rechtvaardige (AI-)systemen en algoritmes ontwikkelen. Een rechtvaardig systeem zorgt voor drie dingen:
- rechtvaardige behandeling
- rechtvaardige verdeling
- rechtvaardige procedure
Tot slot moet je voldoen aan de voorwaarden van de privacywetgeving (AVG). Maken jouw AI-tools gebruik van gegevens die direct of indirect tot een persoon herleidbaar zijn, zet dan de volgende stappen (in het GDPR en AVG stappenplan wordt ieder punt toegelicht):
- bepaal of persoonsgegevens verwerkt. Nee? dan ben je klaar. Ja? Ga verder
- doe een Privacy Impact Analyse (PIA) om de impact van het gebruik te bepalen
- ga een verwerkersovereenkomst aan met de verwerkende (AI) partijen
- vraag om actieve toestemming van de betrokken personen tenzij je een wettelijke verwerkingsgrondslag hebt
- leg het verwerkingsdoel vast en verwerkt niet meer dan noodzakelijk voor dit doel
Verantwoord AI gebruik is dagelijks aan de orde
Voorgaande punten laten zien dat inzet van AI ook moreel leiderschap met zich meebrengt. Het gaat om verantwoordelijkheid richting betrokken personen en de maatschappij. Zoals eerder benoemd, vraagt ook de EU hierom.
Aansluitend op bovenstaande: één vraag aan ChatGPT kost 4 watt aan energie. Een gesprek van 10 vragen en antwoorden kost een liter water om de servers te koelen. En die blokkendozen met servers moeten ook nog ergens staan: een vraag vraagt daardoor ook een stukje schaarse grond. Dat zijn ook maatschappelijke kosten.
Op sociaal vlak kun je daarnaast vragen stellen bij het effect van AI op customer service medewerkers. hoe gaat hun werk er uit zien of kunnen ze binnenkort op zoek naar ander werk? Daarnaast wil je weten wat impact op betrokkenen is als hun informatie wordt gebruikt door bevoegde en onbevoegde partijen. Stel jezelf daarnaast vragen als:
- Hoe risicovol is het om deze informatie te delen?
- Weet ik met welke partij of partijen ik mijn informatie deel?
- Is duidelijk wie eigenaar van de informatie is en wat er mee gebeurt?
Kortom: het is belangrijk dat jij en je collega’s dagelijks stilstaan bij beslissingen en hun gevolgen waar het AI betreft. Zorg daarom dat je hele team het morele waardenkompas op dezelfde manier heeft afgesteld en ook in staat is er bij iedere actie naar te handelen. En nu binnenkort ook de ESG-prestaties moeten worden gerapporteerd, biedt ook dit kansen voor een verdedigbaar concurrentievoordeel.
Kijk verder en prompt zie je kansen
Bekijk je volgende prompt eens nadrukkelijk met een marketingbril. Ga voorbij aan je korte termijn doel om een taak efficiënt af te ronden. Kijk daarentegen naar de rol die prompts kunnen spelen in het verbeteren van je kennis over, contacten met en beleving van, klanten. En hoe je daardoor effectief het verschil kunt maken met jouw concurrent.