Wat een AI-systeem zo anders maakt

Innovatief organiseren zonder AI erbij te betrekken is nauwelijks nog voor te stellen. In de media worden AI-systemen vaak gepresenteerd als mysterieuze en superintelligente objecten die in staat zijn tot buitengewone prestaties. Het benadrukken dat deze systemen autonoom beslissingen nemen en zelflerend zijn draagt bij aan het mystieke imago van AI. Maar wat maakt een AI-systeem nu zo anders in vergelijking met een traditioneel informatiesysteem?

Basiselementen

De kern van een traditioneel informatiesysteem wordt gevormd door een database en programmacode. Nadat gegevens op een gecontroleerde manier zijn ingevoerd worden ze volgens een vast gedefinieerde structuur opgeslagen in een database. Dit zorgt ervoor dat de gegevens veilig worden bewaard en gemakkelijk toegankelijk zijn wanneer dat nodig is. Zowel programmacode als structuur van een database worden strikt bepaald door mensen en zijn relatief eenvoudig controleerbaar. Een bewerking zoals een salarisberekening gebeurt altijd op dezelfde manier en leidt telkens tot hetzelfde resultaat. 

Terwijl informatiesystemen gegevens kunnen opslaan en verwerken, bieden ze meestal niet de geavanceerde rapportage- en analysefuncties die nodig zijn om besluitvormers te ondersteunen bij het nemen van strategische beslissingen. Business intelligencesystemen vormen daarom een logische en nuttige aanvulling. In essentie biedt business intelligence een meer geavanceerde en diepgaande benadering van gegevensanalyse en besluitvorming dan een gewoon informatiesysteem. Het stelt organisaties in staat om compacte en waardevolle inzichten te verkrijgen.

Informatiesystemen verwerken over het algemeen gestructureerde gegevens met een duidelijke indeling en relaties tussen verschillende gegevenselementen. In tegenstelling hiermee kunnen AI-systemen te maken hebben met enorme hoeveelheden ongestructureerde gegevens, zoals afbeeldingen, cijfers, tekst of geluid. Het structureren en organiseren van deze gegevens tot een datamodel voor analyse en besluitvorming kan veel complexer en onnauwkeuriger zijn. Naast het datamodel is het algoritme een kernelement van een AI-systeem. Het meest eenvoudige voorbeeld van een algoritme is misschien wel lineaire regressie. Dit is een eenvoudig statistisch algoritme dat wordt gebruikt voor het modelleren van de relatie tussen een afhankelijke variabele (Y) en één of meer onafhankelijke variabelen (X). Het wordt vaak gebruikt voor voorspellende analyse en het identificeren van trends in gegevens.

Meten van prestaties

AI is dus in het algemeen statistiek en kansberekening. Het meten van de prestaties van een traditioneel informatiesysteem en een AI-systeem zijn dan ook totaal verschillend. Accuraatheid, precisie en gemiste gevallen (recall) zijn belangrijke prestatie-indicatoren voor AI-oplossingen die de effectiviteit en betrouwbaarheid ervan meten. Stel een AI-systeem dat fruit sorteert. Accuraatheid vertelt ons hoe vaak het alle vruchten correct sorteert, precisie laat zien hoeveel van de vruchten die het als appels sorteert, daadwerkelijk appels zijn, en gemiste gevallen vertellen ons hoeveel appels het systeem mist in vergelijking met het totale aantal appels. Als Het AI-systeem 90 van de 100 vruchten correct sorteert (bijv. 45 appels en 45 sinaasappels), dan is de accuraatheid 90%. In sommige gevallen kan een accuraatheid van 90% als zeer goed worden beschouwd, terwijl in andere gevallen, zoals medische diagnose, zelfs een kleine foutmarge onaanvaardbaar kan zijn. Daarom is het belangrijk om de prestaties van een AI-systeem te beoordelen in relatie tot de eisen van de specifieke toepassing. Voor de salarisberekening in een traditioneel informatiesysteem is de eis altijd 100% correcte berekeningen. 

Over AI-systemen wordt geschreven dat ze zelflerend zijn. Dit is wanneer nieuwe gegevens aan een AI-systeem worden toegevoegd en het systeem nauwkeuriger wordt in zijn voorspellingen. Er bestaat echter ook een risico: omdat ze afhankelijk zijn van menselijke input zijn ze gevoelig voor vooroordelen en fouten in de gegevens en vereisen continue monitoring en aanpassing door menselijke experts. Wanneer deze menselijke input en bijsturing niet meer gebeurt spreekt men van een autonoom AI-systeem dat zelfstandig functioneert en beslissingen neemt. Denk hierbij aan de persoonlijke aanbevelingen van YouTube en Netflix die op basis van jouw eerdere selecties tot stand komen. De aanbevelingen veranderen mee wanneer je voorkeuren of selecties veranderen.

Tot slot

In conclusie, terwijl traditionele informatiesystemen zich richten op het beheren van gegevens en operationele processen, bieden AI-systemen geavanceerde mogelijkheden voor innovatief organiseren zoals voorspellende analyse en autonome besluitvorming. Terwijl traditionele systemen afhankelijk zijn van vooraf gedefinieerde regels, kunnen AI-systemen leren en zich aanpassen door nieuwe gegevens. Deze verschillen illustreren de evolutie van informatietechnologie naar meer intelligente en adaptieve systemen, die een breed scala aan toepassingen en mogelijkheden bieden voor innovatief organiseren in diverse industrieën.