In de IT kom je er eigenlijk niet meer omheen: trendwoorden. Woorden die door (bijna) iedereen van de daken worden geschreeuwd, maar door lang niet iedereen begrepen worden. Bij sommige woorden is dit niet zo erg, maar wanneer we het echt hebben over werkwijzen, is het toch handig om te weten waar je het over hebt. Twee begrippen die vaak door elkaar worden gehaald zijn machine learning (ML) en artificial intelligence (AI). In dit blog zetten we daarom voor je op een rijtje wat de verschillen tussen beide begrippen zijn en wat dit er voor jou als informatiemanager toe doet.
Artificial intelligence: wat het is
Eerder dit jaar kwam er een rapport uit waaruit bleek dat 40 procent van de Europeese start-ups die beweerde AI te gebruiken, dit niet daadwerkelijk gebruikt. Silver lining: dit kwam niet altijd doordat bedrijven het zelf actief verkondigden, maar vooral doordat andere bedrijven hen zo aanschreven. Conclusie: de meeste start-ups houden je niet expres aan het lijntje. Maar wat is AI en hoe komt het dat dit zo vaak verward wordt? Ten eerste: AI is een breed en vaag vakgebied, waardoor het niet zo raar is dat er veel verwarring rondom bestaat. Als we AI in één zin samenvatten, komt het op ongeveer het volgende neer:
“Artificial intelligence is de wetenschap en het bouwen van computers die zich gaan gedragen op een manier waarvan we, tot kort geleden, dachten menselijke intelligentie ervoor nodig was” (bron).
Deze ietwat uitgebreide zin zegt je misschien nog weinig. Een van de bekendste voorbeelden van AI zijn bijvoorbeeld Googles Alpha Go: dit algorithme versloeg de beste Go speler ter wereld (mocht je hier meer over weten, bekijk deze docu). Maar voorbeelden die je misschien meer in je dagelijks leven terugvindt zijn de human-ai interactions, zoals met Siri of Alexa.
Machine learning: wat het is
Oké, nu we meer inzicht hebben in wat AI precies is, kunnen we ook wat dieper ingaan op machine learning (ML). ML is een tak van AI, dat wat duidelijker te definiëren is dan kunstmatige intelligentie. In één zin:
“Machine learning is de studie van computer algoritmes die ervoor zorgen dat computer programma’s automatisch beter worden in wat ze doen door ervaring” (bron).
Hier kun je wellicht direct wat voorbeelden bij verzinnen. Denk aan gezichtsherkenning op je iPhone. Net na aanschaf zal je gezicht moeilijker herkend worden dan na verloop van tijd, doordat het algoritme steeds beter wordt. Of denk aan het classificeren van foto’s. Een machine learning algoritme kan bijvoorbeeld herkennen of er op foto’s een kat of een hond staat. Binnen ML zijn er twee manieren van leren: supervised of unsupervised. Bij de eerste groep geef je het algoritme een dataset die al gelabeled is met het goede antwoord, zoals een categorie. In het tweede geval is je dataset niet gelabeld met de juiste antwoorden, maar gaat het algoritme zelf op zoek naar patronen. In dat laatste geval scheelt het dus omdat je er ruwe data als input kan gebruiken.
Wat betekent dit voor jouw organisatie?
Wat mij betreft is het niet alleen nodig om de verschillen te kennen tussen deze beide (hype) termen, het is vooral belangrijk om te weten wat je er niet mee kan. Want ondanks dat de techniek echt al heel ver is, zijn veel problemen uit het bedrijfsleven complex en daarmee niet één, twee, drie op te lossen met ML of AI. Zorg daarom dat je collega’s snappen waar ze mee bezig zijn en ook de tekortkomingen kennen van deze manieren van werken. Een nieuwe oplossing is tenslotte niet altijd beter.
Op zoek naar nieuw personeel: een test
Benieuwd welk type IT’er bij jouw organisatie past? Vul dan de test hieronder in en kom erachter of je op zoek moet naar iemand binnen je organisatie, een nieuwe collega met een vast dienstverband of dat een collega via detachering een beter idee is voor jouw organisatie.
