Samenwerking tussen mens en machine: een nieuwe wereld aan mogelijkheden in veel sectoren

Dit is niet alleen een reëel probleem dat een complex proces vereist om mensen voor te bereiden op een andere baan, maar ook een leuk onderwerp waar de media graag mee spelen en vervolgens misbruiken. In deze blog willen we onze ervaring met de samenwerking tussen mens en machine in enkele sectoren delen. Niet alle mogelijke usecases komen aan bod, maar er wordt een duidelijk beeld geschetst van hoe mensen omgaan met nieuwe technologieën. De focus ligt daarbij op de distributie van consumptiegoederen.

We gaan het dus niet hebben over de robotisering van industrieën zoals de auto-industrie of over ‘digital native’ bedrijven die sommige sectoren al hebben ontwricht. In plaats daarvan richten we ons op bedrijven en sectoren die niet ‘digital native’ zijn en die het verzamelen en analyseren van gegevens niet tot hun kernactiviteiten hebben gemaakt.

Waarom moeten mens en machine samenleven?

Om beter te begrijpen hoe deze co-existentie eruit ziet, bespreken we hoe kunstmatige intelligentie (AI) de mens gewoonlijk ondersteunt.

1. Flexibiliteit is het eerste element.

De productielijnen in de moderne auto-industrie kan tal van verschillende aanpassingen na elkaar ondersteunen, omdat aanpassingen en optimalisatieprocessen door verschillende algoritmen worden uitgevoerd. Machines zijn daarom veel flexibeler in vergelijking met mensen en kunnen productielijnen veel sneller aanpassen voor verschillende automodellen of -typen.

2. Het tweede element is snelheid.

Het beste voorbeeld is waarschijnlijk de realtime opsporing van frauduleuze transacties. Stelt u zich eens voor hoe de opsporing van fraude door een online bank met een enorm aantal transacties eruit zou zien met behulp van moderne algoritmen. 

3. Het derde element waarbij AI van pas komt, is schaal.

Een goed voorbeeld hiervan is het op AI gebaseerde screeningsalgoritme dat een bedrijf kan gebruiken bij het verwerken van grote aantallen sollicitanten voor bepaalde functies. Een voorbeeld is de invoering door Unilever van een AI-systeem dat het bedrijf in staat stelde om in slechts vier weken tijd 30.000 sollicitanten door te nemen en alleen die sollicitaties eruit te halen die het best op een bepaalde functie aansloten. 

4. Het vierde element is besluitvorming.

Besluitvorming op basis van AI komt altijd van pas, maar vooral in risicovolle sectoren. Een van de beste voorbeelden is de invoering door GE van een AI-systeem om voorspellend onderhoud voor vliegtuigmotoren te detecteren. 

5. Het laatste element is voor alle eindgebruikers zichtbaar en is personalisering.

Zonder de op AI gebaseerde slimme segmentatie- en targetingalgoritmen zou het onmogelijk zijn om de enorme aantallen gebruikers op populaire webwinkels zoals eBay op een persoonlijke manier te bedienen.

Wees niet bang voor AI!

Het is niet gemakkelijk om een systematische aanpak te introduceren voor zulke complexe zaken, bijvoorbeeld de implementatie van een AI-systeem, maar u kent ons, wij ingenieurs willen het toch altijd proberen. 😊

In onderstaande afbeelding ziet u enkele van de belangrijkste stappen die bedrijven samen met hun implementatiepartner in overweging moeten nemen om het succes van een project te garanderen.

De belangrijkste stappen van een geslaagd AI-project

Sommige van deze stappen spreken voor zich. Over elk van de andere zouden we een heel blog kunnen schrijven. In deze blog concentreren we ons dus alleen op de drie roze stappen. Deze beschouwen wij als de belangrijkste stappen om ervoor te zorgen dat mensen na het implementatieproject MET AI kunnen leven. We leggen ze uit aan de hand van een voorbeeld van een voorraadoptimalisatieproject in de sector van de distributie van consumptiegoederen. Dit zijn ook de stappen waar wij bij onze implementatieprojecten sterk de nadruk op leggen.

Werk voortdurend samen met eindgebruikers. Alle projecten voor software-implementatie kennen veel fasen waarin we samenwerken met eindgebruikers, zoals de test- en ontwerpfase. Maar voor de invoering van een oplossing voor omzetprognose en voorraadoptimalisatie moeten we de samenwerking met eindgebruikers naar een hoger plan tillen. Bij BE-terna zijn we geen fan van gestandaardiseerde AI-apps die in alle behoeften kunnen voorzien. In plaats daarvan begroten en plannen wij een fase die ‘hypercare’ wordt genoemd. Dat houdt in dat we met eindgebruikers om de tafel gaan zitten en samen de omzetprognose analyseren en het ordervoorstel bespreken dat met algoritmen wordt verkregen. In de eerste weken nadat een nieuw systeem in gebruik is genomen, hebben gebruikers veel vragen en twijfels. Dat is volkomen normaal. Uiteindelijk introduceren wij een systeem dat een nauwkeuriger prognose en een optimale bestelling oplevert vergeleken met voorheen. De gebruikers worden natuurlijk uitgedaagd en zullen proberen te begrijpen waar de cijfers op zijn gebaseerd.

Eenvoudige selfservice app voor BI om het vertrouwen te vergroten. Dit brengt ons bij de tweede echt belangrijke stap van ons project. Ons systeem kent twee eindpunten. Het eerste is de automatische integratie van voorgestelde bestellingen in het ERP-systeem, zodat gebruikers gewoon een bestelling kunnen plaatsen. Het tweede is de BI-toepassing die wordt gebruikt voor de interpreteerbaarheid van de resultaten. Vooral in de eerste maanden is het belangrijk dat voor gebruikers duidelijk is wat de prognosetrends zijn, hoe de prognose is berekend, wat de beperkingen zijn, hoe het weer is, wat het voorstel voor bestellingen op lange termijn is enzovoort, zodat gebruikers een bestelvoorstel van het systeem gemakkelijker aanvaarden. Ook zal de feedback van gebruikers gerichter en sneller komen. In de eerste maanden van het gebruik van een systeem geven eindgebruikers altijd veel waardevolle inputs aan ons (aan een systeem). Dit toont wederom aan dat deze interactie tussen mens en machine echt tweerichtingsverkeer is.

Gooi het dagelijkse proces niet 180 graden om. Tot slot komen we bij de laatste stap waarvan we hebben ontdekt dat deze heel belangrijk is voor het succes van een AI-project in sectoren die niet digital-native zijn. Het belangrijkste puzzelstukje voor deze stap is onze native integratie met het ERP-systeem, waarbij ons platform 's nachts alle bestellingen voor de leveranciers invult, die volgens een definitie in de bestelkalender moeten worden besteld. Dit feit helpt gebruikers aanzienlijk. Het proces wordt niet radicaal omgegooid, maar ze krijgen gewoon wat extra tijd om zich te concentreren op zeer specifieke artikelen, zoals aanbestedingsartikelen en langzaam lopende artikelen. 

We ronden het af!

Alles wat hier is besproken, zal voor elk project anders zijn. En het gaat niet om wat simpele tips en trucs, maar veel meer om de verandering van het beheer. Ik ben er echter van overtuigd dat deze paar stappen de kans op een succesvolle implementatie van uw AI-project zullen verhogen en ervoor zullen zorgen dat uw eindgebruikers zich echt op hun gemak voelen met de nieuwe technologie.  

Als u het gevoel hebt dat dit iets uit een verre toekomst is en u geen idee hebt waar u moet beginnen, stel ik voor dat u wacht op onze volgende blog over dit onderwerp. Daarin bespreken we hoe u uw AI-reis kunt beginnen, de meest typische usecases in de FMCG-sector en het belang van inzicht in uw gegevens en hun potentieel. 

Tot dan!

**CTA**