Sinds de intrede van ChatGPT is generatieve AI nauwelijks uit ons leven weg te denken. Grote vraag is of onze SaaS-oplossing QSEH Star en AI succesvol samengaan. Daar krijg je in deze blog onder meer antwoord op. Ook gaan we dieper in op de opkomst van (generatieve) AI, Machine Learning en ‘predictive maintenance’.
Hoewel het lijkt alsof de opkomst van AI iets van het afgelopen jaar is, is men al decennia bezig met deze technologie. De reden dat we dit pas recent opmerken, is omdat AI een exponentiële groei kent, in plaats van een lineaire. Tim Sweeney – CEO van Epic Games – gaat hier, naar aanleiding van een persbericht van Open AI, X dieper op in.
“Kunstmatige intelligentie verdubbelt zich veel sneller in snelheid dan de twee jaar van de wet van Moore of de evolutietheorie. Waarom? Omdat we het opstarten met de hulp van beide wetten. En als het kan bijdragen aan zijn eigen versnelling, hebben we te maken met een gestapelde exponentiële groei.”
Machine Learning
Door AI-tools als ChatGPT en Midjourney krijgen we het – terechte – gevoel dat we AI in alle business applicaties mogen verwachten. Of beter gezegd: we hebben meer behoefte aan Machine Learning.
Machine Learning (ML) is een onderdeel van AI waarbij machine learning-ingenieurs, datawetenschappers en/of onderzoekers machines trainen om te leren van gegevens, in plaats van het uitvoeren van één expliciete taak. Software en machines vertonen zo ‘menselijke’ intelligentie en menselijk gedrag, zoals het begrijpen van natuurlijke taal, herkennen van objecten, nemen van beslissingen en leren van ervaringen. ML-algoritmen gebruiken statistische technieken om grote hoeveelheden gegevens te analyseren en patronen en relaties te identificeren, die je vervolgens kunt gebruiken om voorspellingen te doen of taken te automatiseren.
QSEH Star en AI
Machine Learning is dus toepasbaar op beschikbare data van organisaties. Daarom is er een reële verwachting dat bij volgende versies van QSEH-oplossingen er ook sprake zal zijn van ML. Hoe zal AI er dan binnen QSEH Star uitzien?
Eén voorbeeld is het automatisch laten vertalen van content. Veel landen en internationale organisaties hebben namelijk meerdere officiële talen. Dan is het prettig – en een kleine stap – om binnen QSEH Star de functie te hebben om automatisch te vertalen. Het is immers dankzij tools als Google Translate al een bekend fenomeen.
Generatieve AI kan in de toekomst ook van waarde zijn voor QSEH Star. Denk bijvoorbeeld aan het maken van een samenvatting van een zaak of een aangeleverd adviesrapport naar aanleiding van een audit.
Toch ligt generatieve AI gevoeliger in het gebruik. Deze vorm van kunstmatige intelligentie verwijst naar modellen voor diep leren die onbewerkte gegevens kunnen gebruiken, zoals alle Wikipedia-artikelen, of de verzamelde werken van Rembrandt. Generatieve AI leert vervolgens om statistisch waarschijnlijke resultaten te genereren wanneer daarom wordt gevraagd. Op een abstract niveau coderen generatieve modellen een vereenvoudigde weergave van hun trainingsgegevens en putten daaruit om een nieuw werk te creëren dat vergelijkbaar is met – maar niet identiek is aan – de originele gegevens.
Een laatste terrein waar AI nog winst kan boeken, ligt eigenlijk buiten de QSEH-oplossing. Steeds meer apparaten en producten worden intelligent. Zij produceren data die uit te lezen is en vervolgens proactief gebruikt kan worden voor voorspellend onderhoud, beter bekend als ‘predictive maintenance’.
Predictive maintenance
Predictive maintenance gaat over het uitvoeren van onderhoud om problemen te voorkomen in combinatie met het voorspellen over wanneer machines kapot gaan op basis van gegevens die zijn verzameld van sensoren. Algoritmen voor ML kunnen worden aangeleerd om sensorgegevens te analyseren en trends te ontdekken die aangeven wanneer een machine waarschijnlijk uitvalt. Minder uitvaltijd, meer veiligheid en lagere onderhoudskosten zijn allemaal voordelen van voorspellend onderhoud. Binnen de kaders van QSEH kun je daardoor inspecties dynamisch inplannen en afwijkingen eerder signaleren dan dat ze zich openbaren.
Betrouwbaarheid
Enkele zorgen over generatieve AI zijn de betrouwbaarheid en het herkennen van verzonnen antwoorden. Dit laatste noemen we ook wel ‘hallucinaties’. Deze zorgen komen voort uit het gebrek aan bronvermelding en het delen hoe antwoorden tot stand komen. En je krijgt al helemaal niet te horen wanneer een antwoord is verzonnen.
Die zorgen zijn er natuurlijk ook wanneer mensen advies geven. Dat antwoord komt ook voort uit jarenlange ervaring en de interpretatie van de vraag. Ook dan kun je geen bronnen achterhalen en opschrijven waarom de hersenen tot bepaalde conclusies zijn gekomen. Wij hebben allemaal de neiging om ergens een mening over te hebben zonder onderliggende kennis. Je kunt dat ook hallucineren noemen.
Het heeft simpelweg tijd nodig om voldoende vertrouwen in, en begrip van, generatieve AI te krijgen. En toch kan het ook nu al gebruikt worden bij organisaties die ermee kunnen leven dat het een 80-20 model is. Je krijgt in een fractie van tijd 80% van je resultaat, wat je vervolgens met je eigen kennis en kunde moet controleren, aanvullen en verbeteren. Op verzoek kunnen we dit aan QSEH Star toevoegen, maar vooralsnog is dit niet standaard. Het duurt nog even voordat deze vorm van AI gemeengoed wordt in QSEH-oplossingen.
Wat ga jij merken?
De vraag of AI in een volgende versie van je QSEH-oplossing zal zitten, hangt af van jouw eigen ervaringen met AI en of jij hier voldoende vertrouwen in hebt. Vanuit het perspectief van QSEH Star kiezen we ervoor om hier de weg van de geleidelijkheid te volgen en mee te bewegen in jouw behoeften.
Wil je meer informatie over QSEH Star? Download dan onze whitepaper voor meer informatie.
