1.7 Artificial Intelligence – Machine Learning

kleding voor de regio Vlaanderen kent, kan hij nagaan of dit overeenkomt met de vooraf gestelde doelen.

Op het tactisch en operationele niveau worden veelal “Dashboards” gebruikt. Een dashboard is één pagina waarop data op een overzichtelijke manier visueel voorgesteld worden en waarop je vaak zelf kunt filteren op diverse parameters. Via deze interface worden eveneens KPI’s voorgesteld. De focus ligt hier eerder op de ondersteuning van dagdagelijkse operationele acties.

Bij het analyseren van gegevens, met oog op het verkrijgen van belangrijke bedrijfsinzichten die het nemen van efficiënte beslissingen kunnen ondersteunen, wordt vaak gebruik gemaakt van OLAPtools (Online Analytical Processing) waarmee gegevens op een interactieve wijze gevisualiseerd worden.

BI Analyst

Een BI Analyst analyseert data en creëert rapporten en analyses met nieuwe inzichten die door de business gebruikt kunnen worden. Dit profiel vormt bij uitstek een brugfunctie tussen Business en IT.

Data steward

Is een ondersteunende ICT’er, verantwoordelijk voor de kwaliteit en de consistentie van de data.

De focus bij het analyseren van data verschuift ook steeds meer naar het kunnen voorspellen van wat er in de toekomst zal gebeuren (predictive analytics), daar waar bij Business Intelligence de nadruk veelal ligt op de analyse van wat voorbij is.

Datamining is het gericht zoeken naar (statistische) verbanden in gegevensverzamelingen met als doel profielen op te stellen voor wetenschappelijk, journalistiek of commercieel gebruik. De naam komt voort uit de overeenkomsten tussen het zoeken naar statistische verbanden en het graven (mining) naar iets waardevols in een grote berg. Datamining helpt bedrijven en wetenschappers om de essentiële informatie te selecteren. Er kan een model mee gecreëerd worden dat het gedrag van mensen of systemen kan voorspellen. Het basisrecept van datamining is als volgt:

1) Je neemt data uit het verleden waarvoor je de uitkomst kent 2) Deze set splits je in een zogenaamde trainingsset en een testset 3) Je bouwt een wiskundig model met de trainingsset. 4) Je checkt hoe goed het model de uitkomsten van de testset voorspelt.

Werkt dit naar behoren dan kun je met een redelijke mate van zekerheid nauwkeurige toekomstvoorspellingen doen. Enkele dataminingtoepassingen:

• Opmaak klantprofielen en winstgevendheid. • Voorspellen beste tijdstip om een onderdeel te vervangen (predictive maintenance). • Voorspellen afhakers (churn prediction). • Winkelwagenanalyse: optimaliseren indeling (web)winkel. • Zoekmachines, sociale netwerksites.

Dataminingalgoritmen horen tot het domein van wat men artificiële intelligentie noemt, dikwijls wordt ook de term Machine Learning gebruikt: door het leren uit gemaakte fouten worden dergelijke systemen immers ook steeds beter. De supercomputer Watson van IBM heeft de onderzoekslaboratoria verlaten en wordt reeds ingezet in verscheidene Amerikaanse ziekenhuizen. Door symptomen en medische dossiers van patiënten te toetsen aan de enorme hoeveelheden literatuur die hij in zijn geheugen heeft opgeslagen, kan hij een diagnose stellen. Met een hoge efficiëntie: analyse van de resultaten toonde aan dat diagnoses van Watson voor 90 procent betrouwbaar waren, tegenover 50 procent voor menselijke artsen. Een ander mooi voorbeeld waar Machine Learning een noodzaak vormt is dat van de zelfrijdende auto. De grote uitdaging is hier niet het rijden op zich maar wel het extreem snel kunnen analyseren van alle beeldmateriaal van de camera’s en hiermee telkens de juiste beslissing te kunnen nemen. Vermits zelfrijdende wagens ook zullen geconnecteerd zijn, zullen deze ook van elkaar leren. De mens staat machteloos tegenover de wildgroei aan data, terwijl de kracht van kunstmatige intelligentie er precies in bestaat dat ze in fracties van seconden miljarden gegevens kan analyseren.