Horde 1: Overspannen verwachtingen
Verwacht niet dat een AI model de medewerker overbodig maakt. Kijk naar de werkzaamheden die worden uitgevoerd en welke individuele taken in aanmerking komen om te automatiseren. Wanneer dat meer intelligentie en creativiteit vergt dan traditionele IT dan is de vraag hoe ver je komt met AI. Een gedachtenexperiment om je hierbij voor te stellen is dat je zelf werkt bij een bank in China. De taal begrijp je niet, maar je hebt na een tijdje wel door dat documenten met een rode stempel in een ander bakje horen dan de documenten met een groene stempel.
Gezichten herkennen met 99 procent accuratesse is indrukwekkend, maar op Schiphol, met duizenden passagiers per dag, heb je er weinig aan als je doel is om terroristen van de most-wanted lijst te ontdekken. Bij het vergelijken van het gezicht van een reiziger met de pasfoto op het paspoort (op de chip) is een foutmarge van 1 procent wel prima. Voor marketingdoeleinden geldt dan ook een andere mate van foutgevoeligheid en uitlegbaarheid dan voor ingrijpende beslissingen over bijvoorbeeld een kredietaanvraag.
Met toestemming van de klant mag er meer dan je aanvankelijk denkt! Volgens pessimisten mag er niks, maar waak ook voor over-optimisme. Anonieme gegevens gebruiken is bijvoorbeeld een mogelijkheid, maar anonimiseren is lastiger dan het lijkt. Ook zonder NAW-gegevens kunnen gegevens (in potentie) herleidbaar zijn aan een persoon.
Zelflerende systemen (AI toepassingen) maken, begint bij het verzamelen van gegevens om van te leren. Maar wie is eigenlijk eigenaar van die data? Als software bedrijf zijn wij bijvoorbeeld altijd afhankelijk van onze klanten. De kwaliteit van data laat soms ook te wensen over, denk aan codes die niemand begrijpt. Of de data lijkt voor zich te spreken, waardoor een onzinnig verband wordt gevonden. Zo dacht een AI algoritme dat patiënten met een longontsteking en astma geen enkel risico lopen, maar dat kwam juist doordat de combinatie van deze twee zó ernstig is dat deze patiënten altijd meteen bij de eerste hulp werden behandeld en hun gegevens pas na de behandeling werden vastgelegd.
Een dergelijk voorbeeld geeft aan dat de betrouwbaarheid van een AI model cruciaal is. Maar het roept ook de vraag op wanneer we wél durven te vertrouwen op een algoritme. Voor welke beslissingen wel en voor welke niet? Het ‘neurale netwerk’ tussen de oren van een medewerker is niet uitgebreid statistisch gevalideerd, maar een medewerker kan wel uitleggen wat het denkproces was. Sommige algoritmes zijn niet zo doorzichtig. Niemand kan aan de cijferbrij van een neuraal netwerk ‘zien’ welke verbanden het detecteert. Een automatisch geleerde beslisboom is een stuk overzichtelijker, maar toch ook behoorlijk lastig te interpreteren. Ook de keuze voor een bepaalde technologie of algoritme hangt dus af van deze vraag.
Succesvol toepassen van AI vraagt om kennis van de mogelijkheden, maar ook van de onmogelijkheden. De techniek wordt steeds makkelijker in het gebruik, maar dat zal niet altijd leiden tot goed werkende oplossingen. Niet voor niks wordt het ook wel ‘data science’ genoemd. Het vinden van nuttige toepassingen vergt niet alleen een creatieve, maar ook een kritische geest.
Het toepassen van AI binnen een proces om de medewerker op een zinvolle manier in het dagelijkse werk te ondersteunen, dat is waar het uiteindelijk om te doen is. AI moet geen technology push zijn, maar het werk van de medewerker makkelijker en leuker maken. Het kiezen van de juiste taken om door de computer te laten oppakken, is daarvoor cruciaal.
Deze opsomming met hordes is niet bedoeld om je te ontmoedigen om werk te maken van kunstmatige intelligentie. In tegendeel. Met de juiste expertise, data en use case kunnen we juist snel experimenten uitvoeren, die leiden tot zinnige toepassingen waar de financiële sector, medewerkers en klanten bij gebaat zijn. Zodat werken in de financiële sector minder routinematig en (nog) leuker wordt, processen efficiënter verlopen en er meer tijd overblijft om de klant proactief en persoonlijk van dienst te zijn. Laat deze hernieuwde hype in de financiële sector maar beginnen.
Deze opsomming met hordes is niet bedoeld om je te ontmoedigen om werk te maken van kunstmatige intelligentie. In tegendeel. Met de juiste expertise, data en use case kunnen we juist snel experimenten uitvoeren, die leiden tot zinnige toepassingen waar de financiële sector, medewerkers en klanten bij gebaat zijn. Zodat werken in de financiële sector minder routinematig en (nog) leuker wordt, processen efficiënter verlopen en er meer tijd overblijft om de klant proactief en persoonlijk van dienst te zijn. Laat deze hernieuwde hype in de financiële sector maar beginnen!
Benieuwd naar de mogelijkheiden van AI binnen de financiële sector? Download onze visiepaper.
