Efficiëntie Maximeren: Automatisering Inzetten om Bedrijfsprocessen te Transformeren

Bedrijven kunnen het zich niet permitteren de rijkdommen te negeren die vertegenwoordigd worden in hun humane kapitaal: die dwarsliggende wezens met hun unieke vermogen te durven en te dromen, te intuïtiveren en risico's te nemen, en bovenal te herkennen wanneer ze op een catastrofe afgaan.

Vorige zomer zagen we een somber mijlpaal in de geschiedenis van kunstmatige intelligentie: de eerste dood door een autonom voertuig. Een Tesla Model S, rijdend op volledige autopilot, botste tegen de achterkant van een vrachtwagentrailer op een snelweg in Florida, met de menselijke 'chauffeur' als slachtoffer.

Volgens het bedrijfsblog was de oorzaak van dit tragische ongeluk de onvermogen van de AI om 'de witte kant van de vrachtwagentrailer te onderscheiden tegen een helder lichte lucht'. Zoals Tesla aangeeft, was dit de eerste dodelijke slachtoffer in meer dan 130 miljoen gereden mijlen op autopilot, wat minder is dan de helft van de wereldwijde ratio van 60 miljoen mijlen per dode voor menselijke chauffeurs.

Als Tesla en andere fabrikanten van autonome auto's dit ratio laag kunnen houden, zal het zeker een grote veiligheidsverbetering vertegenwoordigen. Toch roept de aard van dit ongeluk – dat bijna zeker door een menselijke chauffeur was te vermijden – serieuze vragen op over hoeveel autonomie mensen aan machines moeten overgeven.

>Zie ook: 5 challenges of intelligent automation at scale

Naar mate technologie intelligenter wordt, zal het onvermijdelijk beslissingen moeten nemen die resulteren in menselijke doden. Voertuigen zoals autonome auto's en vrachtwagens moeten worden geprogrammeerd om morele beslissingen te nemen, zoals het direct beantwoorden van het 'trolley-probleem' dat ethici al jaren in verwarring brengt.

Niet elke vraag over AI en automatisering is een kwestie van leven of dood, maar er zijn belangrijke praktische en ethische vragen om te beantwoorden voordat we zeker kunnen zijn dat deze technologieën ons leven versterken in plaats van verminderen.

Dit is eenfeit dat steeds meer door bedrijven zelf wordt erkend. Onderzoek van Infosys liet zien dat meer dan de helft (53%) van de respondenten vindt dat ethische vragen AI verhinderen om zo effectief te zijn als het zou kunnen, terwijl slechts een derde (36%) zegt dat ze de ethische implicaties van deze nieuwe technologieën volledig hebben overwogen.

Deze zorgen variëren van de effecten van deze technologieën op de privacy van werknemers en klanten, tot de impact op werkgelegenheid (bijvoorbeeld door grote delen van de menselijke arbeidsmacht overbodig te maken). Er zijn ook vragen – scherp belicht in het Tesla-verhaal hierboven – over hoe ver kunstmatige intelligentie ooit menselijke operateurs kan vervangen.

Het is net zo makkelijk om te worden verleid door de beloofde kracht van technologie als om de unieke mogelijkheden van de menselijke hersenen te romanticiseren. Tenzij bedrijven deze twee heel verschillende intelligenties kunnen verzoenen, zullen ze onwaarschijnlijk de volledige voordelen ontgrendelen die bereikt kunnen worden door mensen en technologie te laten complementeren.

>Zie ook: 2018 will be the year of automation in enterprise

Een van de belangrijkste uitdagingen voor de mensheid is hoeveel autonomie we aan machines beslissen te geven, en in welke situaties kunstmatige intelligentie beter toegepast is dan de menselijke geest.

Op het eerste gezicht lijkt de technologie, door haar vermogen om enorme datasets te verwerken en natural language processing in te zetten voor realistische interacties met klanten, de perfecte vervanging voor langzame, dure en foutgevoelige mensen.

Maar dat negeert de eigen inherente tekortkomingen van technologie, van Microsoft's Tay-chatbot, die snel leerde racistisch te zijn, tot de zelfrijdende auto die niet kan onderscheiden tussen de lucht en een 20-ton stuk snel bewegend metaal.

Het feit blijft dat machines ons nog steeds alleen inzicht kunnen geven, en dat alleen mensen de wijsheid hebben om dit inzicht op de juiste manier toe te passen voor een gegeven zakelijke of persoonlijke context. Als mensenlevens altijd bestuurd zouden worden door rationele, empirische overwegingen, zou er wellicht een argument zijn voor machines die mensen waar mogelijk vervangen.

Zoals we allemaal weten, is dit simpelweg niet het geval. Infosys is een bedrijf dat elke dag met deze vragen te maken krijgt. Het helpt een groot aantal ondernemingen met machine learning-initiatieven, en wat snel duidelijk werd, is het belang van contextualisering.

In de meeste gevallen is het verwerken van cijfers simpelweg niet genoeg; om effectief te zijn moet het vergezeld gaan van een grondig begrip van de cultuur en het bedrijfsmodel van het bedrijf, zijn unieke uitdagingen en data-/rapportagestructuren.

>Zie ook: More devices, more problems? Not with IT automation

Mensen zullen een vitale rol blijven spelen in het stellen van de juiste vragen; het ondervragen, interpreteren en toepassen van de data; en het opstellen van de juiste hypotheses voor de machines.

Technologie-evangelisten vergeten vaak te melden dat de nauwkeurigheid van elk machine learning-algoritme typisch 60-70% is in de eerste doorloop – dit moet worden gevolgd door fijnafstelling en verder werk.

Tot nu toe klinkt dit als slechts een argument voor het aannemen van meer data scientists, in plaats van een lofzang op de mogelijkheden van menselijke werknemers. Maar het hoeft geen grote sprong van de verbeelding te zijn om naar de beperkingen van technologie die hierboven genoemd zijn te kijken, en te zien hoe die van toepassing zijn op andere gebieden van een organisatie.

Deze variëren van de absolute top tot de meest junior werknemer. Vraag een succesvolle bedrijfseigenaar en ze zullen je vertellen over het belang van het nemen van berekende risico's, tot op zekere hoogte gebaseerd op intuïtie; ze zullen praten over het belang van lateraal denken om complexe zakelijke problemen op te lossen; ze kunnen benadrukken hoe hun beste ideeën en flitsen van inspiratie ontstaan uit volledig onverwachte denkpatronen.

Voor een HR-werknemer geeft data belangrijk inzicht in individuele prestaties en productiviteit; het zal waarschijnlijk niet vertellen waarom ze slecht presteren, of de meest empathische en effectieve manier om gesprekken te voeren over hoe die werknemer kan verbeteren.

Op dezelfde manier profiteert een klantenservicemedewerker van toegang tot alle data die ze nodig hebben om de klacht te onderzoeken, maar het zal nog steeds training, intuïtie en menselijkheid vereisen om de zaak op te lossen op een manier die de klant tevreden stelt.

>Zie ook: Automation: a network necessity

De waarheid is dat data slechts een hulpmiddel is dat mensen kunnen gebruiken om de manier waarop ze hun werk doen te verbeteren, of het nu gaat om het opzetten van een hedge fund of omgaan met een ontevreden klant.

Bedrijven kunnen het zich niet permitteren de rijkdommen te negeren die vertegenwoordigd worden in hun humane kapitaal: die dwarsliggende wezens met hun unieke vermogen te durven en te dromen, te intuïtiveren en risico's te nemen, en bovenal te herkennen wanneer ze op een catastrofe afgaan.

Bron: Jonathan Ebsworth, hoofd Disruptive Technologies bij Infosys Consulting