We worden overspoeld met beelden van superintelligente AI die de wereld overneemt, maar is dat realistisch?
In dit interview betoogt dr. Eric Siegel, voormalig professor aan Columbia University, vooraanstaand ML-consultant en auteur van Het AI-handboek: de zeldzame kunst van machinelearningimplementatie beheersen, dat voorspellende AI—ook wel machine learning voor ondernemingen genoemd—concrete waarde biedt die generatieve AI nog moet bewijzen.
We onderzoeken waarom veel ML-projecten mislukken en hoe de kloof tussen bedrijfs- en datateams kan worden overbrugd. Ontdek hoe bedrijven ML inzetten om uitdagingen uit de echte wereld aan te pakken en een concurrentievoordeel te behalen.
Waarom geloven mensen ten onrechte dat AI net zo capabel zal worden als mensen – of mogelijk een dodelijk risico voor de mensheid zal vormen?
De wensvervulling die wordt beloofd door artificiële algemene intelligentie (AGI) – software die elke intellectuele taak kan uitvoeren die mensen kunnen uitvoeren – is zo verleidelijk dat ze bijna onweerstaanbaar is. Door de ultieme macht te creëren, bereiken we als wetenschappers en futuristen de ultieme bevrediging van ons ego.
Door een systeem te bouwen dat zijn eigen doelen stelt en deze zelfstandig net zo effectief nastreeft als een mens, externaliseren we onze proactieve wil en planten we die over in een nieuwe beste vriend van de mensheid, voor wie we het hoogste aanzien hebben en met wie we ons mogelijk kunnen identificeren. Door een nieuwe levensvorm te creëren, verwezenlijken we elk laatste beetje van het tot nu toe onbenutte potentieel van onze multifunctionele machines die we computers noemen. Door onszelf opnieuw te creëren, verwerven we onsterfelijkheid.
Door één oplossing voor alle problemen te creëren, overstijgen we elke maatstaf voor financiële beloning en verwerven we oneindige rijkdom. ML-denker en bestuurder Richard Heimann noemt dit de drogreden van de allesomvattende oplossing. In plaats van de vele problemen van de wereld één voor één op te lossen, lossen we ze allemaal in één klap op met het ultieme wondermiddel.
We hoeven ons geen zorgen te maken over mondiale kwesties zoals klimaatverandering, politieke instabiliteit, armoede of gezondheidscrises. Zodra een kunstmatige mens bestaat, zal deze zichzelf blijven verbeteren om een probleemoplosser te worden die net zo capabel is als de mensheid ooit zou kunnen zijn.
Wat is een goede strategie om de kloof tussen zakelijke professionals en dataprofessionals te overbruggen, die er routinematig voor zorgt dat ML niet succesvol is?
Dit is het probleem. ML is de krachtigste breed toepasbare technologie ter wereld. ML kan grootschalige activiteiten echter alleen verbeteren door ze te veranderen. Daarom moet een ML-project niet worden gezien als “een technologieproject”. Om impact te maken, moet het in plaats daarvan worden geherformuleerd als een bedrijfsproject dat bedoeld is om operationele prestaties te verbeteren, waarbij ML slechts één component is—een noodzakelijke, maar niet voldoende component.
Omdat de aandacht vrijwel volledig gericht is op het technische gedeelte en de uitvoering daarvan, is de sector er niet in geslaagd een breed toegepaste bedrijfspraktijk op te zetten voor het uitvoeren van de andere helft van een succesvol ML-project. Als gevolg daarvan worden nieuwe ML-initiatieven routinematig niet in productie genomen.
Mijn oplossing hiervoor is bizML, een discipline in zes stappen voor het uitvoeren van een ML-project, zodat het succesvol in productie wordt genomen. Je kunt hierover meer lezen in mijn nieuwste boek.
Wat is volgens jou de verklaring voor het feit dat de meeste ML-projecten binnen ondernemingen niet in productie worden genomen, terwijl een selecte groep uitzonderlijk succesvol is?
De hoofdoorzaak van de meeste mislukkingen van ML-projecten is een gebrek aan grondige planning voor de ingebruikname – planning voor de operationele verandering die de integratie van een voorspellend model teweeg zou brengen. Omdat de wereld ML-projecten opvat als technische projecten waarbij de meest geavanceerde berekeningen worden uitgevoerd, wordt aangenomen dat het technische project waarde zal opleveren. Dit is een ernstige misvatting.
De waarde wordt alleen gerealiseerd door grootschalige activiteiten te *veranderen* – en daarmee te verbeteren – op basis van de voorspellingen die door een ML-model worden geleverd.
Heb je een tegendraadse kijk op de overdreven hype rond artificiële intelligentie en op het feit dat bijna niemand vraagt – of meet – hoe goed AI-technologie is?
Dit zijn twee verschillende zaken. Wat de hype betreft: het gangbare verhaal is dat we op weg zijn naar AGI. Dat is een mythe. Het is de roman die Mary Shelley zou hebben geschreven als ze van algoritmen had geweten.
Wat betreft de reden waarom we niet meten hoe *goed* AI is – hoe goed deze kwantitatief presteert en hoeveel bedrijfswaarde deze zou kunnen opleveren, afhankelijk van de manier waarop deze wordt ingezet – de focus ligt verkeerd.

Author's Tip
“Bij het evalueren van ML-modellen richten datawetenschappers zich bijna volledig op technische statistieken zoals precisie, terugvindpercentage en lift, een soort voorspellende vermenigvuldigingsfactor (met andere woorden: hoeveel keer beter voorspelt het model dan wanneer je zou gokken?). Maar deze statistieken zijn ernstig ontoereikend. Ze vertellen ons iets over de relatieve prestaties van een voorspellend model — in vergelijking met een basislijn, zoals willekeurig raden — maar geven geen directe indicatie van de absolute bedrijfswaarde van een model. Zelfs de meest gebruikelijke statistiek, nauwkeurigheid, valt in deze categorie. (Bovendien is die doorgaans irrelevant en vaak misleidend.)
In plaats daarvan moet de focus liggen op bedrijfsstatistieken — zoals omzet, winst, besparingen en het aantal verworven klanten. Deze eenvoudige, relevante statistieken meten de fundamentele aspecten van succes. Ze houden rechtstreeks verband met bedrijfsdoelstellingen en brengen de werkelijke waarde aan het licht van de onvolmaakte voorspellingen die ML oplevert. Ze zijn essentieel voor het opbouwen van een broodnodige brug tussen bedrijfs- en datawetenschapsteams.
Helaas laten datawetenschappers bedrijfsstatistieken routinematig weg uit rapporten en besprekingen, ondanks het belang ervan. In plaats daarvan domineren technische statistieken de ML-praktijk — zowel wat betreft de technische uitvoering als de rapportage van resultaten aan belanghebbenden.”
Hoe gebruiken organisaties ML actief om activiteiten te optimaliseren en een concurrentievoordeel te creëren in uiteenlopende sectoren?
ML innoveert op een eenvoudige, zij het ontwrichtende manier. Laat de schittering die van deze oogverblindende technologie uitgaat de eenvoud van haar fundamentele taak niet verhullen: voor de meeste bedrijfstoepassingen is het doel van ML om bruikbare voorspellingen te doen — daarom wordt het soms ook voorspellende analyses of voorspellende AI genoemd.
Hoewel leren van gegevens om een voorspellend model te genereren net zoveel bewondering verdient als elke andere wetenschappelijke of technische prestatie, vertaalt die mogelijkheid zich op een ongecompliceerde manier in tastbare waarde: het model genereert voorspellende scores, die op hun beurt miljoenen operationele beslissingen aansturen.
Op deze manier bestrijdt ML onze grootste risico's — waaronder bosbranden, klimaatverandering, pandemieën en kindermishandeling. Het stimuleert de verkoop, verlaagt de kosten, voorkomt fraude, stroomlijnt de productie en versterkt de gezondheidszorg.
Voor meer inzichtgevende interviews kunt u zich abonneren op de nieuwsbrief van The CTO Club.




