Hoe AI machinaal leren in staat stelt om meer gedemocratiseerd te worden

Klik voor meer informatie over co-auteur Adam Carrigan.

Klik voor meer informatie over co-auteur Jorge Torres.

Traditioneel waren tools voor machine learning alleen beschikbaar voor ondernemingen met het benodigde budget en de nodige expertise. Nu maakt AI het mogelijk dat machine learning wordt gedemocratiseerd om meer gebruikers te bereiken, waardoor ze de door business intelligence gedreven beslissingen kunnen nemen die hun manier van werken het komende jaar kunnen veranderen. Jorge Torres en Adam Carrigan bespreken de uitdagingen waarmee datawetenschappers in het MKB worden geconfronteerd, hoe AI de democratisering van machine learning mogelijk maakt en de impact die dit kan hebben op elk bedrijf dat gestructureerde data heeft.

Hoe profiteren organisaties van datagestuurde business intelligence?

Jorge: De meeste bedrijven hebben al een aanzienlijke hoeveelheid gegevens gegenereerd uit bedrijfsapplicaties die niet worden gebruikt voor besluitvorming. Door deze gegevens toegankelijker te maken, kunnen organisaties beslissingen nemen over business intelligence die de manier waarop MKB-bedrijven in het komende jaar opereren, kunnen veranderen.

Adam: We hebben onlangs een enquête gehouden onder zorgverzekeraars en ontdekten dat de helft van de respondenten lopende voorspellende analyses en ML-projecten heeft. Zorgorganisaties maken al gebruik van business intelligence om de voorspellingen van behandelresultaten voor patiënten te verbeteren. Een ander voorbeeld: Cybersecurity-professionals gebruiken al machine learning om IT-infrastructuren te beschermen door potentiële bedreigingen te sorteren om meer bruikbare beveiligingswaarschuwingen te geven.

Verwacht dat business intelligence het komende jaar een nog grotere impact zal hebben. Ondernemingen, gezondheidszorg, filantropische organisaties en elk bedrijf dat een database gebruikt, zullen allemaal beter gebruik moeten maken van hun gegevens om veranderingen te voorspellen en beter geïnformeerde bedrijfsstrategieën te ontwikkelen.

Wat weerhoudt het MKB ervan gebruik te maken van Machine Learning-tools?

Adam: Datawetenschappers bij het MKB staan ​​voor veel uitdagingen als het gaat om toegang tot middelen en expertise. Het is van oudsher erg moeilijk om gegevenswetenschappers te voorzien van machine learning-middelen als u geen groot bedrijf bent.

De huidige machine learning-tools zijn tijdrovend om te gebruiken en vereisen geavanceerde machine learning-kennis, waardoor de datawetenschapper onder druk komt te staan. Sterker nog, in de gezondheidszorgstudie die we hebben gevonden als het gaat om het produceren van resultaten van voorspellende analyses en ML-projecten, zei 50 procent dat datawetenschappers verantwoordelijk zijn en 27,5 procent zegt dat data-analisten de verantwoordelijkheid dragen.

Jorge: Een andere barrière is de privacy van gegevens. Veel MKB-bedrijven kunnen hun gegevens niet naar de cloud verplaatsen vanwege beveiligingsproblemen. Het on-premise opslaan van gegevens leidt echter tot een gebrek aan cloudgebaseerde tools voor machine learning.

Hoe ondersteunt AI de democratisering van machine learning?

Jorge: Door het gebruik van AIKunnen KMO’s de kennis van een domeinexpert vergroten en ML in handen geven van de mensen die de gegevens raken. De recente ontwikkeling die deze democratisering van machine learning mogelijk maakt, zijn AI-tabellen.

AI-tabellen verschillen van normale databasetabellen doordat ze voorspellingen kunnen genereren nadat ze zijn opgevraagd en dergelijke voorspellingen kunnen retourneren alsof het gegevens zijn die in de tabel staan. Simpel gezegd, een AI-tabel stelt u in staat om machine learning-modellen te gebruiken alsof het normale databasetabellen zijn. Door gegevens direct bij de bron te gebruiken, kunt u met AI de voorspellingsnauwkeurigheid vergroten.

Adam: De mogelijkheid om ML-modellen uit te voeren met een eenvoudige SQL-query verlaagt de ML-expertise die nodig is om deze modellen uit te voeren. Hierdoor kunnen reguliere databasegebruikers gebruik maken van ML en worden data beter toegankelijk zonder de datawetenschappers onder druk te zetten. Door ML-tools naar de database te brengen, kunnen MKB-bedrijven de volledige controle over hun gegevens behouden en toch profiteren van de voordelen van machine learning.

Wat is de rol van verklaarbare AI bij het democratiseren van machine learning?

Jorge: Het hele doel van het democratiseren van machine learning is om gegevens toegankelijker en bruikbaarder te maken om zakelijke beslissingen te stimuleren. Dit betekent dat management en besluitvormers deze gegevens moeten kunnen vertrouwen. Black-box-modellen zijn altijd moeilijk te vertrouwen en bieden niet alle informatie die nodig is om weloverwogen beslissingen te nemen.

Weten wanneer je een uitkomst niet kunt vertrouwen, is net zo belangrijk als weten wanneer je het moet vertrouwen. Een door ML gegenereerde voorspelling moet ook duidelijk aangeven waarom besluitvormers de voorspelling en het gebruikte model kunnen vertrouwen.

Adam: Naast het bieden van betrouwbaardere ML-voorspellingen, laat verklaarbare AI databasegebruikers ook weten hoe ze voorspellingen betrouwbaarder kunnen maken. Wanneer we het hebben over het democratiseren van machine learning, zullen de echte voordelen worden gezien wanneer zoveel mogelijk gebruikers ML-voorspellingen gebruiken, die modellen verbeteren en AI en voorspellende analyses gebruiken op nieuwe en innovatieve manieren die hun branche vooruit zullen helpen.

Table of Contents

Vragen voor onze consultants?

Twijfel niet en neem direct contact met ons op met uw vraagstuk.