In de hype van het moment vergeten mensen dat soms. Het is verleidelijk om te geloven dat A.I. alle problemen kan oplossen, maar het blindelings volgen van deze hype kan leiden tot onrealistische verwachtingen.
Ik heb het hier al vaker gezegd: kwalitatieve data is de levenslijn van artificiƫle intelligentie. Circa 90% van de bouw van een A.I.-model gaat om de voorbereiding: data verzamelen, schoonmaken, voorbereiden, analyseren en verrijken.
Bon... mooie voorbereiding achter de rug, nu A.I.-model trainen en hopla, fantastische resultaten? Neen, zelfs dan kan het nog gebeuren dat in een kwalitatieve dataset geen bruikbare patronen gevonden worden. Waarom precies?
1ļøā£ Complexiteit: sommige problemen zijn van nature complexer dan andere en kunnen moeilijk te modelleren zijn met A.I., vooral als er te veel onvoorspelbare variabelen zijn.
2ļøā£ Representativiteit en variabiliteit: een dataset kan onvoldoende representatief voor de variabiliteit van het echte probleem. Dit kan leiden tot een model dat goed presteert op de dataset, maar slecht generaliseert in de praktijk.
3ļøā£ Verborgen variabelen: er kunnen belangrijke factoren of variabelen in de dataset ontbreken die essentieel zijn voor het maken van accurate voorspellingen.
Nogal abstract? Praktijkvoorbeeld ter verduidelijking:
Stel, je wil boekingen van een hotel aan de Belgische kust voorspellen op basis van historische boekingsdata die het hotel aanleverde. De data lijkt consistent, volledig, uitgebreid en vertoont geen gaten. Dat mĆ³et goede voorspellingen opleveren, toch?
Niet gegarandeerd, onze dataset ontbreekt cruciale data. Welke? Actuele weersgegevens, COVID-19 pandemiegevens van de afgelopen jaren, schoolvakanties, data over lokale evenementen, feestdagen en eventueel ook promoties, concurrentiƫle gegevens (bv. opening nieuw hotel in de buurt), etc.
Elk van deze gegevens kan invloed gehad hebben op onze historische boekingsdata en de voorspellingsnauwkeurigheid zal waarschijnlijk lijden onder het ontbreken van deze kritieke informatie.
Falen om patronen te identificeren is niet per se een verlies, het kan ook waardevolle inzichten opleveren. Het iteratief proces van bouwen, testen en aanpassen van AI-modellen is een fundamenteel aspect binnen ons vakdomein, waar leren uit āmislukkingenā onderdeel van uitmaakt. Voorafgaand onderzoek op data verzekert ons dat we bouwen op stevige fundamenten. Door de tijd te nemen om data te begrijpen, wordt de kans op succes vergroot.
Kortom: Ambitieus zijn kan geen kwaad, maar besef dat, als je artificiƫle intelligentie in bedrijfsprocessen wil integreren, niet elk AI-model in elke situatie succesvol zal zijn.
