2019_10_VCM_LR

W W W . V A L U E C H A I N . B E 24 DOSSIER FPI Bij heel wat bedrijven is de hoeveelheid data evenwel nog te beperkt, niet betrouwbaar en/ of te weinig gestructureerd om statistisch de juiste beslissingen te kunnen nemen. “Daar moeten bedrijven dringend werk van gaan maken, willen ze de boot niet missen. Hoe vlugger hoe beter uiteraard, maar als uiter- ste deadline zou ik vier à vijf jaar als deadline vooropstellen”, zegt Steven Pauly. “Wie op dat moment noodgedwongen moet passen voor machine learning, zou het wel eens heel moei- lijk kunnen krijgen om te overleven.” Daarnaast schort het binnen bedrijven nog te vaak aan tactische kennis om de resulta- ten van machine learning technieken goed te interpreteren. “Voor alle duidelijkheid, machine learning maakt de menselijke grijze massa niet overbodig. Aan het stuur van der- gelijke oplossingen moet iemand zitten die de resultaten goed kan analyseren. Die kennis is momenteel nog te dun gezaaid. Met andere woorden: terwijl machine learning sterk is in het verwerken grote hoeveelheden data en het oplossen van complexe vraagstukken, hebben bedrijven het net moeilijk om die data aan te leveren en de resultaten goed te inter- preteren. Met ons kennisplatform Slimstock Academy, waarbij we professionals intensieve trainingen op verschillende niveaus geven, willen we in de toekomst ook de kennis rond de werking van machine learning bij onze klanten aanscherpen.” Om een goede interpretatie mogelijk te maken, wil Slimstock vermijden dat zijn machine learning toepassingen al te veel een black box worden. “Oplossingen op basis van machine learning moeten – zeker in de con- text waarbinnen onze klanten werken – intu- ïtief en begrijpelijk zijn, zodat gebruikers uiteindelijk de juiste beslissingen kunnen nemen”, licht Steven Pauly toe. “Gemakke- lijk is dat niet, want er kunnen conflicten optreden tussen wat intuïtief en statistisch de beste keuze is. Ik geef een voorbeeld. Stel dat je meedoet aan een spelprogramma en je krijgt drie gesloten deuren voor je, waar- bij achter één deur de hoofdprijs zit. Je kiest een deur en daarna zal de presentator – die precies weet wat achter elke deur zit – een van de ander twee deuren openen. Uiter- aard zal dat die deur zijn waar de hoofdprijs niet achter zit. Hij vraagt je dan: “Wil je nog wisselen?” Veel mensen zouden denken dat het niet uitmaakt, maar aan de hand van die nieuwe informatie en wat statistiek, weet je dat de kans om te winnen 67% wordt als je wisselt van deur en dus je oorspronkelijke keuze laat varen.” “Wij moeten de bedrijven waarmee wij wer- ken er dan ook bewust van maken dat intuï- tie niet altijd de beste raadgever is”, besluit Steven Pauly. “Data, knowledge & mindset, dat zijn naar onze mening de belangrijk- ste aspecten waar bedrijven nu aandacht aan moeten besteden om succesvol met de toekomstige oplossingen op basis van machine learning van wal te kunnen ste- ken.” TC “Voor alle duidelijkheid, machine learning maakt de menselijke grijze massa niet overbodig. Aan het stuur van dergelijke oplossingen moet iemand zitten die de resultaten goed kan analyseren. Die kennis is momenteel nog te dun gezaaid.”

RkJQdWJsaXNoZXIy MjkyNTU=