Wat is AI en welke tooling valt daaronder?
Kunstmatige intelligentie (AI) is een veelbesproken onderwerp dat vragen kan oproepen
Wat maakt AI zo bijzonder? Hoe beïnvloedt deze technologie bedrijven, individuen en zelfs de maatschappij? En hoe realistisch is de zorg dat AI banen kan vervangen?
AI is overal – van de spamfilters in je inbox tot zelfrijdende auto’s. Wist je dat kunstmatige intelligentie ook achter de schermen een belangrijke rol speelt in de financiële processen van ziekenhuizen, scholen en andere organisaties? Neem bijvoorbeeld een AI-systeem dat helpt om fraude sneller op te sporen in de financiële administratie van een zorginstelling, of een machine-learningmodel dat onderwijsbudgetten optimaliseert door slim patronen in uitgaven te analyseren. Voor Finance betekent dit niet alleen efficiëntere processen, maar ook uitgebreidere mogelijkheden om strategische, data-driven beslissingen te nemen.
In deze blog nemen we je mee in de wereld van AI: wat het is, hoe het werkt, welke toepassingen er al bestaan in de praktijk, en wat dit voor jou kan betekenen?
Wat is kunstmatige intelligentie (AI)?
Het veld van kunstmatige intelligentie draait om computers helpen leren, redeneren en onze problemen oplossen. Een heel simpel voorbeeld daarvan is dat jij je mailprovider kunt leren wat spammails en phishingmails zijn, zodat deze vooraf gefilterd worden. Een complexer voorbeeld is zelfrijdende auto’s.
AI is een allesomvattend begrip dat bestaat uit veel (sub)categorieën. Het is technologie die zorgt dat machines simpele handelingen uitvoeren waarbij normaal gesproken menselijke
intelligentie nodig is. Net zoals hoe mensen leren van herhalende handelingen, leert technologie ook van data waarmee het voorzien wordt. Door bepaalde datasets beschikbaar te stellen, oftewel door een AI-model te trainen, kan AI specifieke handelingen uitvoeren. Een AI-tool kan dus niet zelf nadenken.
Wat is de definitie van kunstmatige intelligentie?
Volgens de AI Act van de Europese Unie is de definitie van kunstmatige intelligentie: “een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus van autonomie te werken en dat na het inzetten ervan aanpassingsvermogen kan vertonen, en dat, voor expliciete of impliciete, doelstellingen, uit de ontvangen input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of beslissingen van invloed kunnen zijn op fysieke of virtuele omgevingen.”
Met andere woorden, AI komt neer op systemen die informatie verzamelen, leren en toepassen om resultaatgerichte beslissingen te nemen. Daarbij kunnen we onderscheid maken tussen bijvoorbeeld algemene AI en toegepaste AI.
Wat is General AI / Algemene AI?
Algemene AI bestaat nu nog niet. Het is een toekomstperspectief. Theoretisch gezien is General AI (AGI) vergelijkbaar met menselijke intelligentie, omdat zo’n systeem in staat zou moeten zijn tot het begrijpen, leren en toepassen van kennis op uiteenlopende domeinen. Vooralsnog is AGI alleen een concept, omdat dit type AI de oorzaak is van de angst voor wereldoverheersing.
Wat is Narrow AI / Toegepaste AI?
Toegepaste AI-systemen bestaan al wel en zijn beperkt tot specifieke domeinen. Ze zijn namelijk ontworpen voor specifieke taken, zoals spraakherkenning, gezichtsherkenning en chatbots. Om deze systemen te trainen, zijn er verschillende manieren. De Spend Cloud gebruikt een van deze manieren, namelijk Machine Learning. Daarom gaan we daar wat dieper op in in de volgende alinea.
Wat is Machine Learning?
Machine learning is een manier waarmee computers kunnen leren en verbeteren op basis van ervaring. Op basis van deze ervaringsdata kan het systeem uiteindelijk een voorspelling maken. Zelfs op basis van data die het systeem nog nooit eerder heeft gezien.
Zo kan een pizzeria bijvoorbeeld machine learning gebruiken om de verkoopcijfers te analyseren. Vervolgens kan het AI-model voorspellen welke pizza’s er op welke dagen het meest worden verkocht. Dit kan de eigenaar vervolgens gebruiken om op de juiste dagen de juiste hoeveelheden ingrediënten te kopen en het optimaal inzetten van personeel.
Wat is het verschil tussen ‘supervised’ en ‘unsupervised’ machine learning?
Om ervoor te zorgen dat machine learning leert van de data heb je twee manieren om deze data te structureren. Dit zijn Supervised learning en Unsupervised learning. Het verschil tussen de twee is dat je bij supervised modellen, de data labeled en bij unsupervised doe je dat niet. De Spend Cloud maakt gebruik van supervised data, omdat supervised modellen op basis van nieuwe data zichzelf verbeteren.
Wat is een Deep Learning-systeem?
Een vorm van Machine Learning is Deep Learning. Dit is bijvoorbeeld praktisch voor het detecteren van frauduleuze transacties. Resultaten genereren met Deep Learning kan op basis van drie manieren:
- Discriminative AI leert op basis van de labels die zijn gegeven. Bijvoorbeeld op basis van alle labels in het model, weet het systeem welke cijfers op een bon aangeven hoeveel fooi er gegeven is. Op alle nieuwe bonnen zal het systeem dit bedrag dan ook labelen als fooi.
- Generative AI (GenAI) maakt nieuwe data op basis van patronen. Dus vanuit alle bonnen die het AI-model heeft gebruikt om te trainen kan GenAI een totaal nieuwe bon voor je genereren. Dit type AI is de kern van veel afbeeldingen die tegenwoordig op het internet rondzwerven. Denk ook aan deep fake video’s. Het AI-systeem gebruikt hierbij bestaande afbeeldingen om een nieuwe afbeelding te genereren.
- Een Large Language Model (LLM) omvat alle modellen die vooraf goed getraind zijn, maar verder worden getraind voor specifiek gebruik. Hier is ChatGPT een goed voorbeeld van. ChatGPT gebruikt veel data om een antwoord te geven op een vraag. Door dit model verder te trainen, kan het in specifieke branches worden toegepast, zoals in ziekenhuizen voor zorggerelateerde onderwerpen.
AI-systemen in de praktijk: Hoe AI onze wereld verandert
Kunstmatige intelligentie in de zorg
Bijvoorbeeld in de zorg maakt AI een gigantische opmars, waarbij de technologie wordt ingezet om patiëntenzorg te verbeteren, kosten te verlagen en efficiëntie te vergroten. Toepassingen die anno 2024 al worden gebruikt zijn:
- AI die helpt bij het interpreteren van medische beelden, waardoor problemen sneller en nauwkeuriger kunnen worden gedetecteerd.
- Daarnaast kan AI gegevens analyseren om trends te ontdekken en voorspellingen te doen, zoals het identificeren van patiënten met een hoog risico op bepaalde aandoeningen. Daardoor wordt vroegtijdige interventie mogelijk.
Al deze toepassingen verbeteren de zorg, maar maken ook ruimte vrij voor artsen om zorg te kunnen leveren en zich te focussen op de emotionele of de menselijke kern van hun vakgebied.
Kunstmatige intelligentie in het onderwijs
AI wordt ook steeds vaker toegepast in het onderwijs om het leren te verbeteren, de efficiëntie te vergroten en de leerervaring te personaliseren. Voorbeelden hiervan zijn:
- Het creëren van individuele leerplannen op basis van de sterke en zwakke punten van een student. Dit helpt studenten om in hun eigen tempo te leren en zich te concentreren op gebieden waar ze extra ondersteuning nodig hebben
- Leerondersteuning via chatbots kan studenten helpen met vragen over specifieke lesstof, al komt hier natuurlijk meteen een ethisch vraagstuk bij kijken.
- Daarnaast kan AI gebruikt worden voor het ontwikkelen van educatiemiddelen, zoals interactieve oefeningen en video’s. Het kan ook bestaande middelen analyseren en optimaliseren voor betere leerresultaten.
Ook hierbij zien we dat AI het onderwijs kan verbeteren door de leraren meer ruimte te geven en te ondersteunen in repeterende taken. Belangrijk hierbij is dat de effectiviteit afhangt van een goede implementatie, zoals bij alles het geval is.
Kunstmatige intelligentie in Finance
Finance krijgt bijvoorbeeld te maken met complexe budgetten, veelvoudige leveranciers en strikte regelgevingen. Hier maakt AI al een groot verschil. Kunstmatige intelligentie is namelijk een goed hulpmiddel om efficiëntie te vergroten, risico’s te beheersen en klanttevredenheid te verbeteren. Een aantal voorbeelden in Finance zijn:
- Het identificeren van ongebruikelijke transactiepatronen die kunnen wijzen op fraude. De Machine learning-modellen waar we het net over hadden doen steeds betere voorspellingen om verdachte activiteiten tijdig te signaleren.
- Voorspellingen en analyses maken, zoals het inschatten van toekomstige economische trends, klantgedrag en marktontwikkelingen. Deze inzichten helpen bij strategische planning en besluitvorming.
- Het analyseren van duizenden facturen om dubbele betalingen te signaleren.
- Het maken van voorspellingen over toekomstige budgetten op basis van historische gegevens.
- Het automatiseren van terugkerende taken, zoals het controleren van declaraties.
Daarbij zie je ook hier, en zeker ook op de krappe arbeidsmarkt, dat AI van onschatbare waarde kan zijn. Door Machine Learning toe te passen, kan de Spend Cloud jouw afdeling inzicht geven in de grootste kostenposten en mogelijkheden om deze te optimaliseren. Dan heb je concrete handvatten om aan de slag te gaan wanneer het jou schikt.
Benieuwd welke rol kunstmatige intelligentie in de Spend Cloud speelt?
Uiteraard werken diverse organisaties in de zorg, het onderwijs en in Finance met de Spend Cloud. Welke impact heeft de software daar? En van welke AI-tools maakt de Spend Cloud gebruikt om klanten beter te kunnen ondersteunen? Lees verder in de blog ‘De rol van AI in de Spend Cloud’.
Benieuwd naar Spend Cloud cybersecurity-maatregelen?
Een van de grootste bezwaren tegen AI is veiligheid. Lees meer over onze cybersecurity-visie en alle veilige functionaliteiten van de Spend Cloud op onze cybersecuritypagina.
Eén reactie