Kan ik AI kopen?

Wat zijn je opties als je start met AI? Moet je dit kopen? Kun je gebruikmaken van bestaande

diensten? Of moet je helemaal zelf opnieuw beginnen? In deze aflevering gaan we kijken

wat er allemaal mogelijk is. Iedere twee weken duiken we dieper in het nieuws rondom AI en

hoe je AI inzet in je organisatie. Ik ben Mark Wolffenbuttel, chapterlead AI zorg bij Info Support.

En ik ben Joop Snijder, head of research center artificial intelligence, ook bij Info Support.

Welkom bij onze vierde aflevering alweer van onze podcast serie. We zijn de derde aflevering

geëindigd met de vraag kan ik AI net als een Netflix abonnement gewoon ergens kopen?

Nou laten we daarmee starten. Joop, kan ik dat gewoon kopen? Nou Mark, voordat we beginnen wil ik

eigenlijk eerst een opmerking maken. We hebben de vorige aflevering hebben het over kunstmatige

intelligentie, AI gehad. We zijn daar vol van en dan lijkt het net alsof AI de oplossing voor

alles is. Dus ik wil daar een kanttekening bij plaatsen dat bij iedere oplossing dat je goed

moet nadenken van wil je hier AI voor inzetten. Ik kies er altijd voor om eerst te kijken van

kunnen we het regelgebaseerd oplossen. Dat is goedkoper, eenvoudiger, makkelijker een business

case onder te leggen. Dus dat zou in eerste instantie de eerste keuze zijn. En aan de andere

kant is het ook zo dat AI ook nog niet alles kan oplossen. De stand van de techniek is in

ontwikkeling. Dus we hebben niet dat zomaar alles, alle ideeën die we hebben, dat we die kunnen

oplossen met AI. Dus dat moeten we wel even in gedachte houden. Zeker voor de rest ook van deze

aflevering. Nou misschien moeten we het Joop, omdat we het in aflevering drie hebben gehad over

praktijkvoorbeelden gebaseerd op eigenlijk business vraagstukken. Het vandaag is even onderzoeken hoe

dat werkt vanuit de techniek. Dat is een goede, want volgens mij zijn er vier opties van hoeveel

je er zelf aan moet doen aan de AI voor het inzetten of dat je het nou laten we zeggen

out of the box kan kopen. Heb jij voorbeelden van out of the box? Nou zeker, laten we dan gelijk met

optie 1 beginnen. Veel gebruikers van software die weten dat ze een pakket gebruiken. Bijvoorbeeld

een CRM pakket of een SAP backend systeem of een financial systeem. En ook daarin komen steeds

vaker, en dat zijn echt nieuwe features die gebruik maken van AI en die eigenlijk gewoon

beschikbaar komen. Daar hoef je niks voor te doen, die kun je gebruiken. En denk daarbij aan een

veel, sterk verbeterde zoekfunctie of misschien wel een mogelijkheid om te praten en dat om te

zetten in een zoekopdracht of allerlei andere toepassingen die eigenlijk vanuit het pakket

leverancier worden geleverd. Daar wordt AI dus toegepast en eigenlijk gewoon out of the box

aan jou geleverd. Ja waarbij je dan hebt dat het een feature is waarbij je zelf meestal niets meer

aan kan veranderen. Het is er, je gebruikt het en het voldoet aan je behoefte of niet. Het is

een soort van al... Het is door de leverancier bedacht. Ja precies. Ja en als je een klein

stapje verder wil, zou je gebruik kunnen maken van bestaande diensten, kanteklare diensten van

derde. En dan zou je moeten denken aan bijvoorbeeld kanteklare modellen die Microsoft levert, die

Amazon levert, die Google levert. En dat zijn dan bijvoorbeeld modellen waarbij je als je een

plaatje aanbiedt, dat die kan zeggen wat er bijvoorbeeld op dat plaatje staat. En dan zegt

die van ik zie een vrouw staan en die zit in werkkleding met een stropdas, die heeft een

colbert aan, die heeft dit type huidskleur, die is ongeveer zo oud, deze emotie zit op het gezicht.

Dat soort zaken kunnen dan allemaal uit een uit een plaatje gehaald worden. Deze modellen die

kan je rechtstreeks aanspreken, kan je ook heel makkelijk kan je daar tegenaan programmeren en

daar krijg je dan een hele rits aan gegevens, krijg je terug. Ja als ik daar dan op in mag haken Joop,

dat dat dat zijn diensten die zijn heel toegankelijk en ideaal voor de start van van jouw eigen

business case. Ja en wat je kan het het voorbeeld wat je noemt rondom herkenning van van iets wat

op een afbeelding staat, zie je natuurlijk op meerdere plekken in het dagelijks leven ook weer

terugkomen. Zo heeft Mark plaats op het moment dat jij een plaatje upload, herkent die hey dat is een

fiets en geeft dan gelijk aan hey in deze rubriek zou je het moeten plaatsen. Dat zijn allemaal vrij

eenvoudige business cases, maar wel ook techniek die erachter zit die gewoon heel toegankelijk is.

Ja en die kan je dan heel makkelijk inzetten. Nadeel hiervan is weer dat als er iets herkend

moet worden wat je ja wat niet standaard in die modellen zit, dus wat die leveranciers

niet hebben meegetraind, ja dan dan dan zit je vast. Dus die modellen leveren wat ze leveren weer

en die zijn dan op dat moment niet aan te passen. Ja dus als je dat als als praktijkvoorbeeld zou

zien, stel je wil de bakker herkennen omdat die een brood aan het bakken en brood in zijn handen

heeft, maar het brood zelf is niet meegetraind, dan herkent hij nooit de bakker. Ja de type broden

bijvoorbeeld. Het type broden, goeie. Ja type broden. Je bent inderdaad de bakker, je hebt

allerlei broden, broodjes, dus misschien kan die brood als als object kan die herkennen,

maar dan kan die alleen maar zeggen dit is brood. Terwijl jij wil misschien kunnen herkennen dat het

een tarwe is, dat het spelt brood is, dat het nou ja weet ik het, waldkorn, allerlei type brood,

bolletjes, dat hij dat allemaal kan klassificeren. Ja zo ver gaan deze diensten vaak niet. Op het

moment dat je dat wil, kom je eigenlijk op een ander type model en een andere optie eigenlijk,

dan gaan we eigenlijk al naar optie 3. Ja en optie 3 wat je daar doet, is dat je wel gebruik kan

maken van die kracht van die bestaande modellen. Dus de meeste van dit soort leveranciers bieden

dan de mogelijkheid om de bestaande modellen te customizen. Dus wat je dan doet, is je eigen data

aanleveren, dus je eigen plaatjes van die broden, de waldkorn, de volkoren, de spelt, wat zeg ik,

dat gaf ik allemaal als voorbeelden. Die moet je ook zelf, moet je aangeven, moet je daar een label

op plakken van dit is spelt, dit is waldkorn en dan moet je best wel een hoop plaatjes voor aanleveren.

Dan kan je het model kan je bij gaan trainen, dus erbovenop, om uiteindelijk deze broden ook

te herkennen. Dus het mooie is dat je maakt gebruik van alle effort, training die al gebeurd is,

om heel goed plaatjes uiteindelijk te kunnen herkennen en daar plak je dan je eigen laagje

als het ware bovenop. Ja, hier is natuurlijk wel, dat hoor je al, het is optie 3, er komt iets meer

bij kijken. Het is ook vaak in gebruik uiteindelijk als je kijkt naar kosten iets duurder, maar nog

steeds heel erg goed bruikbaar voor een start, voor een experiment, voor een klein project.

Maar rekening houden daarbij dat dingen als testen, het uiteindelijk publiceren van het model, dat

zijn dingen die je dan wel zelf moet doen. Ja zeker en daar gaat ook best wel tijd in zitten,

zeker ook het verzamelen van de data. Je moet je voorstellen dat die broden moet je bijvoorbeeld

uit verschillende hoeken moet je die gaan, daar moet je de beelden van hebben. Onder verschillende

lichtomstandigheden moet je dat hebben, dat in allerlei vormen waarin je dat straks gaat krijgen,

waarin je die beelden ook aanbiedt aan dat model, moet die ook geleerd hebben, getraind hebben om het

straks goed te kunnen herkennen. Ja en mocht dat nou allemaal niet genoeg zijn, je kan niet

uiteindelijk je business case uitrollen, uitvoeren, omdat je net niet genoeg hebt aan de bestaande

aangeboden API's zoals dat zo mooi heet van de leveranciers. Wat kan je dan nog doen? Ja dan

komen we op het zelf bouwen uit, dus dan begin je echt van scratch af aan. Wat je daar dan doet,

is dat je zelf het algoritme kiest, dat je je eigen data verzamelt, dus dan heb je een trainingsset

nodig en die trainingsset bestaat meestal uit data die geannoteerd is, dus waar labels op staat van

dit is, op deze foto staat dit object, deze zin betekent, heeft deze intentie, dit woord betekent

dat. Zo moet je dat helemaal gaan trainen, maar dat betekent ook bij het verzamelen van de data,

dat je moet gaan zorgen dat die data geschoond is, dat die kwalitatief heel goed is. Alles wat je erin

stopt, daar gaat de machine learning gaan proberen om daar patronen in te ontdekken. Dus als daar

vervuiling in zit, nou ja dan vindt die misschien ook patronen die er eigenlijk helemaal niet in

horen. Of het verstoort juist het vinden van patronen. Dat een patron er wel in zit, maar

door de vervuiling dat die dat niet kan vinden. Je moet zorgen dat je data goed gebalanceerd is,

heet dat. Kijk je kan je voorstellen dat als die, als wij bijvoorbeeld 500 foto's zouden hebben van

een waldkornbrood en maar twee van een tarwebrood en een van een speldbrood, dat als we hem een

brood aanbieden, dat die veel meer geleerd heeft wat een, wat zei ik nou, wat de eerste was,

was tarwe. Een tarwebrood. Nou dan zal die met eigenlijk bij alles wat je aanbiedt, zal die zeggen

van nou dit is waarschijnlijk een tarwebrood. Als hij het een brood vindt, zegt hij tarwebrood,

want dat is de grootste kans. Daar heeft hij het meeste van geleerd. Daar heeft hij het meeste data

van. Dus je moet zorgen al dat die data goed gebalanceerd is, dat je van al die klasses

ongeveer dezelfde hoeveelheid data hebt. Dat je dat ook allemaal een beetje vanuit dezelfde hoeken

hebt. Dat je dat hij gelijkmatig train. Dan heb je toch ook eigenlijk wel weer over echt een project

aanpakken. Dat is ook niet resultaat wat je binnen twee weken hebt. Daar ben je echt een tijd mee

bezig. Dus als je even resume naar de vier opties die we hebben genoemd. We hebben natuurlijk het

gebruik maken van features binnen pakketleveranciers. Mocht dat nog niet voldoende zijn voor de business

case of voor het gebruik. Dan kun je kijken naar kant en klare modellen van derde. Zoals

cloudleveranciers, zoals Google, Amazon, Azure die leveren. Daarin kan je ook weer onderscheid

maken optie 3 in het gebruik van één specifiek onderdeel en daar je eigen data op gaan trainen.

Daar een stukje uitbreiding eigenlijk op doen. En mocht dat ook nog steeds niet voldoen. Dan

kan je ervoor kiezen om het zelf te gaan bouwen. Nou daar moet je wel rekening houden dat daar wel

wat wat extra werk bij komt. Want het wordt niet allemaal voor je gedaan. Maar daar ben je wel

helemaal vrij in hoe je het gaat opzetten en kan je hem helemaal toepassen op jouw echte eigen

business. Als we een paar voorbeelden pakken Joop en daar de opties op plotten. Geeft dat misschien

wat meer houvast. Ik gaf het voorbeeld al eventjes van Mark laatst. Die maakt gebruik van een API.

Want die kijkt vanuit de API optie 3. Wat voor object zie ik hier op de foto en plaats het in

een rubriek. Nou weet ik ook dat bijvoorbeeld in de advocatuur wordt veel door de advocaten

zelf wordt tekst ingesproken. Vroeger werd dat uitgetypt door het secretariat. En tegenwoordig

wordt het automatisch omgezet. En welke optie zou dat dan zijn? Ja ik denk dat ze daar gebruik

maken van kant en klare modellen. Het trainen van dit soort modellen is heel erg intensief.

Dus dat kost heel veel geld, tijd, resources. Moet je heel veel trainingsdata voor hebben. Dus dat

zijn typisch kant en klare modellen die je hebt. Waarbij er heel goed getraind wordt op een specifieke

taal. Zodat je spraak heel goed kan omzetten naar geschreven tekst. En is het ook zo Joop

dat uiteindelijk wanneer je start met bijvoorbeeld optie 2, die je nu noemt het kant en klare model

van speech to text. Want tekst herkennen en ja eigenlijk daarmee je memos opmaken. Dat dat

uiteindelijk terugkomt in een optie 1. Dat een pakketleverancier denkt, hey dat is handig die

neem ik in mijn pakket op. Zeker, dat gebeurt denk ik al heel veel. Ik maak er zelf geen gebruik van,

maar word kan je bijvoorbeeld dicteren. Daar kan je dingen in spreken. En zo verweeft zich dat in

dat soort producten. Als je gebruik maakt bij powerpoint. Heb je nu van die features. Ik weet

niet of je die al wel eens gezien hebt. Dat als je een slide aan het maken bent. Dat je nu ook opmaak

ideeën kan krijgen. Dus krijg je aan de rechterkant van je beeld. Krijg je in een keer krijg je allemaal

opties van je slide zou er ook zo uit kunnen zien. Wat ze daar doen is ook gebruik maken van

AI machine learning. Daar kijken ze naar heel veel opgemaakte slides. En kijken ze hoe jouw slide

erin past. En geven ze dat bijvoorbeeld als optie aan. Dat is wel heel handig. Ja en wat misschien

ook dan wel een hele leuke is. Ik weet niet of je die kent. Is dat je tegenwoordig ook als je een

tabel bijvoorbeeld op papiervorm hebt. Kan je daar een foto van maken. En die foto kan die dan weer

ook omzetten. Zodat het ook weer een tabel in word of in excel wordt. Je begon nog de podcast

dus door te zeggen dat niet alles kan. Maar dit zijn toch mooie features die echt wel wat bijdragen.

Ja leuk. En dit is dan typisch iets wat je ziet in optie 1. Pakketleverancier levert deze opties.

En daar kan je gewoon gebruik van maken. Ja ik denk wel als je daarnaar kijkt naar de vier opties.

Dus ook altijd een beetje de fase waarin een project zich bevindt. Veel gebeurt wel vanuit

een stuk zelfbouw. Omdat je daar flexibel bent in eigenlijk wat je moet doen. Het zijn ook vaak

programma's als Microsoft die hun office gaan verbeteren. Die hier teams op hebben zitten.

Die uiteindelijk door die opties heen lopen. En uiteindelijk belanden bij optie 1 gewoon.

Hé het zit in het pakket. Maar dat kan zeker niet voor alles. We hebben het hier over pakketten

die natuurlijk wel vaak door heel veel gebruikers iedere dag weer worden gebruikt. Wanneer je plot

zoals we het hebben verteld al in de eerdere serie aflevering. Dat wanneer je het echt toepast

voor jouw business. Dan is het bij de start natuurlijk heel goed dat je moet kijken.

Oké hoe zorg ik ervoor dat ik zo snel mogelijk mijn hypothese kan valideren. Ik heb een idee.

Hoe zorg ik ervoor dat ik ook visueel iets kan laten zien. Aan bijvoorbeeld het management

of aan de directie. En vanuit daaruit moet je de keuze maken. Welke van deze vier opties

zou het beste zijn om mee te starten. En dat hangt allemaal af van de fase waarin je zit.

Toch even inzoomen op optie 4. Het zelf beginnen en zelf bouwen. Het kan prima zijn dat een bedrijf

zegt we hebben echt een fantastische business case en we hebben de data fase en opschoning

hebben net achter de rug. We willen gaan starten. Als je daar dan naar kijkt. Je hoopt dat daar

komen heel veel disciplines bij kijken. En het is echt een project aanpak. Wat is daar allemaal

voor nodig. Ja daar komen zeker heel veel verschillende disciplines bij kijken. En je

moet daar ook zorgen dat je daar een juiste mix aan disciplines krijgt. Maar dat is denk ik wel

weer eentje voor de volgende podcast. Gaan we dat gewoon doen. Bedankt voor het luisteren naar AI

Today Live. Bezoek ook eens onze website www.aitoday.ai. Op deze website kan je je abonneren op onze

podcast. Maar ook op ons gratis e-magazine waarin je artikelen leest over business en AI. De podcast

is overigens te beluisteren op de Apple podcast en Spotify. We zouden het tof vinden als je de

podcast deelt met collega's.

Dank u wel, dat was het.