Waarom elke organisatie zou moeten investeren in voorspellende AI

Bedrijven steken miljoenen in generatieve AI—chatbots, copiloten, “agenten”—terwijl ze stilletjes de andere helft van de AI-stack negeren die al tientallen jaren meetbare waarde levert. Voorspellende AI schrijft geen poëzie. Het voorspelt wie waarschijnlijk zal afhaken, welke transactie fraude is en met welke klant contact moet worden opgenomen. Het berekent waarschijnlijkheden en helpt je daar op schaal naar te handelen. Niet glamoureus. Gewoon effectief.

In dit gesprek doet Eric Siegel—auteur van The AI Playbook en oprichter van Machine Learning Week—een subversieve bewering: de meeste organisaties zouden minstens evenveel moeten investeren in voorspellende AI als in generatieve AI. Het probleem zit niet in de wiskunde. Het zit in de kloof tussen technologie en bedrijfsvoering. Bedrijven vieren modellen alsof ze waarde zijn. Maar het model is niet de waarde. Handelen op basis van voorspellingen is dat wel.

Wat je zult leren

  • Waarom voorspellende AI de “vergeten 50%” van de AI-stack is
  • Het cruciale verschil tussen technische statistieken en bedrijfsstatistieken
  • Waarom een nauwkeurigheid van 95% je AI-systeem nog steeds waardeloos kan maken
  • Hoe voorspellende AI kan dienen als betrouwbaarheidslaag voor generatieve AI
  • Het zesstappenmodel van BizML—en waarom de meeste bedrijven de zakelijke helft overslaan
  • Wat bedrijfsleiders moeten begrijpen over waarschijnlijkheden (en waarom dat geen hogere wiskunde is)

Belangrijkste inzichten

  • Generatieve AI is aantrekkelijker. Voorspellende AI is vaak autonomer.
    GenAI voelt menselijk aan. Daarom krijgt het zoveel aandacht. Maar meestal is er een mens in de lus nodig. Voorspellende AI automatiseert daarentegen stilletjes beslissingen op schaal—door fraude te blokkeren, marketing te richten en inspecties te prioriteren—zonder veel ophef.
  • De hype vertekent investeringsbeslissingen.
    Voorspellende en generatieve AI lossen verschillende problemen op. Ze zouden niet meer met elkaar moeten concurreren dan een waterpark en een skioord. Toch doen ze dat wel—om budget, talent en aandacht. En die onbalans kost organisaties echte waarde.
  • Een succespercentage van 95% kan neerkomen op 0% levensvatbaarheid.
    Als een generatief AI-systeem in 5% van de gevallen kritieke fouten maakt, wordt het mogelijk nooit ingezet. Daar komt voorspellende AI van pas—door gevallen met een hoog risico te markeren en naar mensen door te sturen. Vang je het grootste deel van die risicovolle 5% op, dan wordt automatisering van 85% opeens haalbaar.
  • Het model is niet de waarde. Operationele integratie is dat wel.
    Datawetenschappers bouwen modellen. Organisaties vieren feest. En dan… verandert er niets. Omdat de waarde ontstaat bij de implementatie—het daadwerkelijk integreren van voorspellingen in werkprocessen. Geen operationele verandering, geen verbetering voor het bedrijf.
  • Technische statistieken betalen de rekeningen niet.
    Oppervlakte onder de curve. Precisie. Recall. Indrukwekkend, zeker. Maar ze beantwoorden niet de enige vraag die ertoe doet: hoeveel geld verdienen of besparen we als we dit gebruiken?

    Bedrijfsstatistieken—winst, besparingen, impact op KPI’s—moeten vanaf het begin onderdeel van het project zijn, niet achteraf worden toegevoegd.
  • Voorspellende AI draait om waarschijnlijkheden, niet om magie.
    Geen glazen bollen. Alleen betere kansen. Voor elke casus een getal tussen 0 en 100—wie waarschijnlijk zal afhaken, kopen of fraude plegen. Met die waarschijnlijkheid kun je beperkte middelen prioriteren. Op schaal stapelen die kleine beslissingen zich op.
  • De meeste bedrijven slaan de zakelijke helft van het project over.
    Het BizML-framework van Eric beschrijft zes stappen. Datateams zijn opgeleid voor de laatste drie:
    • Gegevens voorbereiden
    • Model trainen
    • Model implementeren

      Maar voor de eerste drie—bepalen wat er wordt voorspeld, hoe goed dat gebeurt en wat ermee wordt gedaan—is intensieve samenwerking met de bedrijfsvoering nodig. Sla je die over, dan blijven implementatiepercentages bedroevend laag.
  • Dit is een zakelijke onderneming waarbij toevallig machine learning wordt gebruikt.
    Voorspellende AI is geen technische installatie. Het is een operationele verandering. Daarvoor zijn belanghebbenden nodig die genoeg begrijpen om mee te doen—niet om bougies te vervangen, maar om de auto te besturen.

Hoofdstukken

  • 00:00 – De vergeten 50%
  • 02:12 – Waarom GenAI de aandacht wint
  • 05:47 – Agenten & betrouwbaarheid
  • 10:15 – Waarom implementatie mislukt
  • 17:56 – De organisatorische verschuiving
  • 21:06 – Hybride AI in de praktijk
  • 25:04 – De kracht van waarschijnlijkheden
  • 29:14 – Het BizML-raamwerk
  • 32:43 – Jaag niet op de vaagheid

Maak kennis met onze gast

Eric Siegel, Ph.D., is een bestsellerauteur, consultant en expert op het gebied van machinaal leren, die bekendstaat om het toegankelijk maken van voorspellende analyses en AI voor zowel zakelijke als technische doelgroepen. Hij schreef het veelgeprezen Voorspellende analyses: De kracht om te voorspellen wie zal klikken, kopen, liegen of sterven en Het AI Playbook: de zeldzame kunst van het implementeren van machinaal leren beheersen, en is de oprichter van de langlopende conferentiereeks Wereld van voorspellende analyses. Eric was eerder professor aan Columbia University en UVA Darden en is ook CEO van Gooder AI, hoofdredacteur van De machinaal-lerentijden en een veelgevraagd hoofdspreker die organisaties helpt de kloof tussen datawetenschap en impact in de echte wereld te overbruggen.

You may also like