“Het zou eigenlijk geen kunstmatige intelligentie moeten heten”

“Een van de fouten die wij hebben gemaakt als nerds en computerwetenschappers, is dat we het kunstmatige intelligentie hebben genoemd”, zegt Jim Stolze, schrijver en ondernemer. Met zijn bedrijf Aigency levert hij AI-oplossingen aan grote bedrijven. Stolze is spreekstalmeester tijdens het evenement The Bright Future of Finance op 2 november 2021. “Het gaat om statistiek. Hoe vaker data of een patroon daarin voorkomt, hoe groter de kans dat een computer er iets mee kan.”

Daarmee wil Stolze meteen de term kunstmatige intelligentie demystificeren. Het heeft weinig te doen met toekomstbeelden zoals die in de films over Terminator worden geschetst. Nee, er komen geen robots die op zichzelf staan en dan een oorlog ontketenen. “Het is mijn favoriete film, maar Terminator heeft AI een slecht beeld opgeleverd”, zegt Stolze. “De term machine learning is eigenlijk beter. Het gaat om vergelijkingen of afwijkingen die de computer kan vinden in een bak met data die ooit door de mens is gelabeld. Het zit daarmee eerder tegen statistiek aan. Omdat we tegenwoordig zoveel rekenkracht in computers hebben zitten, kun je zoeken in heel veel data oftewel big data. Zoveel data dat wij als mens dat nooit kunnen doorgronden om dwarsverbanden te zien. Je kunt daarvoor een softwarerobot maken die je op pad stuurt door die data om een taak te verrichten. Jij moet die softwarerobot wel vertellen wat hij moet doen. Hij is in feite dom, maar wel heel nuttig. Dat is een verschil met mensen die wel kunnen leren van iets dat een keer voorbij is gekomen. One shot learning heet dat.”

Snel herkennen van plekjes

Stolze heeft net opnames voor een AI-cursus achter de rug. Hij was daarvoor met een filmploeg in het ziekenhuis van Alkmaar. “Ik sprak daar met twee radiologen die gespecialiseerd zijn in longen en hersenen. De hele dag door kijken zij naar foto’s op een scherm, eigenlijk dwarsdoorsnedes van hersenen en longen. Er zijn wel dertig tot veertig fotoslides per long of stel hersens. Ze ontvangen ook maar liefst dertig tot veertig patiënten op een dag. Op de fotoslides moeten ze plekjes herkennen, bijvoorbeeld van een bloedpropje in de hersens. Het is belangrijk dat ze dat goed doen, want het kan om iemand zijn leven gaan. In het ziekenhuis hebben ze een hulpgereedschap gemaakt met machine learning. Ze hebben duizenden foto’s verzameld waarop radiologen cirkeltjes om de plekjes hebben gezet en die in de computer ingevoerd. Nu geeft de computer als het ware op basis van die input weer wat terug. Deze helpt de radiologen nu met het snel herkennen van de plekjes en zet er al cirkels om. Nu hoeft de radioloog alleen nog zelf ook te kijken of de computer niet wat gemist heeft en interpretatie aan die vlekjes geven. In die zin is AI dus een hulptool. Eén die consistenter is in het omcirkelen van plekjes dan een mens, maar die wel voorzien moet worden van input. Het systeem leert van de beste artsen die hun kennis in het systeem hebben gezet.”

Afwijkingen en patronen

Op die manier kan kunstmatige intelligentie ook een rol spelen in finance. “Een mens is niet gemaakt om urenlang door spreadsheets te scrollen. De ogen zien het op een gegeven moment niet meer. Kunstmatige intelligentie – of liever dus machine learning – kan tijd besparen aan de financial door afwijkingen of patronen uit de data te halen. Maar de verantwoordelijkheid blijft altijd bij de mens, in deze voorbeelden dus de radioloog of de CFO. De computer neemt geen beslissingen. Hij geeft hooguit signalen af op basis waarvan een financial aan de slag kan gaan.” Maar dan moet er wel data zijn, beschouwt Stolze. “Als je informatiehuishouden niet op orde is of je verzamelt te weinig gegevens, dan kun je ook niets met machine learning. Garbage in is nog altijd garbage out. Je zult dus als CFO een datamodel op moeten stellen. Dat is in feite data governance. Dat gaat over vragen zoals: Hoe verzamel ik mijn data? Welke bronnen gebruik ik? Hoe gaan we om met onze data? Hoe brengen we bronnen bij elkaar? Hoe bewaken we de kwaliteit van data? Dat zijn aspecten die thuishoren bij een CFO, zeker nu organisaties compleet digitaal worden. Dan moet je hier een kijk op hebben.”

“Kunstmatige intelligentie – of liever dus machine learning – kan tijd besparen aan de financial door afwijkingen of patronen uit de data te halen”

Clusteren en classificeren

Wie de databron of -bronnen op orde heeft, kan gaan spelen, beschouwt Stolze. Onder andere met clusteralgoritmes. “Met een set van verschillende datapunten kunnen datawetenschappers gebruikmaken van een clusteralgoritme om elk datapunt in een bepaalde groep te categoriseren of te classificeren. De datapunten in dezelfde groep bevatten vergelijkbare kenmerken of eigenschappen. Aan de andere kant bevatten datapunten in afzonderlijke groepen zeer unieke kenmerken of eigenschappen.” Stolze komt met het voorbeeld van Salesforce dat net zijn AI-module Einstein heeft gelanceerd. “Net als de duizenden foto’s bij de radiologen, kijkt dit systeem naar historische data over betalende klanten. Dit systeem kan aangeven op basis van die data op welk punt klanten geneigd zijn hun abonnement op te zeggen. Het geeft daarvoor suggesties: Het kan zijn dat deze klanten de komende maand afscheid van ons willen nemen. Omdat zij dezelfde kenmerken hebben als klanten die eerder stopten. Daar kun je als bedrijf dan een interventie op plegen zodat je die klanten niet kwijtraakt. Die lijst kan ook nog in volgorde van prioriteit worden gezet, zodat je de grootste klant als eerste kunt benaderen.”

Via digitale weg geld verdienen

Het is in CFO-kringen de one million dollar question: Moet de CFO leidend zijn in de digitale transformatie van de hele organisatie of zich beperken tot zijn finance afdeling? Stolze: “Veel van mijn vrienden zijn CFO. Misschien maak ik hier geen vrienden mee, maar zij kijken vooral naar control in een organisatie. Daarnaast hebben ze ook vaak ICT onder zich. Maar het leveren van een laptop is wat anders dan de vraag ‘waar verdienen we over vijf jaar ons geld nog mee?’ Dat eerste is meer een proces dat goed moet verlopen. Dat tweede gaat veel meer over controle loslaten. Je mensen toestemming geven om experimenten te doen waarvan de uitkomst onzeker is.”

Moeten leren snappen

Daarbij komt dat er een datamodel binnen een organisatie moet komen. “De CFO is perfect geëquipeerd om dat model neer te zetten en de kwaliteit ervan te bewaken. Ook vanuit zijn blik op management control. Daarbij is de CFO ook het geweten van de organisatie en heeft hij of zij compliance in zijn afdeling. In die zin kan hij of zij over de omgang met data het nodige zeggen, de link met de AVG leggen en bekijken of het algoritme misschien niet de verkeerde kant op gaat en discrimineert.” De CFO moet daarmee technologie zoals het algoritme en machine learningwillen snappen. “Een CFO had mijn cursus over kunstmatige intelligentie gedaan, maar niet in de drie à vier uur die ervoor staat, maar in twaalf uur. Toen ik dat zag, heb ik hem gebeld. ‘Jim’, zei hij als verklaring. ‘Dit is zo cruciaal voor mijn organisatie dat ik er tot op het bot verstand van wil krijgen.’ Hij had elke link, elke tekst en elke video minuut voor minuut door geploeterd. Omdat hij niet wilde meepraten, maar wilde meesturen. Ik denk dat daar de crux zit voor CFO’s en hun financials. Zet de knop om. Wees niet bang voor technologie. Want: If you don’t know where you’re going, you better be flexible.”

Volg Executive Finance op LinkedIn!