In zijn hart, kunstmatige intelligentie is een analysetool. De waarde komt voort uit het vermogen om enorme hoeveelheden gegevens te ontleden, zonder direct menselijk toezicht, om patronen en anomalieën te identificeren die vervolgens kunnen worden gebruikt.

Maar aangezien door mensen aangestuurde analyses al eeuwen bestaan, lang vóór het moderne computertijdperk, hoe zal deze nieuwe generatie technologie het spel veranderen? En hoe kunnen organisaties ervoor zorgen dat ze waar voor hun geld krijgen zodra deze technologie in productieomgevingen wordt gepusht?

Een kwestie van context

Het belangrijkste element dat AI toevoegt aan analyse is context, schreven Joey Fitts van Oracle en MIT-onderzoeker Tom Davenport onlangs in de Harvard Business Review. Onder traditionele analyses was de analist zelden een expert in het systeem of proces dat werd geanalyseerd. Ze kenden analyse, geen marketing of verkoop of datanetwerken. Hun uiteindelijke aanbevelingen misten vaak de context die alleen kan komen van brede kennis en ervaring.

In een AI-gestuurd raamwerk kan een algoritme echter worden getraind om het ding dat het analyseert te "begrijpen" en kan het vervolgens veel meer gegevens in een veel sneller tempo opnemen om sterk gecontextualiseerde resultaten te leveren. Uiteindelijk zal dit naar verwachting deze krachtige analysetools naar de mensen brengen die ze nodig hebben, zodat de analyse-experts hun tijd kunnen besteden aan datgene waar ze goed in zijn: het maken van de modellen die nodig zijn om AI-analyses sneller en nauwkeuriger te maken.

Deze behoefte aan context wordt het best geïllustreerd wanneer deze wordt toegepast op een algemene bedrijfsfunctie, zoals marketing. Ongetwijfeld een van de meest data-intensieve disciplines in het moderne bedrijfsleven, marketing is vaak onderhevig aan tegenstrijdige interpretaties van de waarheid, afhankelijk van de context waarin gegevens worden gepresenteerd.

AI blinkt uit in predictive analytics, het vermogen om toekomstige trends te herkennen op basis van gegevens uit het verleden en het heden, volgens Mike Kaput, chief content officer bij Marketing AI Institute. Deze mogelijkheid is natuurlijk als goud voor een marketingteam. Tegelijkertijd levert AI prescriptieve analyses — het vermogen om aanbevelingen te doen op basis van voorspellende analyses. In beide gevallen zijn de huidige AI-engines in staat enorme hoeveelheden gegevens te doorzoeken om ervoor te zorgen dat deze resultaten worden gepresenteerd binnen de volledige context van alle beschikbare informatie, en ze hebben ook de mogelijkheid om hun algoritmen te verfijnen om zichzelf te verbeteren met behulp van hun eigen analyses uit het verleden. .

Het proces leren

Dit vermogen om te leren is een van de belangrijkste verschillen tussen AI en eenvoudige automatisering. Een geautomatiseerd systeem kan mogelijk nog steeds veel gegevens ontleden, op voorwaarde dat het correct is gestructureerd en ontworpen om aan de specifieke behoeften te voldoen waarvoor het systeem is ontworpen, volgens analysebedrijf Avora. Een eenvoudige rapportagetool zal zichzelf bijvoorbeeld in de loop van de tijd updaten met nieuwe informatie, maar kan geen nieuw inzicht geven in veranderende gegevens tenzij iemand een dashboard bouwt dat dit mogelijk maakt.

Evenzo kan eenvoudige automatisering geen antwoord geven op algemene vragen over afnemende prestaties en andere factoren. Dit vereist doorgaans uren, zo niet dagen werk van een data-analist, die hoogstwaarschijnlijk nog steeds slechts een beperkte hoeveelheid gegevens zal verzamelen. Een goed getrainde AI-engine daarentegen kan binnen enkele minuten resultaten opleveren voor meerdere vragen.

Misschien is de beste manier om de bijdrage van AI aan analyses te bekijken, via een van de oudste analytische methoden: het kosten-batenmodel. Aan de kostenkant vereist het een vrij grote investering vooraf, op voorwaarde dat u de onderliggende infrastructuur vanaf nul opbouwt. Maar deze kosten zullen in de loop van de tijd worden afgeschreven naarmate de output groter wordt. Aan de positieve kant kan AI veel meer gegevens verwerken dan zelfs een leger analisten zou kunnen, en het kan gegevens uit een onnoemelijk aantal bronnen halen om problemen en/of kansen te identificeren die anders verborgen zouden blijven.

Uiteindelijk zal het analytische mogelijkheden in de handen van kenniswerkers duwen die het beste kunnen profiteren van de inzichten die zijn toegesneden op hun unieke uitdagingen, waardoor de hele organisatie efficiënter en productiever wordt.