TEKST | Renske Pepping
INTERVIEW | Rob van der Marck
Trots staan ze aan de top van Gartners Hype Cycle 2017, zij aan zij: Machine Learning en Deep Learning. Die populariteit is ook merkbaar in het Nederlandse bedrijfsleven, waar de angst voor het onbekende langzaam plaatsmaakt voor nieuwsgierigheid naar de toegevoegde waarde. Hoog tijd voor SAP om de belangrijkste vragen over Machine Learning te beantwoorden.
Echte bevlogenheid herken je meteen. Je ziet het aan de manier waarop mensen hun handen gebruiken om woorden kracht bij te zetten. En je hoort het aan het tempo waarmee ze praten, in een enthousiaste poging jou mee te nemen met hun snelle gedachten. Roxanne Arnts – Solution Advisor bij SAP – is op beide vlakken guilty as charged als ze praat over haar vakgebied: Machine Learning. Toch slaagt ze er goed in de materie waar zij zoveel van weet, behapbaar te maken voor mensen die er niet dagelijks mee bezig zijn. VNSG Magazine spreekt haar op een donderdagmiddag in mei.
It’s all in the definition
Wat is Machine Learning precies? En hoe verhoudt het zich tot die andere veelgehoorde term: Artificial Intelligence (AI)? Om dat uit te leggen pakt Roxanne er een papier bij waarop ze een grote cirkel tekent. “Artificial Intelligence is het overkoepelende concept waarbij systemen vaardigheden leren waar doorgaans menselijke intelligentie voor nodig is”, legt ze uit terwijl ze naar de cirkel wijst. Om het verschil met Machine Learning duidelijk te maken, tekent ze vervolgens een kleinere cirkel. “Machine Learning maakt onderdeel uit van Artificial Intelligence. Het gaat hierbij om systemen die leren geïnformeerde beslissingen te nemen op basis van data. Systemen kunnen informatie sneller en in grotere hoeveelheden verwerken dan mensen, waardoor patronen aan de oppervlakte komen die anders wellicht verborgen zouden blijven."
Ze onderstreept dat met enkele voorbeelden, zoals een computer die binnen luttele seconden de relevante jurisprudentie voor een rechtszaak scant versus een advocaat die zelf tientallen mappen doorakkert. Of een systeem dat op basis van historische data en sensordata voorspelt wanneer een specifieke machine onderhoud nodig heeft versus een monteur die wekelijks elke machine in de fabriek handmatig naloopt.
Afbeelding 1. De relatie tussen Artificial Intelligence en Machine Learning
Als het potlood weer het papier raakt, volgen er nog twee kleinere cirkels. “Dit zijn de submethodieken van Machine Learning”, vertelt Roxanne. “Classic Machine Learning en Deep Learning vergelijken de variabelen van een bepaald fenomeen met eerder vastgelegde fenomenen. Het verschil zit hem echter in de mate waarin de mens het systeem stuurt. Classic Machine Learning vraagt om een handmatige invoer van variabelen en van de beslissingen die eerder op basis van de data zijn genomen. Deep Learning extraheert de variabelen op basis van de ingevoerde data, zonder dat daar menselijke handelingen aan te pas komen. Dat geeft Deep Learning een doorlerend vermogen; bij nieuwe invoer van data weet het systeem zelf steeds weer nieuwe variabelen te ontdekken. Dat roept de vraag op waarom de klassieke variant nog bestaat. Roxanne: “In sommige situaties zijn deze algoritmes gewoon effectiever. Het is dus goed om kritisch te kijken welke toepassing bij welke methodiek past".
De voordelen van Machine Learning
Roxanne gaat dagelijks met organisaties in gesprek over Machine Learning en merkt dat het type vragen de afgelopen anderhalf jaar is veranderd. “Vorig jaar was de verhouding tussen mens en machine hét onderwerp van gesprek; mensen wilden bijvoorbeeld weten of machines hun werk gaan overnemen. Dit jaar zijn de vragen van een iets andere aard. Organisaties zijn bijvoorbeeld benieuwd in hoeverre ze handmatige taken kunnen vervangen of welke bedrijfsprocessen ze kunnen verrijken met Machine Learning. Sommige klanten hebben zelfs al een specifieke toepassing gevonden en vragen heel gericht naar het voorspellen van hun inkoop of naar een slimme zoekmachine voor hun webshop.”
Toch wil Roxanne graag reageren op de bekende vraag: gaan systemen de mens vervangen? “De verwachting is dat één op de vijf mensen die momenteel repeterende taken uitvoert rond 2022 te maken krijgt met AI-processen”, vertelt Roxanne. “Maar dat betekent niet dat mensen overbodig worden. De kracht schuilt juist in de combinatie van mensen en systemen, waarbij systemen op basis van data de beste oplossingsrichting berekenen en specialisten daar vervolgens hun eigen waarnemingen aan toevoegen. In de medische sector bijvoorbeeld, zien we dat de kwaliteit van zorg en de snelheid van besluitvorming toeneemt zodra mens en machine samenwerken.”
Aan de slag met Machine Learning
Hoe ver zijn Nederlandse organisaties met Machine Learning? Roxanne: “Sommige organisaties hebben bijvoorbeeld een team van data scientists aangesteld dat zich buigt over innovatievraagstukken en de toepassing van nieuwe technologieën. Het is echter een grote valkuil om dat team onafhankelijk van de business te laten opereren. Je hebt de input van de business nodig om Machine Learning te laten landen in de dagelijkse processen, zodat je kosten verlaagt, omzet genereert of een nieuwe klantbeleving realiseert. Momenteel zie ik Machine Learning-projecten vastlopen doordat het te veel blijven zweven in het innovatieteam. En dat is zonde, want Machine Learning biedt geweldige kansen voor productiviteitsverbetering en kostenverlaging.”
Hoe organisaties dan het beste kunnen beginnen? “Houd het klein en blijf dicht bij je core processen”, adviseert Roxanne. “Classic Machine Learning leent zich bijzonder goed voor een eerste casus. De data moet namelijk goed worden voorbereid en geïnterpreteerd, waarvoor een samenwerking tussen data scientists en de business noodzakelijk is. Zo heb je direct een breed draagvlak voor het Machine Learning-project.” Ze geeft enkele voorbeelden van startcasussen: voorspellen welke transacties mogelijk frauduleus zijn, onderzoeken op welke locatie je het best een nieuwe winkel kunt openen of berekenen wanneer zich een piek zal voordoen in het ziekteverzuim.
“Houd het klein en blijf dicht bij je core processen”
“Deep Learning heeft het echter in zich om het kleine vonkje van Machine Learning te laten ontvlammen, met een gigantische positieve impact”, vertelt Roxanne vol enthousiasme. “Deze next-level technologie kan processen écht transformeren. Denk aan klanten die een foto van hun kapotte ketting uploaden in jouw webshop, waarna hetzelfde exemplaar automatisch opnieuw wordt besteld. Of dat je een systeem met gesproken instructies verzoekt om specifieke data aan jou te presenteren. Of dat je inkomende betalingen moeiteloos en automatisch matcht met openstaande facturen. Er is zoveel mogelijk! Het is per organisatie verschillend welke toepassing de meeste prioriteit heeft en of er voldoende data beschikbaar is voor een dergelijk project.”
SAP en Machine Learning
SAP biedt klanten een Machine Learning Platform bestaande uit drie componenten, elk gericht op een andere doelgroep:
- SAP Analytics Cloud: levert predictive-functionaliteit voor data-analisten of citizen data scientists. Het platform brengt Business Intelligence, Planning en Predictive samen.
- SAP HANA Machine Learning: heeft een complexere user interface dan het intuïtieve SAP Analytics Cloud, maar biedt een rijke Predictive Analysis Library (PAL) van ongeveer 70 algoritmes. Daarnaast kunnen klanten gebruikmaken van HANA services zoals geo-spatial, en de integraties met R, Python en TensorFlow.
- SAP Leonardo Machine Learning: voor het toevoegen van functionaliteit aan huidige SAP apps en de ontwikkeling van nieuwe applicaties met een specifieke functionaliteit. Op basis van Intelligent Services en de SAP Machine Learning Foundation kunnen ontwikkelaars eigen modellen inbrengen en bestaande services als image recognition hergebruiken, om deze vervolgens direct de operationaliseren in het SAP landschap.
Roxanne vult aan: “Daarnaast levert SAP steeds meer out of the box intelligentie door het gehele portfolio heen. Dit reikt van Sales Forecasting in SAP S/4HANA en Learning Recommendation in SuccessFactors tot het genereren van dashboard op basis van Natural Language Processing in SAP Analytics Cloud.”
De belangrijkste tips
Aan het einde van het gesprek vat Roxanne de belangrijkste tips voor organisaties nog even samen. “Als je met Machine Learning aan de slag wilt gaan, zet business en IT dan bij elkaar om na te denken over mogelijke toepassingen. Plot deze toepassingen vervolgens op een feasibility matrix, waarbij je de toegevoegde waarde afzet tegen de haalbaarheid van een dergelijk project. De uitkomsten daarvan kun je business owners en IT dan laten presenteren aan de business, zodat je maximale betrokkenheid creëert. Want als het op innovatie aankomt, is draagvlak de bepalende factor voor succes.”
