De ene vorm van artificial intelligence is de andere niet. Dan kunnen we natuurlijk de technische toer opgaan en het hebben over de verschillen tussen machine learning, deep learning, artificial intelligence en big data, maar ondanks mijn technische achtergrond moet ik soms ook een andere bril opzetten. Daarom bekijken we vandaag de verschillen tussen consument-gedreven AI (consumer AI) en industriële AI (industrial AI) vanuit bedrijfsoogpunt.

Consumer AI vs Industrial AI. Wat zijn de verschillen? Foto’s: Pexels.

Oftewel: AI die wordt toegepast op de interactie met mensen, veelal in online transacties en op basis van online gedrag, versus AI die gebruikt wordt bij industriële bedrijfsprocessen zoals chemie, bodemonderzoek en auto-assemblage. Om maar wat voorbeelden te noemen.

Want op het moment dat je artificial intelligence inzet om je bedrijfsprocessen te optimaliseren of de markt op te schudden met de data die bij je op de plank ligt, dan is het uitermate belangrijk om je te realiseren met welke vorm van AI je te maken hebt. De verschillen tussen beiden zijn namelijk behoorlijk groot en kunnen soms essentieel zijn voor het behalen van succes in je AI-project.

Oké, genoeg interesse gewekt, laten we concreet worden – het gaat om de volgende zaken:

  • Hoe goed kun je de data begrijpen?
  • Hoe duur is het doen van een voorspelling?
  • Waar draai je de AI-modellen?
  • Mag je model een black box zijn?

Hoe goed kun je de data begrijpen?

Data geproduceerd door een grondradar, een techniek om objecten in de ondergrond te kunnen waarnemen. Bron: Wikimedia Commons, Tapatio, publiek domein

Een website die het surfgedrag van bezoekers bijhoudt levert goed begrijpbare data op. Immers, een muisbeweging naar links of naar rechts is nu eenmaal een muisbeweging, en een klik is een klik. De meeste varianten van consumer AI leiden tot behoorlijk goed begrijpbare data. En met begrijpbare data is het redelijk rechttoe-rechtaan om machine learning-modellen te trainen. Een kwestie van de juiste architectuur vinden, model trainen, en klaar is kees. Oké, ietwat kort door de bocht misschien omdat het model ook nog moet worden getest (op discriminatie, bijvoorbeeld!) en gereed moet worden gemaakt voor grootschalig gebruik, maar in de basis is het niet veel moeilijker. De data is immers erg toegankelijk.

Voor industriële AI is het een ander verhaal. Op de afbeelding zie je een gevisualiseerde dataset die uit een grondradar komt. Zo’n radar zendt radiogolven de grond in en meet wanneer deze weer terugkomen. Objecten die in de grond liggen, zoals gasleidingen of -buizen, zorgen voor verstoringen, die te zien zijn in een zogeheten radargram – wat je ziet in de afbeelding dus.

Als niet-experts begrijpen we dat een klik een klik is, maar het wordt een stuk lastiger om vast te stellen of de vorm bij de gele pijlen nu een dunne buis is of een blikje cola dat in de grond is beland. Daar is vaak jarenlange oefening voor nodig en zelfs dan is er vaak aanvullend onderzoek nodig.

De grondradar is een perfect voorbeeld van een toepassing van industriële AI, bijvoorbeeld bij de inzet ervan om graafschades te voorkomen. Maar tegelijkertijd wordt het pijnlijk duidelijk dat dankzij de lagere begrijpbaarheid van en de hogere ruis in de data, het trainen van AI-modellen lastiger wordt. Het eerste grote verschil tussen pure consumer AI en pure industrial AI is dus de begrijpbaarheid van de data.

Foto: Carl Attard, Pexels License

Hoe duur is het doen van een voorspelling?

Een perfect voorbeeld van consumer AI is een webshop die electronica verkoopt. Daar zit een hoop slimme functionaliteit achter. Met machine learning-technieken kan zo’n webshop bijvoorbeeld bepalen dat mensen die geïnteresseerd zijn in een bepaald product ook een ander product willen kopen. Nu is dat niet meer de meest spectaculaire verschijningsvorm van AI in de hedendaagse wereld, maar het stipt wel ons tweede punt aan: hoe duur is het doen van een voorspelling nu eigenlijk?

En met duur bedoel ik echt de financiële gevolgen van een voorspelling die wordt gemaakt door een AI-model. In het geval van de webshop zal dat wel meevallen: als ik niet geïnteresseerd ben in het aanbevolen product dan klik ik de website weg. Jammer voor de webshop, want ze zijn een potentiële klant verloren, maar niet enorm desastreus. De kans is namelijk groot dat ik ondanks de verkeerde voorspelling binnenkort weer terug ben bij die webshop, zeker als ze zichzelf enorm goed in de picture spelen. De financiële gevolgen van een voorspelling, zeker als ze fout zijn, zijn dus beperkt.

Bij industrial AI wordt dat anders. Want wat als ik nu beheerder ben van een zonnepark? Zonnepanelen zijn enorm kwetsbaar en moeten dus beschermd worden tegen de elementen. Een hoeveelheid hagelstenen op je panelen is niet zo denderend, zeker niet als ze groot zijn – iets dat ook zo nu en dan in Nederland voorkomt.

Of wat als ik modellen heb gemaakt die gebruikt worden om de productie van olie op een olieplatform te monitoren? Dan moet de kwaliteit van mijn voorspelling toch wel behoorlijk hoog zijn. Fouten kunnen namelijk in deze gevallen wel desastreus uitpakken. Gaat het bij consumer AI nog om een gemiste klant, bij een olieplatform kunnen de gevolgen levensbedreigend zijn. Loopt de druk enorm hoog op, nemen de sensoren het waar maar reageert het model er niet op, met een explosie als gevolg? De gevolgen zijn niet te overzien. Maar gaat mijn model te vaak voor niets af? Ook dan is de inkomstenderving groot, omdat het productieproces telkens weer moet worden stilgelegd.

Er bestaat dus een behoorlijk prijsverschil tussen het doen van een voorspelling bij consumer AI en industrial AI. Tegen lage kosten, vaak een fractie van een cent, kan in het eerste geval een voorspelling worden gemaakt. In industriële toepassingen van artificial intelligence kunnen de risico’s echter zodanig groot worden dat de impliciete kosten van het doen van een voorspelling oplopen naar honderden tot duizenden Euro’s!

Foto: Bruno Glätsch, Pixabay License

Waar draai je de AI-modellen?

Op het moment dat je een AI-model hebt gemaakt, dan moet je dat ergens gaan draaien. Het model in productie brengen, zoals dat ook wel heet.

In de meeste gevallen gebeurt dat door een model te installeren in een datacentrum of het naar de cloud te brengen. Het zijn eigenlijk ook de meeste voorbeelden van AI die je tegenkomt: Facebooks AI-modellen draaien in de cloud, waar de data samenkomt en continu nieuwe voorspellingen worden gedaan. Ook de webshop die we eerder aanhaalden heeft haar modellen waarschijnlijk in de cloud draaien. Een model laten draaien op de computer van een klant is namelijk best wel onpraktisch, omdat deze dan in de meeste gevallen allerlei nieuwe software moet installeren.

Nieuwe data vanaf een computer naar de cloud brengen kost echter tijd. Over het algemeen is dat niet veel tijd, veelal slechts een honderdtal milliseconden. Maar op het moment dat je in het veld zit, zoals bij een olieplatform of zonne-installatie, dan kun je er niet zomaar vanuit gaan dat er een internetaansluiting in de buurt ligt. Sterker nog, op het moment dat je sensoren installeert ben je toegewezen op draadloze netwerken die een stuk minder snel kunnen zijn dan het internet zoals wij dat kennen. Daar zit je dan met je continue stroom aan metingen, die wel geregistreerd worden maar amper naar de cloud kunnen worden verzonden voor verwerking.

Hoewel het in het geval van consumer AI dus in de meeste gevallen wel goed gaat – immers, de consument interacteert met de B2C-organisatie over een snelle internetverbinding – kan die snelheid bij industrial AI wel eens de bottleneck zijn voor de inzet van AI. Want op het moment dat ik mijn pijplijn aan het monitoren ben en er treedt een fout op, dan moet daar direct volautomatisch actie op worden ondernomen. Het kan niet zo zijn dat het model de storing waarneemt maar dat het dankzij de trage verbinding te lang duurt voordat die actie ook daadwerkelijk wordt uitgevoerd. Bij industrial AI moet intelligentie dus anders: het vindt meestal plaats aan de edge, zoals dat heet. Edge AI is de volledige term.

Maar wat voor consequenties heeft dat voor de inzet van AI?

Een heleboel.

Om te beginnen hebben apparaten die uitgerust zijn met AI-modellen geen toegang tot een enorme rekenkracht. Ze draaien immers in het veld, veelal op printplaatjes en/of specifieke maatwerkoplossingen. De kracht van de cloud kun je dan wel vergeten – en hoewel de ontwikkelingen snel gaan, betekent dat toch dat je heel veel standaard machine learning-architecturen er niet goed kunt draaien. Zeker bij de zogeheten neurale netwerken die het mogelijk maken om webcambeelden te interpreteren kan dat een uitdaging worden.

Gelukkig gaan die ontwikkelingen inderdaad snel, want de verschillende private en publieke wetenschappelijke instituten zijn razendsnel zogeheten embedded architecturen aan het ontwikkelen die in het veld kunnen draaien. Dat is te zien in de Gartner Hype Cycle for Emerging Technologies die de ontwikkeling van allerlei nieuwe technologieën bijhoudt. Terwijl deep learning de afgelopen jaren veel heeft laten zien en op de piek van haar huidige hype zit, is Edge AI nog behoorlijk in opkomst.

Maar samengevat voor punt drie, een belangrijk verschil tussen consumer AI en industrial AI is dus ook waar je je AI installeert – en de consequenties die daarop volgen.

Mag je model een black box zijn?

Het vierde verschil tussen consumer AI en industrial AI is de mate waarin je model een black box mag zijn. Als het wederom gaat om die webshop, dan maakt het eigenlijk niet zoveel uit waarom een AI-model bepaalt dat mensen die product X kopen product Y ook interessant vinden. Als het maar klopt. Hoewel door verschillende privacyschandalen de tendens wel een beetje omslaat naar het willen begrijpen van AI, is het in de meeste gevallen niet strikt noodzakelijk om te begrijpen wat er in zo’n model gebeurt.

Foto: IraEm, Pixabay License

Bij industrial AI wordt dat echter een ander verhaal. Op het moment dat we dat olieplatform of die zonne-installatie aanhalen, dan is het wél belangrijk om te weten waarom een model een bepaald signaal afgeeft. Een machine die aangeeft dat de productieprocessen moeten worden stilgelegd? Mooi, maar geen mens die ernaar luistert zonder dat de machine ook uitlegt waarom dat moet gebeuren. Totdat het soms te laat is, met alle gevolgen van dien.

Kortom: waar bij B2C AI oftewel consumer AI de modellen nog wel eens wegkomen met het voorspellen zonder beargumenteren, wordt dat bij industriële toepassingen van deze technieken een stuk lastiger. Veel minder black box dus! Dat is nog een behoorlijke uitdaging voor de komende jaren, want heel veel AI-modellen kunnen eigenlijk helemaal niet uitleggen hoe ze tot bepaalde analyses zijn gekomen. Maar gelukkig vinden ook in deze tak van sport flink wat ontwikkelingen plaats.

Niet zwart-wit, maar een spectrum

In deze blog hebben we gezien wat de verschillen tussen consumentgerichte toepassingen van AI zijn als we ze vergelijken met industriële toepassingen. Zo is bij de industriële variant de data over het algemeen een stuk minder begrijpbaar voor mensen – veelal door de extreme hoeveelheden – en gebeurt het doen van een voorspelling veelal in het veld. Daardoor, in combinatie met de risico’s die aan een foute voorspelling hangen, is de inzet van AI in de industrie een stuk complexer en daardoor kostenintensiever vergeleken bij een consumentgerichte inzet. Tot slot mag in de industrie zo’n AI eigenlijk geen black box zijn, want er is geen mens die een proces stillegt zonder te weten waarom. Het is die mens die namelijk wordt afgerekend op een foutieve voorspelling van het systeem.

Toch is in de praktijk de tegenstelling tussen consumer AI en industrial AI wat minder zwart-wit dan we hem hier schetsen. Iedere toepassing en dus ieder AI-gedreven project bevindt zich ergens op het spectrum tussen industrial AI en consumer AI. Of de inzet van AI het dus waard is, hoe de data moet worden voorbereid voordat er AI-modellen kunnen worden getraind, waar de modellen moeten worden geïnstalleerd en hoe collega’s met de AI-modellen gaan werken? Het zijn allemaal vragen die afhankelijk zijn van de plaats van jouw AI-toepassing op het spectrum tussen industrial en consumer AI.

Middels een innovatiesessie en een daaruit voortvloeiende haalbaarheidsstudie met nuchter advies verschaft Aime helderheid over de haalbaarheid van AI in jouw organisatie. Daarbij hoort natuurlijk een roadmap om er zo snel mogelijk te komen. Met onze expertise op het gebied van business, IT en AI kunnen we de domeinkennis in jouw organisatie aanvullen en de data op de plank écht gaan gebruiken. Vanzelfsprekend gaan we er graag over in gesprek. De ☕ staat klaar! Klik hier om direct contact met ons op te nemen voor een afspraak.