Publicaties

Schaalbaar maken van beslissingen dankzij AI

Je zal de vraag vast al eens gesteld hebben: “Wat kan AI voor mijn organisatie betekenen?” Je zal ook vast een hoop voorbeelden langs hebben zien komen hoe andere organisaties het toepassen. Iedere organisatie heeft natuurlijk haar eigen, unieke set aan beslissingen, een eigen set aan data en uitdagingen. Daar tegenover staat dat beslissingsprocessen redelijk veel overeenkomsten hebben en het is vanuit deze optiek van een generiek proces dat we gaan kijken wat AI voor jouw organisatie kan betekenen.  

De eerste gedachte die veel mensen bij AI hebben is dat een taak volledig door de AI overgenomen wordt. Echter, AI is juist ook heel goed in staat een mens te ondersteunen in het maken van een beslissing. Wat we in dit geval zullen doen is de AI laten fungeren als een filter op je data waarmee cases gesorteerd en gegroepeerd kunnen worden. 

Dashboard voor zaakafhandeling 

Stel, een persoon of afdeling heeft een stapel werk en moet daar een beslissing over maken. Dit kan zijn een aanvraag voor een lening, subsidie of een account die goed of afgekeurd wordt. Laten we voor het gemak aannemen dat er maar twee opties zijn: een positief besluit of een negatief besluit.  

We beginnen met een model te maken dat op basis van de beslissingen die mensen in het verleden genomen hebben diezelfde beslissing probeert te benaderen. In het plaatje is dat model gerepresenteerd door het robotje.   

Het robotje kijkt naar de binnenkomende aanvragen en schat in wat de waarschijnlijkheid is dat de aanvraag een positief dan wel negatief besluit krijgt. Het robotje zal dat weergegeven als een waarde tussen de 0 en de 1 waarbij we van te voren afspreken dat 0 overeenkomt met een negatief besluit en 1 met een positief besluit. Naarmate het robotje er meer van ‘overtuigd’ is dat het besluit positief is zal de uitkomst dichter bij de 1 liggen. En andersom, wanneer het robotje een sterk vermoeden heeft dat het een negatief besluit zal zijn dan zal de uitkomst dichter bij de 0 liggen. 

Op deze manier kunnen we, voordat een persoon ooit heeft gekeken naar een case, al een inschatting maken hoe waarschijnlijk een bepaalde uitkomst gaat zijn. In zekere zin vergelijkbaar met spamfilters die, voordat je zelf de mail bekeken hebt al een inschatting maakt of de ontvangen mail reclame is.  

Wat we hiermee nu al kunnen doen is de cases sorteren om de waarschijnlijkheid dat ze positief beoordeeld worden. Op deze manier ben je in staat om cases die waarschijnlijk positief beantwoord worden als eerste te behandelen. Je kunt zo’n robotje natuurlijk ook andere aspecten leren te herkennen. Bijvoorbeeld of een case met voorrang behandeld moet worden, of de case extra complex is etc. Op al dat soort zaken zou je nu je case kunnen sorteren.  

Groeperen voor verbetering

Dit concept gaan we nu nog een stapje verder brengen. We creëren drie categorieën met de kleuren van een stoplicht: rood, groen en oranje. Met de uitkomst van het robotje gaan we de cases nu groeperen in deze drie groepen: 

  • Cases die waarschijnlijk positief beoordeeld worden: Groen
  • Cases die waarschijnlijk negatief beoordeeld worden: Rood
  • Cases waar de AI nog niet zo zeker van is: Oranje. 

Daarnaast geven we de mens, die uiteindelijk de beoordeling gaat doen een handig dashboard zodat de case goed te beoordelen is.  

Dit groeperen in gelijke cases heeft een aantal voordelen: 

  • In het algemeen kan je veronderstellen dat de cases waar de AI grote zekerheid over heeft dat dit relatief eenvoudige cases zijn. De Groene en Rode cases zouden dus toegewezen kunnen worden aan de junioren terwijl de Oranje cases door de senioren behandeld kunnen worden,  
  • Door cases groepsgewijs te behandelen kan je deze vaak sneller verwerken dan wanneer alles door elkaar heen zit,  
  • De AI maakt niet de eindbeslissing dus het blijft een beslissing met een menselijke maat,
  • Continue verbetering. Iedere dag dat mensen met dit systeem werken bevestigen dan wel corrigeren ze de voorspellingen van het model. Dat is voor de AI heel waardevolle informatie om het model mee te kunnen verbeteren. Na een dag werken kan je ‘s avonds de AI aan het werk zetten door tegen de AI zeggen: “Dit is waar je fout zat, leer ervan en zorg  dat je morgen een beter model hebt.” Zo worden de voorspellingen iedere dag beter, wordt de groep Oranje cases kleiner, worden de Rode en Groene groepen preciezer.  

 

Zoals je wellicht ziet hebben we hier een systeem omschreven waar AI de mens ondersteund in haar werk waardoor dit stap voor stap efficiënter en schaalbaar wordt. Eerst al door de combinatie van groeperen van cases met een dashboard en daarna ook nog door het (deels) automatiseren van beslissingen. Tegelijkertijd zie je dat terwijl de mens gewoon haar gebruikelijke werk verricht de resultaten van de AI worden controleert en corrigeert. Dat geeft enerzijds dat de mens de controle houdt over het proces en anderzijds dat je automatisch een goed beeld krijgt van hoe correct het voorspellend model is. Op basis van die kennis kan je besluiten om, daar waar het model zelden tot nooit fouten maakt, zaken automatisch af te handelen en nog slechts steekproefsgewijs de AI te controleren.  

Het principe is bovendien breed toepasbaar en beperkt zich niet tot een specifiek vakgebied of domein of beslissing. Een goede kans dus dat dit ook jouw organisatie kan helpen.  

We praten graag met je verder. 

Share on twitter
Tweeten
Share on linkedin
Delen

Gerelateerd