Een order komt binnen, maar klantgegevens en planning worden nog apart overgetypt. Dat is een probleem van gegevensoverdracht, niet vanzelf een reden om AI in te zetten. Het verschil tussen AI en gewone software zit hier in de taak: gewone software kan vaste stappen en koppelingen uitvoeren; software met een machinelearningmodel gebruikt voor een deel van de verwerking een getraind model. Welke aanpak past, hangt af van wat in jouw proces vastligt en wat de software uit gegevens moet afleiden.
Wat is een belangrijk verschil tussen traditionele software en AI?
| Gewone software | Software met een machinelearningmodel |
|---|---|
| Voert processtappen en regels uit die vooraf zijn vastgelegd. | Voert ook applicatiestappen uit, maar gebruikt voor een specifieke taak de uitkomst van een getraind model. |
| Je beoordeelt of de regels, uitzonderingen en koppelingen doen wat is afgesproken. | Je beoordeelt daarnaast hoe het model is getraind, ingezet en bewaakt. |
Dat onderscheid gaat over hoe een uitkomst tot stand komt, niet over de vraag of de applicatie op maat is gemaakt. Maatwerk voor procesautomatisering begint bij de bestaande werkwijze van jouw organisatie, niet bij een vast sjabloon, zoals ook in de aanpak van WEAP naar voren komt.
Een model is bovendien geen los onderdeel dat je na oplevering kunt vergeten. Bij machine learning zijn training en het gebruik van een model voor uitkomsten, inferentie, afzonderlijke keuzes. Die komen boven op de proceslogica van de applicatie.
Wat doet gewone software bij een bedrijfsproces?
Gewone software kan gegevens één keer vastleggen en daarna volgens afgesproken regels doorgeven of verwerken. Neem een order die al in een systeem staat, terwijl iemand de klantgegevens opnieuw in de boekhouding en de planning in een spreadsheet zet. Dat is een voorbeeld van dubbele invoer. Een koppeling tussen de systemen of één centrale applicatie kan die overdracht verzorgen. Daarvoor hoeft geen model te voorspellen wat de medewerker bedoelt.
Kijk vooral naar handelingen die vaak terugkomen en steeds dezelfde uitkomst moeten hebben. Ook rapportages waarvoor iemand telkens gegevens uit verschillende bronnen bijeenbrengt, kunnen op automatiseerbaar werk wijzen. Breng wel eerst de uitzonderingen in kaart: als een order soms een andere route volgt, moet duidelijk zijn welke regel dan geldt en wie mag ingrijpen. Zo voorkom je dat een koppeling alleen het handwerk vervangt door een lastig te herstellen fout.
Wat is de betekenis van machine learning?
Bij machine learning wordt een model getraind met gegevens om een taak uit te voeren, bijvoorbeeld om nieuwe invoer in categorieën in te delen. Wanneer de applicatie het getrainde model een uitkomst laat bepalen, heet dat inferentie. Een voorspelling laten doen is dus niet hetzelfde als het model opnieuw trainen.
De kwaliteit van zo’n model beoordeel je niet alleen door te kijken of de applicatie technisch werkt. Een model kan bijvoorbeeld te sterk aansluiten op de gegevens waarmee het is getraind en minder goed werken bij andere invoer. Dat heet overfitting. Voor jouw bedrijf is de praktische vraag welke invoer het model straks krijgt en hoe je controleert of de uitkomsten daarvoor bruikbaar blijven.
Leert AI-software automatisch bij nadat je haar in gebruik neemt?
Nee. Gebruik van een model betekent op zichzelf niet dat het model leert van nieuwe orders, correcties of feedback. Er bestaan statische en dynamische manieren van trainen; de inrichting bepaalt of en wanneer een model opnieuw wordt getraind.
Vraag daarom wat er met correcties van medewerkers gebeurt. Worden ze alleen in het werkproces verwerkt, of ook gebruikt voor een volgende training? Bij nieuwe modelversies horen implementatietests: blijft de applicatie na de wijziging werken zoals bedoeld? Tijdens gebruik vraagt ook de verwerkingsketen om monitoring. Anders kun je een verslechtering missen terwijl de rest van de software gewoon beschikbaar lijkt.
Wanneer is gewone software genoeg en wanneer komt AI in beeld?
| Wat vraagt het werkproces? | Wat ligt voor de hand? |
|---|---|
| Gegevens staan al in een systeem en moeten naar een ander systeem. | Onderzoek eerst een koppeling of een centrale applicatie. |
| Stappen en uitzonderingen zijn als regels te beschrijven. | Leg die regels vast in gewone software, eventueel op maat gemaakt voor jouw werkwijze. |
| Een taak vraagt om een uitkomst die je uit gegevens wilt laten afleiden. | Onderzoek een model, maar spreek vooraf af hoe je de uitkomst beoordeelt. |
Overtypen tussen systemen is een signaal voor automatisering, niet voor AI op zichzelf. Als standaardsoftware de stappen en uitzonderingen goed ondersteunt, kan die voldoende zijn. Sluit zij niet aan, dan kan een applicatie rond jouw proces worden ingericht. Een model is pas een zinvolle extra laag als het een concrete taak krijgt die je ook kunt toetsen.
Bij een model dat invoer classificeert, bestaan daarvoor maatstaven als accuracy, recall en precision. Welke maatstaf telt, hangt af van de fout die jouw proces het slechtst kan verdragen. Die keuze hoort dus bij de mensen die het werk kennen, niet alleen bij de developers.
Hoe test en bewaak je software met een machinelearningmodel?
Gebruik bij de beoordeling van een voorstel deze checklist:
- Test de applicatie én het model. Controleer of invoer, koppelingen en uitzonderingen goed worden verwerkt. Spreek daarnaast af hoe een nieuwe modelversie vóór ingebruikname wordt getest.
- Maak fouten zichtbaar. Leg bij classificatie vast welke verkeerde indeling het meeste werk of risico veroorzaakt. De gekozen classificatiedrempel beïnvloedt welke gevallen positief of negatief worden ingedeeld; een confusion matrix laat zien welke soorten fouten daarbij optreden.
- Spreek monitoring af. Bepaal wie controleert of gegevens door de verwerkingsketen blijven lopen en of de uitkomsten in de praktijk bruikbaar zijn. Leg ook vast waar medewerkers twijfelgevallen kunnen terugmelden.
Zo blijft testen niet beperkt tot de vraag of een scherm of knop werkt.
Welke risico’s voor persoonsgegevens spelen bij AI en algoritmes?
Als een toepassing persoonsgegevens verwerkt, zijn dit vragen voor de keuze én de inrichting:
- Welke gegevens gaan erin? Maak onderscheid tussen gegevens die nodig zijn voor de taak en gegevens die alleen beschikbaar zijn omdat ze toevallig in een gekoppeld systeem staan. De AVG-regels bij AI blijven van belang.
- Waar worden ze verwerkt en wie kan erbij? Leg vast welke systemen gegevens ontvangen, wie toegang heeft en wat er met invoer en correcties gebeurt.
- Welke AI-regels gelden voor deze toepassing? De EU-AI-verordening bevat definities van AI-systemen. Controleer of jouw toepassing onder de classificatie voor hoog risico valt en, als dat zo is, wat de eisen aan onder meer menselijk toezicht voor het werkproces betekenen.
‘Er zit AI in’ zegt op zichzelf weinig over het gegevensgebruik of de toepasselijke regels. De taak, de gegevens en de inzet van het systeem bepalen wat je moet uitzoeken.
Kun je AI toevoegen aan bestaande bedrijfssoftware?
Ja, een model kan een afgebakend onderdeel van een bestaande applicatie worden. Begin niet bij de toevoeging, maar bij de taak die nu blijft liggen. Gebruik deze punten voordat de bouw start:
- Bepaal de eerste werkende versie. Welke stap moet beter gaan, welke uitzonderingen zijn bekend en waar is tussentijdse feedback van medewerkers nodig? Prioriteer de kernfuncties; gefaseerde uitbreiding voorkomt dat een onduidelijke scope de basisversie ophoudt.
- Teken de gegevensstroom uit. Welke gegevens komen uit de bestaande boekhouding, urenregistratie of planning, en wat gaat terug? Zulke koppelingen met bestaande systemen horen bij het ontwerp, ook zonder AI.
- Leg beheer en overdracht vast. Spreek af wie tests, wijzigingen en onderhoud verzorgt, hoe je data kunt exporteren en welke broncode en documentatie worden overgedragen. Denk ook aan de kosten na oplevering: extra tools, foutherstel en handmatige workarounds kunnen een stille post worden.
Breng de begininvestering in maatwerk in kaart. Vergelijk die niet alleen met de aanschaf van een tool, maar ook met verloren uren door dubbele invoer en met het werk dat na livegang blijft. Doorlopende support en hosting kunnen onderdeel van het traject zijn; maak concreet wat daar wel en niet onder valt.
Een model verandert de software, niet de noodzaak van duidelijke procesregels
Gewone software voert de vastgelegde stappen van jouw proces uit. Voeg je een machinelearningmodel toe, dan blijven die stappen nodig, maar krijgen ook de training, de uitkomsten, het testen, de monitoring en het gegevensgebruik een plaats in de afspraken.
Kies één terugkerend proces en bespreek het desgewenst vrijblijvend direct met de mensen die de applicatie zouden bouwen. Welke stappen vragen regels of koppelingen, waar zou een model werkelijk iets toevoegen en wie behandelt de uitzonderingen? Neem persoonsgegevens, tussentijdse feedback, broncode, data-export, documentatie, onderhoud en overdracht meteen mee. Dan wordt de keuze niet ‘AI versus gewone software’ als etiket, maar een toetsbare keuze voor jouw werkwijze.