Innovation

Deel via:

Machine Learning: geen angst voor vervanging van de mens, maar juist een onderbouwing van je onderbuikgevoel

De hype ‘Internet of Things’ begint langzaamaan plaats te maken voor een nieuwe: Machine Learning. Computers kunnen daardoor complexere taken overnemen en moeilijkere vragen beantwoorden. Hierdoor ontstaat vaak de discussie – en de angst – dat machines onze banen gaan vervangen. Ons mensen op den duur vervangt. Maar die discussie is naar mijn mening helemaal niet aan de orde, want door Machine Learning worden we juist nog meer geholpen om bijvoorbeeld in complexe beslissingstrajecten ons onderbuikgevoel te volgen. Het onderbouwt namelijk wat je zelf al dacht én geeft je nog meer opties, voor een nog betere keuze… 

Wat is Machine Learning

Voordat ik hier verder op in ga, is het eerst belangrijk te snappen wat Machine Learning nu eigenlijk is. Arthur Samuel, grondlegger van de term, geeft als definitie: “A field of study that gives computers the ability to learn without being explicity programmed.”

Duidelijker kan ik het zelf niet omschrijven. Computers observeren data en leren door nieuwe gebeurtenissen te vergelijken met die data (historische gebeurtenissen). Een computer wordt hierdoor slimmer en bedenkt een zelflerend algoritme – dus zonder menselijke interventie.

Echter, de mens heeft wel degelijk een belangrijke rol in Machine Learning. Een machine heeft namelijk input van mensen nodig. Zonder onze input kan een machine niet leren. Hij kan niet random data zelf invoeren en daar vervolgens iets mee doen. Wij geven aan wat de verwachte output op data is en laten de machine op basis van trainingsdata een model opstellen. De machine programmeert zichzelf. Daarna kunnen we het model voeden met ‘live’ data en de output controleren. In een feedback-loop geven wij aan of de uitkomst goed of slecht was. Met deze info kan de machine het model beter maken.

Daarnaast is goede, relevante data erg van belang. “Garbage in = garbage out” zeggen we niet voor niets: is je data van slechte kwaliteit, dan geeft je machine ook slechte output. 

Machine Learning in de #RunLiveTruck

Om het belang van de rol van de mens bij Machine Learning duidelijk te maken, wil ik je graag meenemen aan de hand van een voorbeeld. Bij de start van het tweede seizoen van de #RunLiveTruck hebben we Machine Learning bij BAM geïmplementeerd. De afdeling Business Innovation van BAM wilde graag haar tenderproces optimaliseren en schakelde daarom de #RunLiveTruck in. BAM werkt voornamelijk met aanbestedingsprojecten. Zij schrijft zich, naast diverse andere bouwbedrijven, in op projecten waar ze graag aan wil werken. Vervolgens bepaalt de opdrachtgever aan de hand van diverse indicatoren, wie het project mag gaan uitvoeren. Dit proces heet tenderen en BAM heeft hiervoor diverse tender managers in dienst.

Dit proces is erg tijdrovend en duur. Wanneer een nieuwe aanvraag binnenkomt, moet de tender manager in een bulk van data zoeken naar soortgelijke aanvragen uit het verleden. Om vervolgens data te filteren, verbanden te leggen en daaropvolgend een advies te geven: wel of niet aanbesteden. Dat proces kan sneller en beter, vond een groep young professionals binnen BAM: Young BAM. In de #RunLiveTruck is daarom een applicatie ontwikkeld, waarbij het hart Machine Learning is. 

Applicatie SAM

Wij hebben diverse termen en belangrijke documenten (historische leidraden) van BAM in de applicatie geüpload en aan de computer gevraagd om op basis van deze input een model te maken. Wanneer de tender manager vervolgens een nieuwe aanvraag, de inschrijvingsleidraad, invoert, haalt de computer automatisch deze input langs dat ontwikkelde model. Op basis daarvan toont hij een top 5 van meest passende tenders – matchend met de nieuwe aanvraag – uit het verleden aan de tender manager. Ook hebben we een koppeling gelegd met KPI’s zoals onder andere klanttevredenheid, risicoprofiel, gewonnen of niet, financiële gegevens, enzovoorts.

De tender manager hoeft hierdoor niet meer zelf te zoeken, het zoekwerk wordt direct aan hem op een dashboard getoond. Op basis van deze search kan hij wel analyseren en bepalen of het project het aanbesteden waard is of niet. Vandaar de toepasselijke naam SAM: Search, Analyse, Match.

Rol van de mens en zijn onderbuikgevoel

De rol van de tender manager– en dus de mens – hierbij? Hij helpt bij het ‘learning’ stuk. In de volgende fase betekent dit voor BAM: de tender manager geeft aan de machine terug wanneer een tender niet in de top 5 thuishoort. De machine slaat deze informatie op en doet hier vervolgens iets mee: hij leert van de mens en maakt zijn analyses slimmer en daarmee ook de mens slimmer.

En daarmee sluit ik af met de stelling waar ik mijn blog mee opende: Machine Learning onderbouwt het onderbuikgevoel van de mens. De tender manager moet gaan beoordelen wat hij met de nieuwe tender gaat doen. Op basis van zijn ervaring en eerdere successen uit het verleden, heeft hij zelf uiteraard al een idee. Hij kan zelf handmatig op zoek gaan of hij gebruikt de Machine Learning applicatie SAM om een top 5 te krijgen. En daarmee gaat hij zijn keuze onderbouwen met ja of nee. Zijn keuze wordt daardoor sterker, omdat deze op basis van diverse KPI’s wordt onderbouwd.

Op de vraag “Vervangt Machine Learning de mens?” antwoord ik: “Machine Learning ondersteunt de mens bij belangrijke beslissingen én maakt het werkproces efficiënter!”

 

Meer lezen over deze case check www.runlivetruck.sap.nl/BAM en houd #RunLiveTruck in de gaten voor meer informatie!

 

 


 

Reageren op dit blog?