Sprekende voorbeelden van hoe AI ons in ons dagelijks leven tijd, geld en energie bespaart Kunstmatige Intelligentie voor dummies - part 2

In het vorige artikel hebben we kort uitgelegd wat Kunstmatige Intelligentie is en hoe het ons dagelijks leven nu al – vaak ongemerkt – gemakkelijker maakt. Ook gaven wij toen al drie alledaagse voorbeelden. In dit artikel volgen er nog een paar. Daarnaast delen we een aantal voorbeelden van projecten waar wij op dit moment mee bezig zijn.

Zoek- en aanbevelingsalgoritmen

Als je een film wilt kijken of online wilt winkelen, is het je dan al eens opgevallen dat de items die je worden voorgesteld vaak overeenkomen met je interesses of recente zoekopdrachten? Deze slimme aanbevelingssystemen hebben je gedrag en interesses in de loop van de tijd geleerd door je online activiteiten te volgen. De gegevens worden aan de voorkant (van de gebruiker) verzameld, opgeslagen en geanalyseerd door middel van machine learning en deep learning. Daardoor is het mogelijk om voorkeuren te voorspellen en aanbevelingen te doen voor dingen die je mogelijk wilt kopen of beluisteren.

Chatbots

Een ander voorbeeld is de inzet van een chatbot. Als klant kan de interactie met de klantenservice tijdrovend en stressvol zijn. Voor bedrijven is de klantservice veelal een inefficiënte afdeling die doorgaans duur en moeilijk te beheren is. Een steeds populairder wordende kunstmatige intelligente oplossing hiervoor is het gebruik van AI-chatbots. De geprogrammeerde algoritmes stellen computers in staat om veel gestelde vragen te beantwoorden, bestellingen aan te nemen en te volgen of om directe oproepen te doen.

Chatbots leren de gespreksstijlen van klantmedewerkers bij een bedrijf na te bootsen door middel van natuurlijke taalverwerking (NLP). Geavanceerde chatbots vereisen niet langer specifieke invoerformaten (bijv. ja/nee-vragen). Ze kunnen complexe vragen beantwoorden die gedetailleerde antwoorden vereisen. Als je een slechte beoordeling geeft voor het antwoord dat je krijgt, zal de bot de gemaakte fout identificeren en deze de volgende keer corrigeren, wat zorgt voor een verbeterde klanttevredenheid.

Digitale assistenten

Als we onze handen vol hebben, maken we tegenwoordig vaak gebruik van zogenaamde “digitale assistenten” om taken voor ons uit te voeren. Zo kun je wanneer je achter het stuur zit de digitale assistent vragen om je moeder te bellen (let op: niet appen en rijden tegelijkertijd uiteraard! 😬). Een virtuele assistent zoals Siri, Alexa of Google Assistant is een voorbeeld van een AI-toepassing die toegang heeft tot jouw contacten, het woord ‘mama’ identificeert en het nummer wat jij hierbij hebt opgeslagen belt. Deze assistenten gebruiken NLP, ML, statistische analyse en het gebruik van algoritmes om te beslissen waar je om vraagt. Zo proberen zij de gewenste actie voor je uit te voeren. Zoeken met behulp van spraak en/of afbeeldingen werkt op vrijwel dezelfde manier.

Sociale media

Ook sociale-mediatoepassingen gebruiken de ondersteuning van AI om inhoud te controleren, nieuwe ‘vrienden’ voor te stellen en advertenties aan gerichte gebruikers te tonen. Bovendien zorgt het naast vele andere taken ervoor dat je het platform blijft gebruiken.

AI-algoritmes kunnen berichten die de algemene voorwaarden schenden herkennen en snel verwijderen door middel van trefwoordidentificatie en visuele beeldherkenning. De neurale netwerkarchitectuur van deep learning is een belangrijk onderdeel van dit proces, maar daar houdt het niet op.

Sociale mediabedrijven weten dat de gebruikers hun “product” zijn. Zij gebruiken daarom AI om die gebruikers in contact te brengen met de adverteerders en marketeers die hun profielen als potentiële klanten hebben geïdentificeerd. Social media AI heeft ook het vermogen om het soort inhoud te begrijpen waarin een gebruiker geïnteresseerd is en kan suggesties doen voor vergelijkbare inhoud. Op dit moment werken wij zelf aan een aantal projecten op dit gebied. Hieronder delen we graag een korte beschrijving van waar wij mee bezig zijn op dit moment.

Social Sentiment Analyse

Op dit moment ontwikkelen wij intern een oplossing voor ‘social sentiment analyse’ op gegevens vanuit sociale media, zoals Twitter, Facebook en Instagram. Hiervoor hebben wij zelf duizenden Twitter-feeds beoordeeld en gekwalificeerd. Op basis hiervan zijn we met de oplossing in staat om bijvoorbeeld de data van sociale media over een bepaald onderwerp (of organisatie) te beoordelen. Zo krijg je als bedrijf een idee van hoe (positief, neutraal of negatief) er over je organisatie wordt gesproken op sociale media.

Dit project is gestart als een ‘inside learning’ initiatief om meer medewerkers kennis te laten opdoen van AI (en dan met name Machine Learning en Natural Language Processing). Inmiddels hebben we ondervonden dat het ook goed bruikbaar is voor organisaties om het sentiment op social media te bepalen van een bepaald onderwerp of rondom hun eigen organisatie.

Tekstherkenning en kwalificatie

Eén van onze klanten heeft een grote database met allerlei teksten over een bepaald onderwerp. Veelal zijn dit teksten die bestaan uit (tien)duizenden woorden. Wij hebben meegeholpen aan de realisatie van een oplossing die gebruikers van het platform inzicht geeft in deze teksten door onder andere het herkennen van signaalzinnen, het signaleren van het sentiment en het vinden van referenties naar andere teksten. Op deze manier wordt het tevens mogelijk om op een contextuele manier te zoeken in deze teksten. Op deze manier kunnen de teksten veel sneller en beter worden geclassificeerd, gekoppeld en doorzocht, wat resulteert in tijdwinst en betere resultaten.

Tot zover deze reeks ‘AI voor dummies’, waarin we een aantal alledaagse voorbeelden van het gebruik van AI hebben beschreven.