TU Delft lanceert eerste acht ‘TU Delft AI Labs’

Delftse wetenschappers de komende jaren onderzoek doen naar de vraag hoe je met kunstmatige intelligentie de wetenschappelijke vooruitgang kunt versnellen.

De razendsnelle ontwikkelingen in AI, datawetenschappen en digitalisatie kunnen zorgen voor een versnelling in wetenschappelijke vooruitgang in alle domeinen, van medische wetenschappen tot onderzoek naar infrastructuur, en van fundamenteel tot toegepast onderzoek.

Omdat AI een rol speelt in alle wetenschapsgebieden, komen wetenschappers die onderzoek doen in AI en met AI in achts labs bij elkaar. In de loop van 2020 en 2021 worden deze acht interdisciplinaire AI labs uitgebreid met nog eens zestien labs.

Zo werken binnen het MACHINA-lab onderzoekers in onder andere machine learning samen met materiaalwetenschappers aan de analyse van bestaande materialen en de ontwikkeling van nieuwe materialen. Binnen het AidroLab werken onderzoekers in geometric deep learning samen met onderzoekers in watermanagement aan het verbeteren van de waterhuishouding en het voorspellen van overstromingen in de stedelijke omgeving. De onderzoekers van het CiTyAI-Lab gaan met behulp van zeer gevarieerde databronnen in kaart brengen welke impact het ‘weefsel’ van de stad heeft op de inwoners, om zo de leefomgeving te kunnen verbeteren.

TU Delft is van plan om het budget op het gebied van AI, data & digitalisatie te verdubbelen tot 70 miljoen euro per jaar. Deze middelen zullen worden gebruikt voor nieuw talent en onderzoekseenheden (‘labs’), onderwijsprogramma’s over AI, data en digitalisatie, versnelde onderwijsinnovatie en de intensivering van samenwerking, partnerschappen en netwerken.

Voedselveiligheid garanderen met voorspellende analyses

De vaak uitverkochte schappen laten zien dat de huidige uitbraak van COVID-19 heeft geleid tot grote voedseltekorten in de detailhandel. Veel van deze tekorten zijn het gevolg van de toegenomen veiligheid en screenings, bijvoorbeeld verlengde wachttijden voor de verzending in de havens bij binnenkomst.

Hierdoor ontstaan er vertragingen die het risico vergroten dat voedsel op weg naar de consument veroudert en de houdbaarheid van het product aanzienlijk verkort. Nog erger, in de haast om de schappen te herbevoorraden, is het risico groot dat drukke magazijnmedewerkers dit vervallen voedsel gewoon te koop zetten zonder de kwaliteit ervan te controleren. Dit verhoogt het risico op een voedselveiligheidsincident, als de klanten besmet voedsel eten en ziek worden.

Het is van cruciaal belang dat detailhandelaren investeren in technologie die hen helpt om potentiële voedselveiligheidsincidenten onmiddellijk te identificeren voordat het bedorven product bij de consument terechtkomt. Dit zal hen helpen de risico’s te minimaliseren en hun klanten de vertrouwde kwaliteitsproducten te bieden waar ze op rekenen.

Hier zijn verschillende soorten geavanceerde technologieën die de voedselveiligheid en -integriteit kunnen garanderen:

Blockchain

Blockchain is een cruciaal instrument om incidenten op het gebied van voedselveiligheid te voorkomen.  In principe is het een openbaar digitaal leger, zoals een spreadsheet, dat het verkeer van goederen in de toeleveringsketen bewaakt, registreert en rapporteert. Het product wordt gescand op verschillende momenten tijdens de reis van de boerderij naar de winkel en laat een “broodkruimelspoor” achter dat de reis in kaart brengt. Deze verantwoordingsplicht helpt detailhandelaren om potentiële incidenten op het gebied van voedselveiligheid gemakkelijker te identificeren of om incidenten terug te traceren naar de bron.

Controle vooraf

Denk bijvoorbeeld aan een winkelmanager die een lading vis in ontvangst neemt. Voordat hij de levering aftekent, controleert hij de blockchain om de juiste afhandeling te verifiëren. Dankzij de gedetailleerde gegevens van de blockchain ziet hij dat deze zending ’s nachts werd bewaard in een faciliteit die niet was uitgerust voor de opslag van bederfelijke goederen. De vis is dus niet meer veilig om te eten. Met dit bewijsmateriaal binnen handbereik wijst de verantwoordelijke de levering af en dient hij een vordering in tegen de externe logistieke dienstverlener voor het betreffende afval. De leverancier verstrekt de detailhandelaar later een bedrag van €1.200 om de schade te dekken. De inzichten van de blockchain helpen de verkoper de faciliteit die verantwoordelijk is voor het incident te herscholen in de verwerking van bederfelijke levensmiddelen, waardoor eventuele toekomstige problemen met voedselverspilling worden vermeden.

RFID

RFID-tags, voornamelijk barcodes die productinformatie verschaffen, zijn een ander voorbeeld van technologie die detailhandelaren helpt om voedselverspilling tot een minimum te beperken. Elk RFID-gemarkeerd pakket (het markeren van individuele producten is zeldzaam vanwege de hoge kosten) biedt direct inzicht in de bewegingen, voorraadniveaus, vraag en meer. De supermarkt, de voedingsmiddelenindustrie en de sector van de verpakte consumptiegoederen maken allemaal gebruik van RFID om de kwaliteit, de versheid en de correcte behandeling te controleren, vooral binnen de toeleveringsketen.

Houdbaarheid

Een veelgebruikte toepassing van RFID-tags is het controleren van de houdbaarheidsdatum. Zoals eerder gezegd, kan een aantal zaken ertoe leiden dat voedsel in de toeleveringsketen wordt opgehouden, en het is mogelijk dat sommige artikelen door de vertragingen verlopen. RFID vermindert de kans dat voedsel waarvan de houdbaarheidsdatum is verlopen, ooit in het schap terechtkomt.

Scannen

Bij aankomst van een pakket op een willekeurig moment in de toeleveringsketen hoeft een werknemer alleen maar de RFID-tag te scannen met een ingeschakeld apparaat om de houdbaarheidsdatum van de inhoud te controleren. Er is geen extra werk of tijd nodig om te zien of het voedsel onveilig is voor consumptie en bovendien kan het snel uit de toeleveringsketen worden verwijderd voordat het bij de consument terechtkomt.

Sentimentanalyse

Voedselveiligheidsrisico’s zijn niet altijd een gevolg van de toeleveringsketen, opleidingskloven en het niet naleven van de voorschriften op winkelniveau zijn ook factoren die een rol spelen. Sommige geavanceerde analytische oplossingen, zoals de voorspellende analyse, hebben een machinale leerfunctie die sentimentanalyse wordt genoemd. Door gebruik te maken van een sentimentanalyse kan een systeem worden gebruikt voor het analyseren van online beoordelingen, commentaren en waarderingen. Op deze manier wordt de werkelijke intentie van de beoordelaar verwerkt om de beleving van een detailhandelaar door de consument te beoordelen. Door middel van een sentimentanalyse kunnen retailers hun winkels met een groot risico op een voedselveiligheidsincident identificeren en middelen als dusdanig toewijzen.

Opleidingkloof

Zo gebruikte een winkelier een sentimentanalyse om een opleidingskloof met mogelijk dodelijke gevolgen op te lossen. Zijn voorspellende analytische oplossing identificeerde een winkel in Nashville met een recente reeks negatieve Yelp- en Facebook-reviews waarin de woorden “vlees”, “grijs” en “bedorven” veel voorkwamen. De operationeel directeur van de regio Nashville bracht een winkelbezoek, onder begeleiding van een veiligheidsmanager op de werkvloer.

Het duo inspecteerde de vleesafdeling en vond een aantal verpakte stukken rundvlees die grijs waren geworden door blootstelling aan de lucht. Bij een nadere beschouwing van de verpakkingen bleek dat hun plastic verpakking nogal losjes was. De managers ontdekten een gat in het trainingsprogramma rond het goed verpakken van het vlees. De werknemers verpakten het vlees te los en stelden het bloot aan de lucht.

Herscholing

Op basis van de resultaten van het onderzoek werd de medewerkers in de vleessector gevraagd om enkele herscholingsvideo’s over de juiste verpakkingsprocedures te bekijken en enkele nalevingscontroles uit te voeren. De beoordelingen van de winkel zijn in de loop van de daaropvolgende weken voortdurend verbeterd en het risico op een voedselveiligheidsincident is beperkt gebleven.

Weinig dingen houden een winkelier ’s nachts meer wakker dan de mogelijkheid van een voedselveiligheidsincident, vooral tijdens de groeiende voedselonzekerheid. Het inzetten van geavanceerde technologie zoals bovenstaande om gebieden met een hoog risico te identificeren, kan de supermarkten (en hun klanten) de gemoedsrust geven dat de winkels hygiënisch zijn, voldoen aan de voorschriften en alleen voedsel van de hoogste kwaliteit hebben.

Over de auteur: Guy Yahiav is CEO bij Zebra Technologies.

‘Geen braindrain wetenschappers op het terrein van kunstmatige intelligentie’

Er is geen sprake van een braindrain uit Nederland van wetenschappers op het terrein van kunstmatige intelligentie (AI). Het aantal onderzoekers aan Nederlandse universiteiten en onderzoeksinstellingen dat de afgelopen twintig jaar naar het buitenland vertrok, is in evenwicht met het aantal dat Nederland binnenkwam. Dat blijkt uit een overzicht van het Rathenau Instituut.

AI-wetenschappers in Nederland zijn wel mobieler dan die in andere landen. Zo’n drie kwart van de AI-wetenschappers die de afgelopen twintig jaar in Nederland actief waren, had internationale ervaring.

Bijna de helft van alle AI-wetenschappers in Nederland kwam vanuit het buitenland. Het merendeel bleef minder dan twee jaar hier. De groep die langer bleef, is ongeveer even groot als de groep Nederlanders die voor langer dan twee jaar naar het buitenland vertrok.

In kwaliteit en productie ontlopen de binnenkomende en vertrekkende AI-wetenschappers elkaar niet veel. Vertrekkende wetenschappers publiceren iets meer en worden iets vaker geciteerd, maar dat verschil geldt voor bijna alle landen (behalve de VS en het Verenigd Koninkrijk).

Wat betreft het aantal wetenschappelijke studies naar AI dat in de afgelopen tien jaar verscheen, staat Nederland op de twintigste plek. Chinese wetenschappers voeren de ranglijst aan (25,6%), gevolgd door die uit de Verenigde Staten (16,5%) en India (8,3%).

Machine Learning Ops: van experimenteren naar implementeren

Organisaties en bedrijven wenden zich steeds vaker tot Machine Learning (ML) voor een betere bedrijfsvoering en om een strategisch voordeel te behalen op de concurrentie. Maar vaak blijkt de overgang van testfase naar implementatie te lastig.

Onderzoeks- en adviesbureau Gartner schat dat in 2020 tot wel tachtig procent van alle projecten rondom Artifical Intelligence uiteindelijk niet van de grond komt. ML Ops is een set van ‘best practices’ die daar verandering in brengt. 

Verkeerde focus

Eliyahu M. Goldratt, schrijver en bedenker van onder meer de managementstrategie Theory of Constraints, schreef: “Automation is good, so long as you know exactly where to put the machine”. Dit geldt tot op zekere hoogte ook voor ML. Een van de redenen waarom dit soort projecten mislukt, is omdat de focus aanvankelijk te veel ligt op het bewijzen dat ML een toegevoegde waarde heeft binnen de organisatie, terwijl praktische vragen over de implementatie van ML over het hoofd worden gezien. Daar komt Goldratt om de hoek kijken: we kunnen bewijzen dat een ML-project rendabel is, alleen weten we nu niet hoe we het kunnen implementeren.   

Waar het fout gaat

Er zijn verschillende redenen waarom ML-projecten mislukken. Een van de meest voor de hand liggende, is dat de daadwerkelijke implementatie van ML meer vraagt van de gehele organisatie dan wanneer het project zich nog in de testfase bevindt: meer en een betere infrastructuur, meer samenwerking tussen verschillende teams, meer stakeholders om rekening mee te houden enzovoort. Wat kleinschalig begon moet nu in de hele organisatie worden uitgerold en dat brengt vraagstukken en problemen met zich mee waar aanvankelijk geen rekening mee werd gehouden. 

Daarbovenop komt het feit dat veel ML-initiatieven in het begin geïsoleerd zijn. Deze projecten staan op zichzelf binnen de organisatie, wat leidt tot inefficiëntie. Ook verhindert dit het delen van ‘best practices’ tussen verschillende teams. 

Black-box decisions

Nog een probleem is het risico op zogeheten ‘black-box decisions’, waarbij de besluitvorming van ML-applicaties ondoorzichtig is. Echter, wanneer zo’n applicatie live gaat ben je als organisatie verplicht om deze beslissingen uit te kunnen leggen aan bijvoorbeeld klanten en stakeholders. 

Tot slot vergt ML veel up-to-date data van hoge kwaliteit, evenals veel kwaliteitsmonitoring, wat allebei kostbaar is. Wanneer hier na de implementatie niet in voorzien kan worden, leidt dat mogelijk tot een zogeheten ‘performance drift’ waarbij het gebruik van een ML-applicatie vaker kan leiden tot foute beslissingen.

ML Ops in het kort

Na een forse investering in de testfase van een ML-project wil niemand dat deze in de implementatie fase strandt. Om te zorgen dat de overgang van test naar implementatie goed verloopt, is daarom een set van ‘best practices’ ontwikkeld: ML Ops. 

ML Ops is van cruciaal belang in het ontwikkelen van ML-pipelines, welke worden gebruikt om de workflows van ML-applicaties te automatiseren. Door een zoveel mogelijk geautomatiseerde ML-pipeline wordt de uiteindelijke implementatie makkelijker, consistenter en is de kans op menselijke foute kleiner.

Naast automatisering zijn enkele andere best practices: manageability (opleggen van beheer van het ML-model en het bijhouden van veranderingen in modellen en code gedurende modelontwikkeling), reusability (zorg dragen voor consistente oplevering en dat configuraties opnieuw kunnen worden gebruikt) en reproducibility (zorgen dat code, modellen, SDK’s, etc. onderhouden worden zodat deze gereproduceerd kan worden). 

Standaardoplossingen

ML Ops helpt bedrijven met het effectief en efficiënt implementeren van ML-applicaties om er zo daadwerkelijk vruchten van te plukken. Soms hebben ML Ops-dienstverleners al technische templates van ML pipelines op de plank liggen, waardoor het hele implementatie proces nog sneller verloopt. Vaak lukt het om dit aan te laten sluiten op een technologisch platform naar keuze, zoals Microsoft Azure of Google Cloud. 

Gestandaardiseerde end-to-end ML pipelines hebben als voordeel dat er snel geëxperimenteerd kan worden met nieuwe ideeën en relatief makkelijk schaalbaar zijn om bijvoorbeeld grotere groepen van gebruikers te voorzien.   

Uiteindelijk geldt bij de overweging om een ML-applicatie te bouwen het oude advies: bezint eer ge begint. Neem vanaf nu wel in overweging mee hoe een applicatie geïmplementeerd gaat worden, en weet dat ML Ops genoeg handvatten biedt om ML-projecten succesvol van de grond te krijgen. 

Over de auteur: Moustapha el Marini is manager data science bij VIQTOR DAVIS.

Wordt AI nooit slimmer dan mensen?

Gaan we in de toekomst machines uitvinden die zichzelf verbeteren, waardoor we geen controle meer hebben over de technologische groei? Dit omslagpunt wordt ook wel singulariteit genoemd. In dit stuk ga ik verder in wat hiermee bedoeld wordt én waarom we dit misschien nooit zullen bereiken. Optimisme versus pessimisme Er heerst zowel optimisme als pessimisme […]

Klein miljoen nieuwe abonnees streamingdiensten Nederland

Tijdens de coronacrisis zijn 865.000 mediaconsumenten in Nederland abonnee geworden van een nieuwe videostreamingdienst. Een derde van hen ging naar Amazon Prime Video, een vijfde naar Disney+ en Videoland. Die laatste staat nu het hoogst op de wensenlijstje van de mense die zich nu oriënteren.

Het is niet zo dat nu massaal de abonnementen on Netflix worden opgezegd, maar als gevolg van de coronacrisis neemt een grote groep er een tweede video-abonnement bij. Amazon Prime won in een maand tijd evenveel nieuwe abonnees als HBO op Ziggo.

De belangrijkste reden om een abonnement elders af te sluiten, is de exclusieve beschikbaarheid van een bepaalde film of serie bij een bepaalde videodienst. Zo heeft Disney+ veel films uit eigen stal en financieren Amazon en Netflix intensief de productie van exclusief materiaal dat enkel bij hen te zien is.

Hoe zeer de afgelopen anderhalve maand ook een nieuwe dynamiek in de streamingmarkt heeft gebracht, de kaarten lijken grotendeels al wel gedeeld. Netflix is veruit de allergrootste met een marktaandeel van rond de zestig procent.

Deze cijfers zijn afkomstig van het nieuwe crossmediale bereiksplatform THX. Daar nemen vier van Nederlands grootste panelonderzoekers aan deel, waaronder MeMo2 en Motivaction. Samen bereiken ze in totaal 700.000 Nederlandse panelleden en consumenten. De basis is het aanmaken van een diep consumentenprofiel en deelname aan korte tinderachtige merk- en campagneonderzoekjes via de mobiele app THX. Panelleden die via hun telefoon audio-herkenning en bewegingsdata delen, krijgen meer en extra beloningen.

Vandaag maakt THX een nieuwe module bekend (FLOW) die op basis van kunstmatige intelligentie voorspellingen gaat doen van consumentgedrag. Te denken valt aan toekomstige verkoop-aantallen, switchgedrag, merkoverweging, loyaliteit en retentie. Normaalgesproken wordt dat soort data vrij generiek met marketinganalytics gegenereerd, maar vanwege de hoeveelheid en kwaliteit van de data denkt THX veel nauwkeuriger te zijn.

Marcel Vogels, oprichter MeMo2, zegt hierover: “Mensen zijn geen robots of willoze wezens. Dat is momenteel wel het uitgangspunt van marketinganalytics. Hier worden verkoopveranderingen eenzijdige verklaard en toegewezen aan de hoeveelheid en mix van ingezette mediamiddelen. Maar mensen vertonen grillig consumptief gedrag en worden daarin ook beïnvloed door emoties, eerdere ervaringen, het sociale netwerk, feitelijke en gefragmenteerde media-exposure en uiteindelijk percepties. Elke dag weer. Moderne marketeers en growthhackers moeten dit enigma zien te ontcijferen. Met FLOW wordt voor het eerst in Nederland hier echt inhoud aan gegeven.”

Foto: shht (cc)

Sogeti: ‘Ja, AI kan creatief zijn’

Computers met AI erin kunnen creatief zijn en de mens helpen door sneller nieuwe dingen te bedenken of te maken. Dat kan handig zijn om nieuwe mode te ontwerpen of synthetische publieksgroepen te maken voor AVG-testen of andersoortige onderzoeken.

Dat is af te leiden uit het onderzoek ‘Infinite Machine Creativity’ dat Sogeti Labs afgelopen week publiceerde. Een van de onderzoekers, Sander Duivestein, licht toe: “We wilden weten of machines creatief kunnen zijn en kwamen in aanraking met een nieuwe technologie: Generative Adversarial Networks of GAN’s [?]. Het blijkt dat mens en machine elkaar in de nabije toekomst kunnen versterken.”

Machines kunnen creatieve, makende, taken van de mens overnemen, maar ook samenwerken. In dat geval wordt het creatieve proces versneld. Een GAN kan in een nacht meer werk verrichten dan zijn menselijke tegenhangers in dagen of weken.

“De output van een GAN is synthetische, door AI gegegeneerde data. Voor een architect kunnen nieuwe blauwdrukken van huizen worden gegegeneerd. Of voor de mode-industrie kan nieuwe kleding worden bedacht. Zaken die normaal gesproken menselijke designers beïnvloeden, denk aan kleuren, stoffen of andere culturen, kun je ook als input meegeven.”

Uiteindelijk is het de mens die beslist of en welke van de computersuggesties worden overgenomen. Bovendien, stelt Duivestein, zal het nog een tijd duren voordat creatieve AI algemeen wordt toegepast. “Maar het kan snel gaan. Kijk naar deepfake-technologie. Dit is één van de eerste voorbeelden van deze technologie en zie je regelmatig opduiken. Onlangs testte ik zelf deze open source-technologie Avatarify.”

Om video’s van Youtube te kunnen tonen, dienen analytische cookies en tracking cookies geaccepteerd te worden.

(Speel af op YouTube https://www.youtube.com/watch?v=Q7LFDT-FRzs )
https://www.youtube.com/watch?v=lONuXGNqLO0

(Speel af op YouTube https://www.youtube.com/watch?v=lONuXGNqLO0 )
Bedrijven, bijvoorbeeld, kunnen GAN’s gebruiken om grote groepen synthetische personen te maken. Profielen van mensen die alleen in een virtuele omgeving bestaan. Groepen kunnen in theorie oneindig groot en gevarieerd zijn en worden gebruikt om regels en scenario’s te testen. “Denk aan AVG-testen of situaties laten naspelen.”

“GAN’s helpen creativiteit te versnellen, maar de technologie an sich zit nog maar aan het begin van Gartners hypecycle.”

Foto: banalities (cc)

Radboud Universiteit krijgt unit voor verder AI- en Machine learning-onderzoek

Het European Laboratory for Learning and Intelligent Systems (ELLIS) opent verschillende nieuwe units, waaronder eentje aan de Radboud Universiteit. Daar wordt de komende jaren onderzoek gedaan naar machine learning en andere onderwerpen gerelateerd aan kunstmatige intelligentie.

Het pan-Europese ELLIS-initiatief richt zich op het behouden van AI-onderzoekers voor Europa. Veel Europese onderzoekers trekken de laatste jaren naar de VS en China om daar projecten op te zetten, maar met ELLIS wordt er meer ruimte geboden voor onderscheidend lokaal onderzoek.

Binnen de unit ondersteunt de Radboud Universiteit niet alleen bestaande AI-onderzoekers, maar wordt er tevens nieuw talent aangetrokken. Naast drie senioronderzoekers komt er ruimte voor vier extra promovendi. Daarnaast worden er nog acht nieuwe promovendi aangetrokken vanuit nationale en EU-brede subsidies.

Zij zullen onderzoek uitvoeren op het snijvlak van cognitieve systemen, machine learning en kunstmatige intelligentie.

In totaal lopen er op de universiteit meer dan 170 wetenschappers rond die zich bezighouden met onderzoek rondom kunstmatige intelligentie. Op basis van de citatiescore staan zij op nummer één in AI-onderzoek in Nederland.

Foto Pixabay

Het is tijd om te investeren in verantwoorde AI

Artificial intelligence (AI) stelt steeds meer organisaties in staat om hun data optimaal te benutten en bedrijfsprocessen te automatiseren. Tegelijkertijd ligt het gebruik van AI steeds vaker onder een vergrootglas. Daarom wordt het voor organisaties alsmaar belangrijker om aan te tonen dat zij op een verantwoorde manier met kunstmatige intelligentie omgaan. Beslissingen die met behulp van AI worden genomen, moeten betrouwbaar, eerlijk en vooral transparant zijn. Want de mondige burger van nu eist – en heeft – recht op uitleg. 

Kunstmatige intelligentie is inmiddels volop aanwezig in het dagelijks leven. En niet alleen in de vorm van algoritmes die berekenen welke serie jij op Netflix wilt kijken. Steeds vaker wordt AI bijvoorbeeld ook gebruikt om te bepalen of iemand in aanmerking komt voor een lening of welk creditcardlimiet iemand krijgt. 

Het potentieel van AI is voor veel mensen en organisaties duidelijk, maar daarmee groeit ook de roep om regulering. Google CEO Sundar Pichai sprak zich hier al eerder over uit. De Europese Unie lijkt erop gebrand om nieuwe regel- en wetgeving in te stellen en begin dit jaar kwam het World Economic Forum met acht regels op de proppen voor bedrijven die ethiek in hun AI willen integreren. 

Voor bedrijven is het daarom zaak nu te handelen en niet achter de ontwikkelingen aan te lopen.  

Voorkom dat je vragen krijgt die je niet kunt beantwoorden

Een van de grootste problemen met kunstmatige intelligentie is het zogeheten ‘black box decision making’. Simpel gezegd komt dit erop neer dat de input in een systeem (bijvoorbeeld financiële data) leidt tot een output (bijvoorbeeld een aanbeveling of iemand of een bedrijf kredietwaardig is), maar waarbij er geen enkel inzicht is in hoe deze beslissing precies tot stand kwam. Waarom AI bepaalde keuzes heeft gemaakt, blijft een mysterie en betrokkenen moeten maar aannemen dat de beslissing juist is, zonder dat dit op een of andere manier valt te valideren.

Dit leidt natuurlijk tot ondoorzichtige situaties die je als organisatie wilt voorkomen. 

Als het gaat om AI-voorspellingen binnen bedrijfsprocessen wil je als beleidsbepaler binnen een organisatie niet alleen weten wat je moet doen, maar ook waarom je dat moet doen. Als het gaat om diensten of beslissingen met betrekking tot klanten moet je kunnen uitleggen waarom een AI-systeem een voor de klant negatieve beslissing heeft genomen en dan volstaat het niet om te zeggen dat ‘de computer dat nu eenmaal heeft berekend’. Daarnaast loop je bij ondoorzichtige besluitvorming ook het risico dat je AI-systeem zonder dat jij het weet discrimineert, wat negatieve pr of zelfs een rechtszaak kan opleveren. 

Wanneer het fout gaat

Dat het goed fout kan gaan, blijkt wel uit de volgende voorbeelden.

In februari besloot de rechtbank in Den Haag dat het overheidsprogramma Systeem Risico Indicatie (SyRI) van tafel moest. SyRI, een initiatief van het ministerie van Sociale Zaken, is een algoritme dat allerlei persoonlijke gegevens aan elkaar koppelt en op die manier mensen identificeert die waarschijnlijk fraude plegen. De rechtbank besloot echter dat het programma onvoldoende inzichtelijk en controleerbaar was, onder meer door een gebrek aan transparantie over hoe gegevens werden verwerkt en geanalyseerd. Daarmee bestond ook het risico dat discriminerende effecten zouden optreden. Eerder uitte het Europees Hof voor de Rechten van de Mens al kritiek op SyRI. 

Een paar maanden eerder bevond techgigant Apple zich in het oog van een mediastorm toen bleek dat het AI-systeem achter de nieuwe creditcard van het bedrijf mannen een stuk kredietwaardiger achtte dan vrouwen. Zelfs medeoprichter Steve Wozniak liet via Twitter weten dat hij tienmaal zoveel krediet had gekregen als zijn vrouw, ook al deelde het echtpaar alle bankrekeningen en bezittingen.  

Ook in andere gevallen is het belangrijk om te weten hoe een AI-systeem tot een besluit kwam. Stel: kunstmatige intelligentie wordt gebruikt om te bepalen wanneer de wielen van een trein vervangen dienen te worden, zonder dat het duidelijk is waarom ze op dat moment versleten zijn. Het gevolg is dat je alleen aan symptoombestrijding doet en achter de feiten aanloopt, iets wat steeds weer tijd en geld kost. 

Verschillende oplossingen

Voorkomen is beter dan genezen en dus doen bedrijven en organisaties er verstandig aan om nu actie te ondernemen. Er zijn oplossingen waarmee AI-systemen inzichtelijk en transparant worden, bijvoorbeeld door middel van het implementeren van een responsible AI framework in nieuwe of bestaande AI-toepassingen. Dit framework gaat uit van vier elementen: Fairness, Accountability, Confidentiality en Transparancy en deze methodiek stelt bedrijven in staat om oneerlijkheid op te sporen en door middel van transparantie vertrouwen op te bouwen. 

Welke oplossing er ook het beste past bij je organisatie, het is sowieso tijd om de black boxes te openen. 

Over de auteur: Marijn Kroes is data science consultant bij VIQTOR DAVIS.

Conversational copywriting: wat maakt een chatbot menselijk?

Gebruiksvriendelijke en AI gedreven chatbot platforms hebben de manier waarop we chatbots bouwen ingrijpend veranderd. De tijd dat alleen technische mensen bots kunnen bouwen, ligt achter ons. Iedereen kan nu een conversational bot maken, óók als je geen programmeerkennis hebt. De focus verspringt dan ook van de technische aspecten naar de meer conversationele kant van chatbot ontwikkeling. Uiteindelijk zijn het onze chatbots die het gesprek aan gaan met onze gewaarde klanten en die willen we natuurlijk graag tevreden houden. We spraken Maaike Groenewege, Conversational Consultant bij Convocat over haar visie op menselijke chatbots. 

Een menselijke chatbot is in de eerste plaats gebruiksvriendelijk

Uit onderzoek van Christine Liebrecht en Charlotte van Hooijdonk weten we al dat chatbots als menselijker worden ervaren als zij communiceren met ‘een menselijke stem’ en conversational human voice wordt toegepast (CHV). Dit wordt bereikt door een van de volgende drie elementen in de conversaties te integreren: informeel taalgebruik, personalisatie – zoals iemand bij de naam te noemen bij een begroeting – en uitnodigende retoriek. Dit laatste is een middel om een gevoel van wederzijds begrip te stimuleren, bijvoorbeeld door de chatbot om feedback te laten vragen tijdens een gesprek.

Naast de drie bovengenoemde elementen van taalgebruik is het echter vooral de gebruiksvriendelijkheid van een chatbot die de basis vormt voor succes. 

“Voor mij zijn menselijke chatbots in de eerste plaats gebruiksvriendelijk. Wanneer wij als mensen met elkaar communiceren, gaan we er vanuit dat we elkaar begrijpen. Als het gaat om chatbots, hebben we dezelfde verwachtingen. Er is weinig begrip voor een dead-end chatbot die onze vragen niet begrijpt.”, aldus Maaike. 

Communicatieregels gebruiken om chatbots menselijker te maken 

Ze legt uit dat wij mensen met elkaar praten op basis van specifieke regels die we allemaal impliciet kennen en naleven. De Britse taalfilosoof Paul Grice heeft deze regels beschreven in zijn Cooperative principle en de Maxims of Conversation. Eén van de vier stelregels betreft bijvoorbeeld de hoeveelheid van wat we zeggen. Volgens deze regel laat je belangrijke dingen in een gesprek niet weg, maar je zegt ook niet meer dan nodig is. Als je bijvoorbeeld weet wanneer, maar niet hoe je een pakketje dat je online besteld hebt terugstuurt, hoef je niet allebei te weten. Alleen hoe is voldoende. De regels zijn zo diep geworteld dat mensen ze normaal gesproken automatisch volgen en hetzelfde verwachten van hun gesprekspartner.

Helaas is dit niet altijd het geval met chatbots. Slecht ontworpen dialogen geven soms veel te lange antwoorden. Als je bijvoorbeeld in het kader van een retourzending wil weten of de originele verpakking moet worden gebruikt, moet het antwoord alleen op dit punt betrekking hebben. Niemand heeft immers gevraagd naar de algemene retourvoorwaarden. 

Bij het schrijven van chatbot dialogen moet je dus niet alleen letten op de juiste tone of voice, maar ook op de geldende interpersoonlijke communicatieregels. Het is belangrijk om onderscheid te maken tussen stijl en inhoud. Inhoud gaat over wat je zegt, en stijl gaat over hoe je het zegt. De persoon binnen een bedrijf die de chatbot dialogen maakt, moet met beide vertrouwd zijn.

Vijf tips voor het schrijven van chatbot dialogen

Als je eenmaal vertrouwd bent met de menselijke communicatieregels en de drie bovengenoemde elementen van taalgebruik (informele toon, persoonlijk adres, uitnodigende retoriek), kun je beginnen met het schrijven van chatbot-dialogen. Op basis van de jarenlange ervaring met chatbotprojecten en de samenwerking met experts op het gebied van conversatieontwerp, heeft Maaike een aantal handige tips opgesteld: 

1. Neem de consument bij de hand

Tijdens een gesprek is het belangrijk dat de chatbot de klant door het hele proces begeleidt en hem uitnodigt om het gesprek voort te zetten totdat hij volledig is geholpen. Om je klanten betrokken te houden, helpt het om elke ‘gesloten’ reactie van de chatbot af te sluiten met een vraag. 

2. Schrijf “one-breath” bot antwoorden

Om je chatbot echt conversational te maken, zorg je ervoor dat de antwoorden van je chatbot niet te lang zijn. Een goede vuistregel is om je chatbot gesprekken te laten slagen voor de ‘one breath test’. Als je je chatbot antwoord hardop voorleest, past het dan in één adem? Dan is het perfect voor gebruik in je bot. Als je extra moet ademen, dan is het een goed idee om je antwoord op te splitsen in verschillende tekstballonnen. 

3. Geef je chatbot een persoonlijkheid 

Een chatbot persona helpt je gesprekspartners om een consistente tone of voice en merkidentiteit te behouden in je hele chatbot. Sterker nog, met de juiste persoonlijkheid kan je chatbot een geweldig middel zijn om je klanten nog meer te engagen met jouw merk of organisatie. 

4. Personalisatie

Personalisering is ook een interessante factor. Je kunt verschillende gebruikersgroepen op een andere manier behandelen en je antwoorden aanpassen afhankelijk van met wie de chatbot praat. Denk bijvoorbeeld aan terugkerende versus nieuwe bezoekers, klanten versus prospects of jongere versus oudere consumenten.

5. A/B test je dialogen

Soms kun je twijfelen over welke conversatie het beste werkt. Stel je bijvoorbeeld een klant voor die een hele lange vraag stelt die de chatbot niet kan begrijpen. Is het beter om de klant direct over te dragen aan een medewerker? Of moet de chatbot zeggen “Het spijt me, maar je vraag is een beetje te lang voor mij. Kun je het inkorten zodat ik je verder kan helpen.”? Om uit te vinden wat beter werkt voor jouw klanten, kunt je beide scenario’s gewoon testen door middel van een A/B test. 

De toekomst van conversational design in chatbots start vandaag

Na de snelle ontwikkelingen op het gebied van AI en chatbots in de afgelopen jaren te hebben meegemaakt, kan Maaike zich voorstellen dat automatisering ook een rol gaat spelen in conversational design.

“De ontwikkelingen in het veld gaan zo snel. Ik kan me voorstellen dat de ontwikkeling van dialogen voor service chatbots op een gegeven moment geautomatiseerd kan worden. Maar creatieve marketingbots zullen nog steeds worden ontworpen door conversational copywriters.”

Over de auteur: Mia Schulz is online marketeer bij OBI4wan.

Hoe je als bedrijf inspeelt op de Conversational AI trends

De afgelopen jaren zijn chatapplicaties gemeengoed geworden en is het voor steeds meer mensen het eerste klantcontact met een bedrijf. De verwachting is dat Conversational AI hier de komende jaren een belangrijke rol in gaat spelen.

In plaats van de telefoon of e-mail beginnen mensen steeds vaker het gesprek via berichten apps als WhatsApp en Facebook Messenger, terwijl ook spraakgestuurde oplossingen als Siri en Google Home worden ingezet. Vooral jongeren hebben de neiging om berichten boven andere communicatievormen te verkiezen, zeker als ze contact opnemen met bedrijven.

De verwachting is dat deze communicatievormen in de komende jaren alleen maar belangrijker gaan worden. In een rapport uit 2017 doet Gartner bijvoorbeeld de voorspelling dat conversational (zowel stem als tekst) in apps en services geïntegreerd zal worden om klanten te bereiken. Mede omdat 64% van de respondenten in het onderzoek van Gartner aangeeft dat zij bij een aankoop de customer experience belangrijker vinden dan de prijs.

Tegelijkertijd zorgt de opkomst van conversational er ook voor dat consumenten de lat voor chatbots steeds hoger leggen. Consumenten zijn dankzij streamingdiensten als Netflix en Spotify gewend geraakt om altijd en overal toegang te hebben tot digitale diensten, terwijl social media hen in staat stelt om 24/7 met iedereen in contact te staan. Mede daardoor verwachten zij dat ook een klantenservice altijd ‘on demand’ beschikbaar is en chatbots snel, persoonlijk en vooral de juiste antwoorden geven op hun prangende vragen.

Conversational AI kan bedrijven helpen om de volgende stap te zetten in het verder verbeteren van de customer experience. Chatbots integreren door deze stap naadloos met andere systemen. 

Wat is Conversational AI?

Conversational AI (Artificial Intelligence) zijn de technologieën die het voor berichtenapplicaties, spraakassistenten en chatbots mogelijk maken om communicatie te automatiseren en een gepersonaliseerde klantervaring op grote schaal te realiseren. 

Dankzij machine learning zijn chatbots bijvoorbeeld beter in staat om spraak te begrijpen en tekst om te zetten in spraak. Op dezelfde manier als dat mensen informatie winnen uit de gesprekken die ze voeren, leert kunstmatige intelligentie computers om als een mens een passend antwoord te formuleren op vragen die worden gesteld. 

Op deze manier zijn conversaties niet langer alleen gebaseerd op zoekwoorden, maar op de context in het gesprek. Zo kan een bot straks beter dialecten onderscheiden en begrijpen, maar ook afkortingen of jargon interpreteren en daarop handelen.

Het grote verschil met een ‘gewone’ chatbot is dat Conversational AI-applicaties op verschillende niveaus en complexiteit ingericht kunnen worden:

  • Eenvoudig – Een FAQ-chatbot die veelgestelde vragen beantwoordt
  • Middelmatig – Een virtuele persoonlijke assistent als Google Home of Apple Siri waarin de dialogen redelijk rechtlijnig zijn
  • Uitgebreid – Een virtuele assistent voor klanten die de interactie aangaat en de context begrijpt
Ontwikkeling eigen chatbots

Inmiddels zijn er diverse all-in-one conversational platformen beschikbaar, waardoor de drempel laag is om met Conversational AI aan de slag te gaan. Bedrijven hoeven niet zelf een chatbot te bouwen en te onderhouden, waardoor deze snel live kan gaan. Zo ging AFAS binnen twee dagen live met hun eigen chatbot Nicol@.

Verder kunnen bedrijven dankzij deze platformen hun chatbot volledig naar eigen wens opzetten. Zo kun je met behulp van de KPN API store eenvoudig meerdere systemen aan elkaar koppelen. Denk bijvoorbeeld aan een koppeling tussen een chatbot en een ticketingsysteem of CRM. 

De verwachting is dan ook dat in de komende jaren steeds meer organisaties zelf technologieën gaan ontwikkelen voor de chatbots die zij inzetten en daar zelfs specifieke afdelingen voor inrichten. 

De toekomst ligt bij chatbot platforms

Conversational AI is inmiddels de experimentele fase voorbij en zal de komende jaren een steeds belangrijkere rol gaan spelen.

Zo kan de klantenservice een ware metamorfose ondergaan. Callcenters zijn bijvoorbeeld niet meer nodig wanneer chatbots in staat zijn om dezelfde (of nog betere) antwoorden te geven. Denk bijvoorbeeld aan Billie van bol.com. De virtuele assistent handelt inmiddels meer dan zeventig procent van de vragen met succes af. 

Voor bedrijven biedt Conversational AI ook mogelijkheden om het sales proces te optimaliseren. Zo realiseert chatbot Lilly voor Luxaflex® inmiddels ongeveer vijf leads nieuwe leads per week.

In de transportsector kan Conversational AI autonome voertuigen assisteren. Passagiers geven aan de auto de bestemming door en kiezen de gewenste route, waarna deze zijn weg vervolgt en het systeem in de gaten houdt wanneer het tijd is om de accu op te laden. Onder meer Nvidia is hier al redelijk ver in.

Verder kan Conversational AI de gezondheidssector helpen door bijvoorbeeld gepersonaliseerde adviezen te geven, automatisch afspraken in te plannen en mensen te ondersteunen tijdens het herstelproces. 

Het succes van Conversational AI wordt over meerdere werkvelden verspreid. De hogere verwachtingen van consumenten zorgen ervoor dat organisaties hun werkprocessen moeten verbeteren en nieuwe technologieën toepassen. Klanten rekenen op een ‘on demand klantenservice’, die niet alleen 24/7 bereikbaar is, maar ook persoonlijk en snel. Door als organisatie hier adequaat op in te spelen loop je voor op eventuele concurrentie. Met de implementatie van Conversational AI worden werkprocessen verbeterd, terwijl de customer experience naar het hoogste niveau wordt getild.

Over de auteur: Joris Jonkman is marketing manager bij Watermelon.

Vincent Franken (Findest): ‘We helpen met zeer gespecialiseerde zoekopdrachten’

Met IGOR^AI slaan VU-alumni Vincent Franken en Roel Boekel alias Findest naar eigen zeggen een brug tussen wetenschap en bedrijfsleven. “Google moet een hele grote groep gebruikers ondersteunen, wij helpen bedrijven met zeer gespecialiseerde zoekopdrachten.”

Franken staat Emerce te woord vanuit de catacomben van de Amsterdamse Vrije Universiteit, waar Findest sinds 2017 kantoor houdt. Hoewel de jonge start-up razendsnel groeit, is Franken niet van plan om de universiteit snel te verlaten. “Er werken zo’n tien studenten voor ons, die ook colleges kunnen blijven volgen. En zo zitten we dicht op de wetenschap.”

Franken en Boekel hadden allebei de ambitie om ondernemer te worden, en tijdens hun bachelor Science, Business en Innovation kwamen ze in aanraking met nanotechnologie. Op dit domein is veel technologie ontwikkeld, alleen is het niet zo simpel om die te vinden. Het duo zocht de noodzakelijke wetenschappelijke literatuur bij elkaar door te googelen en te bellen, en zo kwamen ze op het idee om een eigen zoekalgoritme te ontwikkelen.

Scandinavië
IGOR^AI doet enigszins denken aan IBM Watson, ook een technologie die met kunstmatige intelligentie zoekt in grote hoeveelheid wetenschappelijke literatuur. De grote kracht van de nieuwe toepassing is echter de vraagstelling, zo legt Franken uit. “Wij beperken het zoekdomein niet tot een bepaalde technologie, anders kom je geen onverwachte dingen tegen. Maar het algoritme weet wel heel goed wat het zoekt. En we hebben technology scouts die vragen van bedrijven weten te vertalen naar concrete zoekopdrachten.” Voor de duidelijkheid: Findest zoekt met IGOR^AI net als Google uitsluitend in openbare bronnen. Daarvan wordt geen voorselectie gemaakt.

Findest doet het onderzoek in opdracht van bedrijven nu vooral zelf, maar in de toekomst moeten ook klanten aan de knoppen kunnen draaien. Franken: “Het platform is op dit moment nog niet gebruiksvriendelijk genoeg om grootschalig uit te rollen, maar we hebben al wel bedrijfsmedewerkers opgeleid, zodat die zelf hun gang kunnen gaan. Vanaf 2021 willen we het platform als clouddienst kunnen aanbieden.”

Klanten zijn er al volop, waaronder Shell, Miele en Heineken. Sinds kort helpt Findest ook bedrijven in het buitenland, waaronder zeker 25 ondernemingen in Finland. Franken is vooral op zoek naar interessante industrieclusters. “Rond Helsinki vind je alleen al honderd bedrijven die voor ons interessant zijn. Inmiddels zijn we met presentaties ook al in Denemarken en Zweden geweest.”

Betaalbaar
Franken erkent dat het begin moeilijk was. Soms stapten de beide oprichters op de fiets om voor een minimumloon eten te bezorgen in Amsterdam. Inmiddels heeft het bedrijf geld van angel investors. “Maar dat is niet meer dan een paar maanden omzet. We moeten het echt van onze klanten hebben.”
Er wordt onder andere gewerkt aan het fors verkorten van de zoektijd. Momenteel duurt het tech-scoutingproject nog een week of twee.

Gemiddeld betalen klanten 3.850 euro per zoekopdracht, inclusief voortraject. “Wij willen deze technologie betaalbaar maken. De kunstmatige intelligentie wordt ook beter naarmate we meer klanten hebben.”

Foto: Vincent Boon (in opdracht  van Emerce)

Dit artikel verscheen eerder in de maarteditie van Emerce Magazine #176.

Een introductie tot machine learning V: machine learning in de praktijk

Artificial intelligence, machine learning en deep learning. Deze begrippen zijn booming en er is dan ook veel over te lezen. Het gaat voornamelijk over hoe deze nieuwe toepassingen technologie en de wereld op zijn kop zetten. Wat voor velen niet duidelijk is, is hoe deze nieuwe ontwikkelingen nu daadwerkelijk toegepast worden. Er zijn immers al veel bedrijven die diverse projecten met AI hebben afgerond. 

In dit artikel gaan we in de keuken kijken bij TMC. Zij houden zich dagelijks met AI  bezig. TMC  heeft  voor meerdere bedrijven AI-projecten geleid en geven een voorbeeld van hoe AI in een fabrieksomgeving kan worden ingezet.

Autostoeltjes classificatie

Laten we zeggen dat een fabrikant van kinderautostoeltjes op zoek is naar een oplossing om de riempjes volgens nog hogere veiligheidsstandaarden te kunnen produceren. Enerzijds willen ze het productieproces optimaliseren, in dit geval door het inperken van de rompslomp die komt kijken bij het manueel controleren van de producten. Anderzijds willen ze de veiligheid van het product optimaliseren, er kunnen immers zaken over het hoofd worden gezien door menselijke fouten. Als je autokinderzitjes produceert, is het laatste dat je krijgt natuurlijk dat het riempje niet naar behoren functioneert. Met artificial intelligence kan een systeem worden gemaakt dat automatisch detecteert wanneer er foutieve riempjes over de productieband rollen.

Om afwijkingen in de kinderriempjes te kunnen detecteren, moet de machine middels een algoritme leren hoe een standaard riempje eruitziet en wat een eventuele deviatie kenmerkt. Er zijn verschillende algoritmes die gebruikt kunnen worden, in het geval van de babystoeltjes maken we een combinatie van twee verschillende methodes: image classification en anomaly detection.

Image classification

Met image classification wordt een enorme hoeveelheid foto’s van het product verzameld: de riempjes. Deze worden geclassificeerd, zijn het goede producten of is er een afwijking te zien? Er worden labels toegekend aan de producten: een 0 aan een goed product en een 1 aan een product wat een mogelijke afwijking heeft. Nadat het model uitvoerig getraind is, kan deze fouten in de riempjes herkennen. Op het moment dat er een nieuwe foto binnenkomt, wordt er een signaal gegeven als er een product over de band rolt met een afwijking erin.

Anomaly detection

Anomaly detection is een methode die gebruikt maakt van sensoren die deviaties in standaard gedrag herkennen. Er wordt een enorme hoeveelheid aan data verzameld om een baseline op te stellen, een standaard. Hierbij geldt ook dat de standaard een label 0 krijgt en een product met een mogelijke afwijking een label 1. Op het moment dat er een product over de band rolt wat een afwijking toont, herkennen de sensoren dit en gaat er een lampje branden.

Deze twee methodes worden gecombineerd door een rule based aanpak. Dit wil zeggen dat als er twee 0’en uitkomen, de producten goed zijn. Als er een of twee 1’en zijn toegekend, worden de producten apart gehouden om gecheckt te worden. Dit wordt ook wel een OR-operatie genoemd. 

Voor image classification wordt deep learning gebruikt, om specifiek te zijn CNN (Convolutioneel Neuraal Netwerk). Er kunnen verschillende algoritmes gebruikt worden. In dit geval gaat het om semi-supervised learning, doordat we voor een deel van de dataset weten welk label het moet hebben (de data voor producten die met steekproeven gecheckt zijn).  Anomaly detection gaat op basis van unsupervised learning. Hier zijn veel verschillende algoritmes voor geschikt, maar wij kiezen in dit geval voor Isolation Forest. Dit is een vorm van machine learning waarin het algoritme, in dit geval, afwijkende producten herkent op basis van isolatie. 

Alles aan elkaar knopen en een app ontwikkelen 

Vervolgens dient er een app gemaakt te worden voor persoon die de machine aanstuurt. Er zijn diverse manieren om een applicatie in productie te gebruiken. In dit specifieke geval wordt er gekozen voor cloud service. Dit wordt gebruikt om data op te slaan. Daarnaast kan er een tool gebruikt worden waarmee de modellen getraind kunnen worden om voorspellingen te doen. Dit is slechts een voorbeeld hoe TMC Data Science een voorbeeld heeft toegepast in de praktijk. 

Hierbij zijn we tot de einde gekomen van dit vijfluik. We hebben gelezen hoe machine learning werkt, gezien hoe een aantal algoritmes werken en tenslotte een praktijkvoorbeeld hoe AI in de praktijk werkt.  Ik hoop dat het een informatieve vijfluik over machine learning was. Als jullie specifieke vragen hebben over dit onderwerp hebben, voel je vrij deze te stellen in de comments. Omarm de toekomst, hij is dichterbij dan je misschien denkt.

Over de auteur: Erwin Nandpersad is CEO bij Ermmedia.nl.

Hunkemöller rolt AI- en personalisatie technologie uit

Lingeriemerk Hunkemöller investeert in kunstmatige intelligentie en personalisatie. Daartoe is het bedrijf een samenwerking aangegaan met Insider.

Het Growth Management Platform van Insider voegt klantgegevens uit verschillende kanalen samen om gebruikers te segmenteren en te activeren via AI en machine learning op basis van historische, actuele en voorspellende gegevens.

Met deze uitkomsten biedt Insider vervolgens gepersonaliseerde toepassingen via internet, app en e-mail.

Het platform wordt reeds ingezet door 600 merken, waaronder UNIQLO, Philips, Decathlon, Samsung, Toyota, Carrefour, MediaMarkt, Adidas, Levi’s, Puma, GAP, Virgin, AVIS, Marks & Spencer, Avon, Nissan, BBVA, IKEA en CNN.

Tijdens de eerste maanden van de samenwerking heeft Hunkemöller meer dan twintig scenario’s voor personalisatie aangeboden aan klanten via verschillende kanalen.

Door inzicht te geven in de populariteit van een product, werd bijvoorbeeld extra vertrouwen gegenereerd onder online shoppers en ging de omzet omhoog.

De lingerieketen breidt de technologie uit naar tien andere landen.

Zo koppelt wehkamp data aan omzetdoelen

Een échte data-driven organisatie zijn is voor kleine retailers soms nog niet haalbaar. Hoe pakken grote retailers dat aan? Laat je inspireren door wehkamp en Zabka. Gartners recentste Hype Cycle for digital marketing and advertising (augustus 2019) laat zien dat kunstmatige intelligentie de peak of inflated expectations heeft bereikt. Reden genoeg om op Data Driven Commerce […]

Page generated in 1,214 seconds. Stats plugin by www.blog.ca