Artificiële jntelligentie is één van de meest gehypete buzzwoorden van de voorbije jaren. Weinig technologieën zijn zo snel en drastisch geëvolueerd. Keerzijde van de medaille? Zoals bij elke hype, worden allerlei AI-termen door zowat elke aanbieder gebruikt en misbruikt, met veel verwarring tot gevolg. Kan jij het bos door de bomen nog zien? Hoog tijd om duidelijkheid te scheppen: we lichten zeven termen toe uit het AI-woordenboek.

KDD (Knowledge Discovery from Data)

Dit was de eerste term ooit die beschreef wat we vandaag nog steeds nastreven: kennis halen uit data. Aanvankelijk was dit de basisfunctie van wat we tegenwoordig AI noemen. KDD staat voor het destilleren van informatie uit databases door de gegevens te combineren en te vergelijken, en deze informatie vervolgens te gebruiken om nieuwe inzichten en kennis te verwerven. Wist je dat de term KDD al gebruikt werd in 1976, het jaar dat SAS werd opgericht?

Analytics

Zoals het woord al aangeeft, gaat analytics verder dan de zoektocht naar correlaties. Analytics verwijst naar het gehele proces van data verzamelen en data cleaning, patronen vinden, correlaties interpreteren en conclusies communiceren. De bevindingen die hieruit voortvloeien, zijn van goudwaarde voor data-driven besluitvorming.

Datamining

Datamining is één van de onderdelen van analytics. Het verwijst naar een tweede stadium na dataverzameling en homogenisering: het doelgericht zoeken naar betekenisvolle patronen in data. Churn detection (analyseren van klantengedrag met betrekking tot de concurrentie) en association rule mining (bestuderen van gegroepeerde productaankopen) zijn twee bekende toepassingen van datamining.

Machine & deep learning

Twee termen die vaak door elkaar worden gebruikt. Machine learning doet exact wat het belooft: de machine leert zelfstandig bij, wat bijvoorbeeld bij datamining niet het geval is. Door het automatisch herkennen van datapatronen en het verwerken van menselijke feedback (was de door de machine toegepaste classificatie correct, of waren bepaalde indelingen toch nog foutief?) perfectioneert het systeem zichzelf voortdurend. Resultaat? De output wordt steeds verfijnder en accurater, waardoor de waarde voor bedrijfstoepassingen stapsgewijs toeneemt. Deep learning is een specifieke toepassing van machine learning, waarbij onder meer ook ongestructureerde data in de analyses worden verwerkt.

Data science (of datawetenschap)

In tegenstelling tot datamining, is data science strategischer: voortdurend wordt er naar variabelen gezocht om patronen te voorspellen. Data science brengt zo de kunst van data-analyse naar een academisch niveau. Nog beter: data science zorgde voor de geboorte van de ‘data scientist’, de meest aantrekkelijke baan ter wereld. Deze job weet alles te combineren: business, technologie én de academische wereld.

Decision Science (of beslissingswetenschap)

Je kan deze term vergelijken met data science, maar waarbij de focus verschuift van puur data-onderzoek naar business en het creëren van toegevoegde waarde. Ik voorspel dat de sector steeds meer zal evolueren van data science naar decision science. De gebruikersinterface zal besluitvormingsprocessen beter ondersteunen, terwijl de onderliggende technologie intelligenter en krachtiger wordt dan ooit tevoren.

AI

Tot slot, laten we nog even de parapluterm onder de loep nemen. De term AI bestaat ondertussen al even, maar vandaag verwijst AI naar veel meer toepassingsvelden dan oorspronkelijk het geval was. We hanteren de term als we het hebben over technologie waarmee machines kunnen leren van voorbije ervaringen, zich kunnen aanpassen aan nieuwe input en menselijke taken kunnen uitvoeren. De meeste AI-voorbeelden die vandaag in de media verschijnen - van schaakcomputers tot zelfrijdende auto's - zijn sterk afhankelijk van machine learning en natuurlijke taalverwerking, waarbij AI computers helpt om de menselijke taal te begrijpen, te interpreteren en te manipuleren.

Zoals je wellicht hebt gemerkt, is er veel overlap in het AI-woordenboek. Dat is geen verrassing, want de ene technologie ontstaat vaak organisch uit een ander. In principe zou je data science nog altijd AI kunnen noemen, maar door verschillende termen te hanteren, kunnen we beter begrijpen op welk procesniveau een specifieke oplossing zich bevindt.

De belangrijkste les? Technologie wordt steeds krachtiger en intelligenter. En er vloeit steeds meer toegevoegde waarde uit technologie, op voorwaarde dat we over de juiste talenten beschikken om de nodige intelligentie te creëren, gebruiken en interpreteren.