Leren kun je leren

Eerder heb je in onze blogs kunnen lezen hoe wij van Experience Data machine learning toepassen om mensen beter te laten samenwerken met machines. Zoals eerder uitgelegd, kan machine learning helpen om beslissingen te maken aan de hand van data. Dit kan bijvoorbeeld met data van plaatjes. Maar deze data kan bijvoorbeeld ook tekst zijn of geluid of misschien wel gewoon een hele reeks kolommen in Excel. Wat je datastructuur ook is, machine learning kan je helpen om van deze data te leren om zo beslissingen te maken over nieuwe data. Natuurlijk kun je ook een werknemer vragen om zich volledig te storten op deze dataset en daar ‘menselijk’ van te leren. Maar een machine kan dat in theorie sneller, objectiever, consistenter, grootser en uiteindelijk ook beter. Dit is nog maar een klein lijstje van de voordelen van een machine ten opzichte van een mens. Vergeet echter niet, dat er andersom ook een lijst is met voordelen van een mens ten opzichte van een machine. Het wordt magisch als je deze twee lijsten kunt combineren en beiden zo kunt inzetten dat ze hun krachten samen benutten.

Maar waar zou je kunnen beginnen? Misschien ben je inmiddels wel overtuigd van het nut van machine learning, maar vind je het lastig voor te stellen wat de eerste stap is. Ons antwoord is simpel: kijk kritisch. Kijk naar de processen in je bedrijf en ga op zoek naar repeterende beslissingen. Misschien moet een medewerker steeds kiezen of een klant wel of niet zijn geld terugkrijgt. Of misschien moet een medewerker steeds beslissen hoeveel water een plant moet krijgen of hoeveel voer de giraf of hoe snel een arts moet langskomen. Op het moment dat je deze processen hebt waargenomen, zou er vanaf nu een klein lampje moeten gaan branden. Noem het een ledje, het lampje van Experience Data. Dit is namelijk precies een taak die uiteindelijk kan worden uitgevoerd door een machine.

Natuurlijk is het zo dat de medewerker op dit moment beter is in die repeterende beslissing dan de machine. Misschien zoekt de medewerker nu wel informatie uit drie systemen bij elkaar om die beslissing te maken en zie je niet voor je hoe een machine dat zou kunnen doen. Daarnaast zullen er heel veel uitzonderingsgevallen zijn waarbij misschien wel tien medewerkers met elkaar moeten overleggen. Uitzonderingsgevallen die zo moeilijk zijn dat je je niet voor kunt stellen dat een machine dat ooit onder de knie gaat krijgen. Misschien is er heel veel empathie voor nodig of humor. Het zijn namelijk zaken van het lijstje van de mens en zeker niet van de machine. En misschien heb je daar nog wel gelijk in ook. Je moet alleen wel ergens beginnen. Door echter te blijven hangen in die uitzonderingsgevallen zul je als organisatie nooit de stap naar machine learning durven zetten.

Want ja die stap is eng en nee de machine gaat het echt niet in een keer snappen. Maar wij willen je graag helpen om toch die stap te zetten. Hoewel het voor jou misschien de eerste keer is, hebben wij die weg al vaker genomen. Wij kennen inmiddels de veel voorkomende problemen en weten hoe we ze moeten aanpakken.

Er ligt zo veel ervaring in jouw bedrijf en beslissingen zijn al zo vaak gemaakt. Het is jammer om daar niets mee te doen. Dit is dan ook stap 2 na de stap van het detecteren van een ledje: verzamel. Kijk eens rond naar welke informatie een medewerker eigenlijk nodig heeft bij het maken van een beslissing. Zijn dat drie systemen? Prima. Wat wordt er exact gebruikt uit deze systemen, welke kolommen en welke rijen. Zorg ervoor dat deze kolommen en rijen dan ook bestaan. Neemt de medewerker bij het maken van de beslissing misschien ook nog de mening van een andere medewerker mee? Ga dit dan ook vastleggen. Wanneer iemand later deze beslissing nog een keer zou willen maken, dan is exact dezelfde informatie nog voorhanden. Door alle ervaring vast te leggen die nodig is bij het maken van beslissingen in je organisatie, zorg je ervoor dat je organisatie lerend wordt. Pas als je zelf als organisatie goed kunt leren, zal een machine ook beter presteren in machine learning.

We hopen dat je eens kritisch gaat kijken naar je organisatie en een paar ledjes kunt vinden. Dat je na gaat denken welke data de medewerkers daarvoor gebruiken en dat je dat ook gaat vastleggen. Ben je benieuwd hoe je die data precies moet gaan vastleggen? Daar schrijven we binnenkort een blog over onder de naam datastrategie. Tot dan!