Succes in het proces

Hallo en welkom bij weer een nieuwe blog van Experience Data. Wij vinden het heel leuk dat we bij zo veel verschillende klanten aan de slag zijn. En dan niet alleen bij de uiteenlopende datasets, maar ook bij de uiteenlopende processen. Hoewel elk bedrijf een eigen structuur heeft, willen zij allemaal dat hun processen zo soepel mogelijk verlopen. Onze klanten willen graag dat we meehelpen om vanuit de data met oplossingen te komen om die processen te verbeteren. In deze blog delen we graag wat van die ervaring.

Eerder heb je kunnen lezen dat machine learning kan bijdragen aan het nemen van repeterende beslissingen binnen organisaties. Je hebt ook kunnen lezen dat bij het maken van een machine learning algoritme er veel fout kan gaan. Wat ook zeker een uitdaging is bij het maken van een machine learning model, is het in kaart brengen van de context.

Voordat je een machine kunt leren om een beslissing te nemen, moet je als data scientist goed door hebben hoe de medewerker op dit moment beslissingen neemt. Je moet begrijpen welke informatie hij of zij meeneemt in de beslissing en waar hij die informatie vandaan haalt. En ja, hier gebruiken we bewust het woord begrijpen in plaats van weten. Want het is belangrijk dat je die informatie van de medewerker echt begrijpt. Dat je weet wanneer welke data wordt vastgelegd en hoe en waarom dit wordt vastgelegd. We hebben een keer bij een klant meegemaakt dat hun eigen data scientist een model had gemaakt om een bedrag in te schatten. Een taak die daarvoor altijd door een medewerker werd verricht. De data scientist vond na het trainen van zijn algoritme op een dataset, dat er een variabele extreem goed voorspellend was. Wat bleek? Dat was een variabele die werd ingevuld door de medewerker nadat ze de inschatting had gemaakt. Het was dus heel logisch dat deze variabele zo’n hoge voorspellende waarde had, hij kwam alleen voor op het moment dat de medewerker al een beslissing had gemaakt! Het is heel belangrijk om de context te begrijpen waarin de beslissing wordt gemaakt.

Een ander voorbeeld is het begrijpen van de informatie door te weten hoe wat wordt aangeduid. Je wilt als data scientist precies weten wat welke variabele betekent en welke verschillende waardes deze kan hebben. Zo kun je ook voorkomen dat je het machine learning model variabelen meegeeft die ethisch niet verantwoord zijn om mee te geven. In sommige taken is bijvoorbeeld etniciteit of geslacht een voorspellende variabele, maar vaak is het ethisch niet verantwoord om deze mee te geven aan het model. Als jij als data scientist niet weet welke kolom het geslacht bevat, dan kun je ook niet aan het model vertellen dat deze kolom niet meegenomen mag worden.

En dan nog even terug naar die medewerker die normaal gesproken de beslissingen neemt. Onze visie op machine learning is dat het de medewerker moet helpen. Vandaar ook dat wij dat kunstmatige assistentie noemen. Maar dan is het wel belangrijk om erachter te komen hoe die medewerker geholpen kan worden. Soms hebben managers, IT’ers, of data scientists daar wel een idee over. Uiteindelijk willen wij echter die medewerker helpen en daarom is het cruciaal om daarmee om tafel te gaan en te bespreken welke oplossing voor hem of haar nuttig is. Ook is het belangrijk om het met die medewerker te hebben over het systeem waar mee gewerkt wordt en over het juiste moment voor assistentie in de beslissing.

Tot slot moet je met de medewerker in gesprek gaan over wat er gebeurt na het maken van die beslissing. Wat zijn op dit moment de consequenties? Zijn die ook nog gewenst op het moment dat een algoritme die beslissing maakt? Het is dus ook belangrijk om de context te begrijpen van het moment na de beslissing. Want dan kun je als data scientist daar ook je oplossing op ontwerpen. Het kan ook zijn dat je misschien tot de conclusie komt dat sommige consequenties niet met een machine kunnen worden gedaan en juist een menselijke component hebben. Wat de uitkomst ook is, het is belangrijk dat je het erover hebt gehad.

Dit was alweer het einde van deze blog over hoe je het proces niet over het hoofd moet zien bij het toepassen van machine learning. Ben je benieuwd of Experience Data ook jouw processen kan optimaliseren? Neem gerust contact met ons op door hier te klikken.