‘De AI-race begint niet bij AI, maar bij data’

Foute informatie kan bij Intergamma een concreet probleem opleveren. Met duizenden producten moet de informatie op verschillende plekken kloppen: van webshop en winkelschap tot logistiek, transport en voorraadbeheer. Een verkeerde productafmeting kan er bijvoorbeeld toe leiden dat een product verkeerd wordt gepresenteerd, niet in een schap past of problemen oplevert bij transport en levering.

Overtuigend

De opkomst van generatieve AI maakt dat volgens Patrick Grasza ingewikkelder. Grasza is Head of Data Management bij Intergamma, de organisatie achter Gamma en Karwei. Hij ziet dat slechte data vroeger vaak resulteerden in duidelijk slechte output, maar nu kunnen Large Language Models (LLM’s) inmiddels ook met verkeerde informatie een overtuigend antwoord geven. ‘Alles wat uit LLM’s komt, klinkt zinnig. Daardoor raakt het probleem van datakwaliteit steeds meer ondergesneeuwd. Een demo kan indrukwekkend zijn, zonder dat je echt op de juiste kennis en data voortbouwt.’

Data voorop

Daarom moet volgens Grasza eerst worden gekeken naar de data. ‘Je kunt een perfecte vraag stellen, maar als de bron niet klopt, krijg je nog steeds niet de juiste uitkomst. Dan verhult het model de verrotte fundering.’ Dat betekent niet dat bedrijven moeten wachten met experimenteren totdat hun datamanagement volledig op orde is. ‘Je moet juist experimenteren om ervaring op te bouwen, maar wel in een veilige omgeving.’

Zodra een toepassing breder wordt uitgerold, moet duidelijk zijn wat die oplevert. ‘Er moet wel een businesscase zijn. Je moet kunnen aantonen dat het daadwerkelijk waarde toevoegt.’ De belangrijkste vraag blijft welk probleem je probeert op te lossen. ‘Je moet niet innoveren om het innoveren.’

Is AI de oplossing?

Volgens Grasza wordt ook te weinig gevraagd of AI wel nodig is. ‘AI wordt momenteel te veel als een magische oplossing benaderd. Organisaties staren zich blind op het perfecte eindresultaat, maar vergeten te investeren in het fundament.’

Intergamma heeft die valkuil zelf ervaren bij een experiment met een AI-assistent voor leveranciers. Die moest helpen bij het aanleveren van grote hoeveelheden productgegevens. Voordat Intergamma met de technologie aan de slag ging, werd eerst gekeken naar de alternatieven. ‘Moeten we dit echt met een AI-assistent doen, of kunnen we hiervoor beter een pool met werkstudenten inzetten?’

De kosten van beide opties lagen dicht bij elkaar. Toch koos Intergamma voor de AI-assistent, omdat die op termijn beter schaalbaar is. Grasza gebruikt een eenvoudige vergelijking: ‘Je ziet regelmatig dat er een Ferrari wordt gekocht, terwijl de gebruiker niet harder kan dan zestig kilometer per uur.’ De oplossing moet passen bij het probleem. Soms is dat AI, soms is een eenvoudigere oplossing voldoende. Eén voorwaarde blijft altijd gelden: ‘Met slechte data krijg je geen goed resultaat, hoe goed je AI-model ook is.’

Fouten

Intergamma kijkt daarom niet alleen naar wat er met bestaande data kan worden gedaan, maar ook hoe fouten eerder in de keten kunnen worden voorkomen.

Veel productinformatie komt van leveranciers. Een verkeerde afmeting lijkt misschien een klein detail, maar kan bepalen hoe een product online wordt weergegeven, of het in een winkelschap past en hoe het wordt opgeslagen, vervoerd en geleverd. Een fout aan het begin kan zich zo door de hele keten verspreiden.

Intergamma test daarom AI-assistenten die leveranciers helpen om productinformatie compleet te maken en vervolgens te beoordelen of de gegevens logisch en bruikbaar zijn. Dat kan bijvoorbeeld bij productafmetingen, die van invloed zijn op zowel de online presentatie als de plek van een product in de winkel.

AI wordt zo niet alleen gebruikt om betere output te krijgen, maar ook om de informatie aan het begin van de keten te verbeteren.

‘Fouten zijn essentieel’

Grasza pleit er niet voor om voorzichtig te zijn met AI. Bedrijven moeten volgens hem juist experimenteren, maar wel binnen duidelijke grenzen. Bij Intergamma kunnen medewerkers daarom binnen gecontroleerde kaders met AI werken. Zo kunnen ze ervaring opdoen zonder de organisatie onnodig bloot te stellen aan risico’s. ‘Fouten maken is essentieel, zolang je het organiseert binnen die gecontroleerde kaders met heldere vangnetten.’

Die controle wordt volgens Grasza belangrijker naarmate AI vaker wordt gebruikt voor processen en beslissingen. Organisaties moeten kunnen achterhalen waar data vandaan komen, hoe ze zijn ontstaan en welke rol AI heeft gespeeld.

‘Data blijft het fundament. Je moet weten welke data je gebruikt, waar die vandaan komt en hoe die is ontstaan. AI kan fouten immers ook versnellen en vervolgens weer gebruiken om nieuwe data te creëren.’

Volgens Grasza staan veel organisaties nu voor de stap van losse experimenten naar bredere toepassing. Hoe de technologie zich de komende jaren ontwikkelt, weet niemand precies. Eén ding staat volgens hem wel vast: ‘Data blijft het fundament.’