Bij DX-Solutions bevrijden we bedrijven van verouderde technologie en legacy-systemen waar ze aan vast hangen. Wij helpen jouw bedrijf vooruit en ontwikkelen een IT-landschap waarin jij de keuzevrijheid hebt om door te groeien met de systemen die jouw bedrijf succesvol maken. En daar hoort ook AI bij. Daarom is het belangrijk om komaf te maken met spaghetti die jouw landschap vaak is, en er een lasagne van te maken.
Stel dat jij verder wil vernieuwen maar jouw ERP-systeem jou tegenhoudt. Omdat je telkens aanpassingen op maat liet uitvoeren, zijn er steeds kleine zaken aan jouw IT toegevoegd. Zo raakten verschillende systemen door de jaren heen met elkaar geïntegreerd en ontstond er een onoverzichtelijke spaghetti. Jouw bedrijf komt in een lock-in terecht en hangt vast aan verouderde legacy-systemen die groei en innovatie belemmeren. Bij DX-Solutions helpen we jou hier komaf mee te maken. Wij streven ernaar bedrijven te bevrijden van legacy en lock-ins te voorkomen.
Wij leggen lagen waardoor systemen eenvoudig integreren met elkaar, en waardoor communicatie en datamanagement tussen applicaties eenvoudiger wordt. Eerst creëren we een fundament zodat jouw landschap eerder een lasagne wordt met verschillende aparte lagen die perfect bij elkaar passen. Wij streven naar plug and play met de juiste IT-strategie. Zo maak jij gebruik van de applicaties die het best bij jouw business passen en jouw groei stimuleren. Zo krijgt jouw business technologische keuzevrijheid. We maken jouw systeemintegraties een stuk eenvoudiger waardoor jij aan efficiëntie wint.
Hier kan je vervolgens AI op toevoegen, want eens jouw data gekend en gestructureerd zijn in jouw organisatie, kan je hier volop gebruik van maken. AI heeft namelijk goede data nodig om te functioneren.
AI in de koers: een perfecte match; koers is ook een business, een business die onder druk staat. Dit voorbeeld komt met een knipoog na onze eerdere VIP-trip op de E3 Saxo Classic.
DX-Solutions trok onlangs met enkele klanten naar de E3 Saxo Classic. Niet alleen omdat wij fan zijn van het gevoel van vrijheid dat de koers ons geeft, maar ook omdat er vandaag een duidelijke link is tussen AI en deze sport.
In de koers draait alles vandaag om data. Wattages, hartslagen, kilometers en snelheden worden allemaal bijgehouden. De marginale winsten waar wielrenners vaak op rekenen, worden vandaag door AI bepaald. De koers is wetenschap geworden.
Maar AI werkt niet alleen in het voordeel van de wielrenners zelf. Ook bij de organisatie van de koers, bij sponsordeals en fan engagement beschikt deze technologie over een enorm potentieel dat vandaag nog niet altijd benut wordt.
Via beeldherkenning kan men het parcours verkennen en potentiële bottlenecks of ongevallen voorspellen en dus voorkomen. Ook voor marketingdoeleinden kan AI een groot verschil maken. Als je per land of per interesse van kijkers de juiste banners realtime kan aanbrengen in de koers, wordt de sport interessanter voor sponsors. Via AI kunnen renners ook herkend worden door gezichtsherkenning of hun pose. Zo zou je kijkers de kans kunnen geven om hun favoriete renner gedurende de hele uitzending te volgen. Hierdoor maak je als organisatie de koersuitzendingen aantrekkelijker voor kijkers.
Om AI optimaal te benutten, heb je kwalitatieve data nodig. Ken jij al het principe van ‘garbage in, garbage out’? Met andere woorden: wanneer je waardeloze gegevens inlevert, kan je ook waardeloze resultaten verwachten. Bovendien is het belangrijk om jouw data steeds van context te voorzien. Hier is hoe je dit aanpakt:
Er bestaan drie gekende modellen om AI te trainen: supervised learning, unsupervised learning en reinforcement learning. We leggen ze alle drie graag voor jou uit.
Bij supervised learning ga jij de data zelf labelen. Wanneer jij die gelabelde data aanlevert creëer je resultaten die jij beoordeelt en waarbij je bijstuurt. Dit kan bijvoorbeeld toegepast worden in het bepalen van de waarde van een woning. Jij levert data aan over de waarde van bepaalde woningen in een bepaalde regio. Jij evalueert het resultaat en zo leert AI deze data te gebruiken om ook bij andere woningen de juiste resultaten te bereiken. Op die manier zal de AI-tool in de toekomst de juiste prijsinschattingen maken. Aan de hand van de juiste gelabelde data uit het verleden kan AI dus de juiste beslissingen voor jou nemen. Het labelen van data vraagt enig voorbereidend werk, maar er bestaan instanties die dit voor jou kunnen doen.
Bij unsupervised learning gaat AI aan de slag met data die niet gelabeld werd. Door hier wiskundige modellen op toe te passen kan de artificiële intelligentie de data clusteren en zo bepaalde datagroepen creëren. AI zoekt bijgevolg gelijkenissen om tot een resultaat te komen. Neem Netflix als voorbeeld: zelfs wanneer jij geen voorkeuren opgeeft, kan Netflix aan de hand van de programma’s die jij bekeken hebt een samenstelling maken van nieuwe series die jou kunnen interesseren. Dit model vergt meer resources dan supervised learning: er moeten namelijk systemen gecreëerd worden om de juiste voorspellingen te maken. Dit vraagt ook meer budget.
Bij reinforcement learning wordt AI getraind door jouw correcties. Dit zien we vaker bij machines die werken op basis van AI. Door zelf telkens bij te sturen leert de AI uiteindelijk wat het moet doen om tot het gewenste resultaat te komen.
Een laatste methode die we vandaag steeds vaker zien, is deep learning. Hier gaat de technologie het denkwerk van personen nabootsen. Deep learning ligt samen met machine learning bijvoorbeeld aan de basis van Generative AI, zoals we vooral ChatGPT kennen. Hiervoor is een enorme hoeveelheid aan data nodig. Generative AI kan dan ook creativiteit nabootsen. Het mag duidelijk zijn: AI biedt heel wat opportuniteiten, en dit is nog maar het begin.
Volgend artikel:
Freedom is… jouw software altijd up-to-date houden
