De schrikverhalen kennen we intussen: kunstmatige intelligentie gaat de mens vervangen. Ik geloof er niets van. Goed gereedschap is het halve werk, maar maakt de mens niet overbodig. Integendeel. Vervelend werk zal verdwijnen. Daar zal niemand om rouwen. Automatisering en AI zijn hulpmiddelen. Gereedschappen. Techniek om ons te ondersteunen en productiever te maken. Maar geen enkel gereedschap vervangt onze menselijke creativiteit, onze menselijke flexibiliteit en vindingrijkheid. De mens is onvervangbaar. Er blijven altijd mensen nodig om gereedschappen als AI te ontwerpen, te bouwen, te onderhouden en vooral op deskundige wijze te gebruiken. 

Goed gereedschap is slechts het halve werk
In een artikel van Technative gaat Matt Rumins in op de vraag of de komst van digitale data en automatisering de mens overbodig zal maken. Zijn antwoord is duidelijk: nee! Het gebruik ervan zal ons juist sterker te maken. Deze gereedschappen bevrijden ons van vervelend en saai werk om vervolgens te doen waar we goed in zijn. Communiceren, menselijk contact maken, empathie hebben en uiteindelijk problemen oplossen. Begrijpen welke data beschikbaar en relevant zijn. En met gebruik van AI en Machine Learning (ML) kunnen begrijpen welke taken AI en ML prima kunnen overnemen. Taken waar we als mens minder geschikt voor zijn. 

Gereedschap zelf kan niet de problemen bedenken en benoemen, die je er mee kunt oplossen. Met andere woorden, we moeten als mens capabel zijn te weten hoe en waar deze in te zetten en te gebruiken om ons van dienst te zijn. Maar niet om ons te vervangen. Een automatische productie-machine zal verkeerde handelingen uitvoeren als wij als mens die machine niet goed programmeren, correct aansturen en continu controleren en onderhouden.

Gereedschap stelt eisen
Met goede (!) data, gekwalificeerde (!) AI en betrouwbare (!) automatisering kunnen we vele van de huidige problemen oplossen. Drie uitroeptekens die een voorwaarde vormen voor effectief ingezette AI. In de wereld van data en informatie is de uitspraak ‘bullshit in is bullshit out’ als geen ander geldig. In onze met data overspoelde wereld is het überhaupt nog kúnnen scheiden van goede en verkeerde data een dagtaak geworden. De wetgeving over ‘voorkoming witwassen‘ heeft tot een explosie van eentonige menselijke arbeid geleid.

De discussie over fake-news creëert ook nieuwe ‘menselijke’ arbeid in de wereld van fact-checking. Naast de fysieke vervuiling die wij op onze aarde teweegbrengen, vervuilen we nu ook onze digitale omgeving. Waar vinden we in de zee van vervuilde en duistere data nog überhaupt goede bronnen van waarheid: een Single Source of Truth? Dat is niet alleen master data management: de aggregatie van alle gegevens naar een enkel referentiepunt. Maar ook in staat zijn de inhoudelijke kwaliteit van al die data te meten, te toetsen, te benoemen en geborgd te bewaren, te onderhouden of gericht weg te gooien.

‘Know you customer’ is eigenlijk ‘know your data’
In een eerdere blog over de uitdagingen van Regtech – digitale technologie voor ondersteuning van de wereld van regulering – gaf ik aan dat de wet en regelgeving op het gebied van gegevens-bescherming en de bestrijding van fraude en witwassen enorme hoeveelheden nieuwe arbeid met zich mee brengt. Een gebied dat schreeuwt om goede en betrouwbare gereedschappen, omdat we simpelweg de mensen niet hebben om de kwaliteit van digitale data te beoordelen.

Zoals bij elk productieproces, is kwaliteit van grondstoffen en materialen in grote mate bepalend voor kwaliteit en betrouwbaarheid van het eindproduct. Nu data steeds meer de grondstof wordt voor onze informatieproducten, geldt hetzelfde. Als we goed kijken naar de ouderwetse fysieke productieketens zoals levensmiddelen en gebruiksgoederen, dan zien we dat uiteindelijk de kwaliteit van de grondstoffenketen bepalend was voor de mate van automatisering bij het vervaardigen van het eindproduct. De kwaliteit van een AI-proces is afhankelijk van de kwaliteit van de data-keten ervoor. Juist dáár ontbreekt nu nog juist het een en ander . . . 

Automatiseren vraagt betere grondstoffen
Een slimme mens vervangen door een domme machine vraagt heel wat voorbereiding voor die domme machine. Vooral zijn omgeving. Toen ik in de jaren tachtig actief betrokken was bij de eerste automatisering van de fabriek, ontdekten we elke dag nieuwe dingen die we nog niet (goed) wisten. Nieuwe eisen en werkzaamheden ontstonden in de keten vóór de machine om het kapitaalintensieve gereedschap zo effectief en efficiënt mogelijk te laten werken.

Nieuwe eisen aan basismaterialen waarvan de leveranciers geen weet hadden. Continuïteit in de kwaliteit van de grondstoffen, die de leveranciers nog niet met hun eigen processen konden realiseren. Dus wat we nu bij de automatisering van informatieprocessen zien, is niets nieuws. Ook hier geldt dat denken in systemen en ketens de enige mogelijkheid is om werkelijk tot kwaliteitsgerichte procesbeheersing te komen. Het oude kwaliteitsdenken dat in de jaren negentig de basis werd van het succes van fabrieksautomatisering.

Kwaliteitssystemen zijn de sleutel
Bij ons bedrijf Fortierra houden we ons bezig met data in en rond vastgoed en leefomgeving. Een wereld waar we voor Nederland spreken over ruim 8 miljoen ’tweedehands’ woningen en minder dan een procent nieuwbouw. Dat betekent een wereld met objecten die ontworpen en gebouwd zijn voordat enige digitalisering of automatisering bestond. Een wereld van data die steeds digitaler wordt, maar in essentie is gebaseerd op ‘de beperkte kennis en gegevens die we ervan hebben’. Toch willen we verduurzamen, de veiligheid verhogen en de leefbaarheid verbeteren. En digitaal inzicht opbouwen met modellen, data-analyse en het nu opkomende AI.

En juist daar zien we dat we tegen een serieus dataprobleem aanlopen. De uitdaging rond stikstof-uitstoot toont aan dat modellen – of ze nu goed zijn of niet – zonder goede en bewezen data nooit betrouwbare uitkomsten kunnen leveren. Als Fortierra gebruiken we veel open data die we met eigen algoritmen en methoden ‘upgraden’ naar gestandaardiseerde data. Gebruiksdata als grondstof voor verder gebruik in de keten. Data die volgens een open, vastgelegd en gecertificeerd proces tot een serieuze kwalitatieve grondstof is verrijkt.

Weten wat je meet
We kunnen steeds beter meten wat er om ons heen gebeurt. Energie, gezondheid, veiligheid, betrouwbaarheid, maar ook afval, vervuiling, verspilling en vernieling. Een explosie van data die ons de mogelijkheid geeft het goede en slechte in onze woon- en leefomgeving beter te beschrijven en beter te weten wat er zoals om ons heen in de lucht, de grond en het water zit. Te ontdekken dat het in ons dicht bevolkte landje op heel wat plaatsen beter en gezonder kan. Daar maken we ook actief allerhande wet- en regelgeving voor.

De complexiteit van de communicerende en elkaar beïnvloedende systemen, dwingt ons steeds meer terug te gaan naar de basis van informatie: brondata waaruit we helder en duidelijk een situatie kunnen beschrijven. Of het nu stikstof of asbest is. Of het nu PFAS is of geurcirkels zijn. Of het nu grond- of watervervuiling is. Ik schreef eerder een blog ‘zonder data staat alles stil’ waar ik dieper inging op het belang van goede data-mining en data-cleansing. En de groeiende verantwoordelijkheid en aansprakelijkheid van bestuurders op kwaliteit van de data waarmee zij hun informatie-producten en daaruit voorkomend beleid produceren. Net zoals de professionalisering van de grondstoffenindustrie, zal de komende jaren een enorme professionalisering van de data-industrie nodig zijn. Weten wat je meet, weten wat je weet en weten wat data als grondstof betekent.

Photo by Pavel Danilyuk