3 belangrijke overwegingen voor EHS-leiders bij het invoeren van AI-tools
Transcript
Hallo allemaal. Ik ben Phil Benson, vicepresident Product bij Blackline Safety. Bedankt voor jullie aanwezigheid bij deze sessie. Vandaag gaan we het hebben over hoe je AI kunt toepassen, of in ieder geval over de eerste stappen die we aanraden om AI toe te passen op je gegevens en op gezondheids- en veiligheidsprojecten, als specifiek onderwerp.
Er zijn dus drie manieren waarop we dit echt willen aanpakken. En dus hebben we vanuit onze ervaringen hier bij Blackline vele jaren gewerkt met data en waarschijnlijk de laatste drie jaar hebben we ons behoorlijk serieus beziggehouden met datawetenschapsprojecten en ML- en AI-projecten. En het advies dat ik mensen geef wanneer ze hiermee beginnen, omdat dit echt ons eigen traject is, is om zich nog geen zorgen te maken over AI.
Begin je project niet met daarover na te denken. Je moet eigenlijk aan drie dingen denken. Het eerste waar je aan moet denken, is wat je problemen zijn. Je moet heel duidelijk voor ogen hebben welke problemen je in je bedrijf wilt oplossen, want dat is eigenlijk de belangrijkste manier om vooruitgang te boeken. Als je de tool alleen maar op een bepaald onderwerp wilt toepassen, wordt het namelijk heel moeilijk om te begrijpen wat de resultaten zullen zijn en hoe je dat in de praktijk kunt testen. Begin dus met je problemen, want die hebben duidelijke doelstellingen.
Het volgende is wat ik noem 'ken je data', en dat is vertrouwd raken met de data die je al onder controle hebt en die je al begrijpt. En daar wil je echt een inventarisatie van maken. Veel mensen raken in de beginfase van projecten erg verstrikt en maken zich grote zorgen omdat ze weten dat ze niet genoeg data hebben en dat die data niet zo schoon is als ze zouden willen. Dat zijn beide zeer reële zorgen die in zekere zin bepalend zijn voor het resultaat van je dataproject, maar laat dat je er niet van weerhouden om te begrijpen wat je hebt en uit te zoeken hoe je dat op die projecten kunt toepassen. Dus je begint met de vraag: welk probleem probeer ik op te lossen? Vervolgens denk je goed na over welke gegevens je tot je beschikking hebt.
En dan is het derde punt gewoon AI als onderwerp begrijpen, begrijpen welke tools je tot je beschikking hebt. Dat kan bijvoorbeeld zo diepgaand zijn als het finetunen van je eigen model, zoals het gebruik van een basismodel en dat finetunen voor een toepassing die je hebt. Of het kan gewoon zijn dat je een generatief AI-model gebruikt om je te helpen meer inzicht te krijgen in je analyses, zodat je heel snel kunt duiken in je eigen analyses die beschikbaar zijn met behulp van natuurlijke taal en die visualisaties kunt krijgen. En het kan zijn dat je je eigen model bouwt.
Het kan gaan om het bouwen van een ML-model, door middel van meer traditionele datawetenschapstechnieken, om voorspellende modellen te maken om de gegevens die je hebt te begrijpen. En terwijl je hierover leert als een algemeen onderwerp, terwijl je het verschil begrijpt tussen AI en ML en Gen AI en wat een groot taalmodel is en wat het voor je kan doen, terwijl je daarover leert als een onderwerp, zul je terugdenken aan die laatste twee onderdelen, namelijk welke gegevens ik heb en welk probleem ik probeer op te lossen.
En wat we echt merken, is dat onze beste projecten degene zijn die echt samenkomen in, weet je, hoe we dit als onderwerp begrijpen, wat we beschikbaar hebben en welke problemen we voor onze klanten kunnen oplossen. En ik denk dat dit zeker geldt voor de klanten waarmee we werken wanneer ze hun eigen AI-projecten hebben.
Hartelijk dank voor uw deelname aan deze eerste sessie. We zullen nog een aantal andere sessies houden waarin we wat dieper op de materie ingaan. Hartelijk dank. Een fijne dag verder.