artikel

Nadelen artificial intelligence

Engineering

Wie denkt dat artificial intelligence dé techniek van de toekomst is die alles kan oplossen, heeft het mis. Hieronder zijn een aantal nadelen op een rij gezet:

Nadelen artificial intelligence

Nadelen van artificial intelligence

1) Te vage probleemstelling

Complexe vraagstukken oplossen waarbij het probleem niet exact is te omschrijven, kunnen niet worden opgelost met AI. “Maak mijn bedrijf winstgevend” is bijvoorbeeld een te algemene omschrijving. Specifiekere of concrete deeldoelen definiëren is veel beter. Bijvoorbeeld: “Zorg voor een beter logistieke route voor mijn export, rekening houdend met het verkeer, de weersomstandigheden, mijn verschillende productielocaties, de hoeveelheid voorraad per locatie, de verwachte toekomstvraag,…”

2) Gebrek aan data

De kwaliteit van een AI-oplossing is sterk afhankelijk van de kwaliteit van de data waarmee het systeem wordt gevoed. Is er te weinig data of is de data onbetrouwbaar, dan kunnen mogelijk niet de juiste conclusies worden getrokken.

3) Ongeorganiseerde data

Als je data hebt verzameld zonder AI in je achterhoofd, dus zonder data te categoriseren, wordt het lastig om met een AI-model te werken. De data moet enigszins gestructureerd zijn en patronen moeten worden gedefinieerd om met AI te kunnen werken.

4) Problemen zijn te eenvoudig

AI is niet zaligmakend.  Er zijn veel meer technieken en methodes op de markt die problemen eenvoudig kunnen oplossen, zonder dat je hier AI voor nodig hebt. Als je bijvoorbeeld exact kunt uitleggen hoe een probleem kan worden opgelost door gebruik te maken van regels en vergelijkingen, dan is het probleem wellicht te eenvoudig voor AI.

5) Niet inzetbaar voor meer toepassingen

Een algoritme is vaak ontworpen voor één toepassing, bijvoorbeeld voor het voortijdig opsporen van slijtage, nog vóór de storing heeft plaatsgevonden. De algoritmes die voor een bepaalde machine zijn ontwerpen, werken niet noodzakelijk ook elders in het bedrijf. Mogelijk zijn individuele elementen of componenten van het programma over te zetten, maar aangeleerde kennis overhevelen naar een andere situatie is op dit moment (bijna) niet mogelijk.

6) Black box

Zelflerende algoritmes kunnen uitkomsten bieden waarbij het voor de mens niet altijd duidelijk is hoe een bepaalde uitkomst tot stand is gekomen. Dit hoeft niet altijd een beperking te zijn, maar in bepaalde situaties is een verklaring van de uitkomst wenselijk. Een goede documentatie van de route die heeft geleid tot de oplossing is geen overbodige luxe.

7) Professionals ontbreken

Om AI te implementeren is kennis over AI nodig. Veel bedrijven hebben moeite om talentvolle AI-professionals te vinden die hen kunnen ondersteunen bij de implementatie van AI. AI-kennis koppelen aan het businessmodel van bedrijven is niet eenvoudig. Een oplossing kan zijn om samenwerking tussen universiteiten en bedrijven te stimuleren. 

8) Onduidelijke regelgeving

Bij het delen van data moet duidelijk zijn wie toegang heeft tot welke data. Wet- en regelgeving zijn niet in alle situaties even duidelijk.

9) Ethische en juridische problemen

Door AI te gebruiken, kunnen juridische en ethische normen een rol gaan spelen. Wanneer bijvoorbeeld een AI-selectietool wordt gebruikt voor het screenen van sollicitanten en algoritmes nemen beslissingen  op basis van historische data, dan zouden vooral mannelijke kandidaten worden geselecteerd. Dit omdat in het verleden vrouwen minder vaak een leiderschapsfuncties bekleden. Wordt AI toegepast, dan moet altijd worden gekeken naar de ethische en juridische aspecten en de betrouwbaarheid van data.

 

 

Reageer op dit artikel
Lees voordat u gaat reageren de spelregels