Waarom geeft het netwerk soms storingen? Welke invloed heeft nieuwe software op de productiviteit? Deze en allerlei andere vragen kun je beantwoorden door data te analyseren. Traditionele data-analyse is daarbij vooral goed in het vinden van correlaties. Causale AI gaat een stap verder door de onderliggende oorzaken van gebeurtenissen te begrijpen. Hoe kan dit jou helpen je klanten beter van dienst te zijn?
Verschil correlatie en causaliteit
Vragen die causale AI beantwoordt
Oorzaken achterhalen
Oplossingen voor causale AI
AI-toepassingen zijn al volop in gebruik in het bedrijfsleven. Naast generatieve AI, die teksten, afbeeldingen of video’s kan produceren, is er voorspellende AI die patronen gebruikt in historische data en zo tot verwachtingen en aanbevelingen komt. In de ’traditionele’ vorm is voorspellende AI afhankelijk van correlaties in grote hoeveelheden data. Causale AI probeert te begrijpen waaróm dingen gebeuren.
Verschil correlatie en causaliteit
Dit verschil is belangrijk omdat een correlatie tussen data niet hoeft te betekenen dat er een oorzakelijk verband is. Stel dat een mkb-bedrijf ontdekt dat er veel meer netwerkproblemen zijn nadat het een BYOD-beleid heeft ingevoerd. Het ligt dan voor de hand om daaruit de conclusie te trekken dat de devices die de medewerkers hebben meegebracht die storingen veroorzaken. Maar de toename van het aantal netwerkproblemen kan ook (mede) veroorzaakt zijn door verouderde netwerkapparatuur of te weinig capaciteit, ongeacht het soort apparaten dat wordt gebruikt.
Vragen die causale AI beantwoordt
Ga je bij een correlatie ten onrechte uit van een causaal verband, dan kan dat leiden tot ongewenste vooroordelen en verkeerde beslissingen. Voorspellende AI kan een gebeurtenis waarnemen en voorspellen dat een uitkomst zal plaatsvinden, maar het kan niet aantonen dat de uitkomst heeft plaatsgevonden vanwege de gebeurtenis. Causale AI identificeert daarentegen de onderliggende oorzaak van een gebeurtenis en de precieze relatie ervan tot de uitkomst. Zo krijgt een bedrijf antwoord op bijvoorbeeld deze vragen:
- Waarom geeft een applicatie altijd op een bepaald moment van de dag problemen?
- Waarom ronden klanten de transacties op onze website niet af?
- Hoe beïnvloedt een upgrade naar snellere internetdiensten de productiviteit van medewerkers?
- Wat is het effect op klanttevredenheid als we de reactietijden van onze helpdesk aanpassen?
Traditionele voorspellende AI maakt gebruik van grote hoeveelheden data om te leren welke patronen en relaties er bestaan. Als het bijvoorbeeld data verzamelt over de uitval van servers, kan het leren dat servers vaker uitvallen als er meer data-aanvragen zijn. Maar het geeft geen antwoord op de vraag of de hoeveelheid data-aanvragen de serveruitval veroorzaakt of dat er misschien ook iets anders aan de hand is.
Oorzaken achterhalen
Causale AI gaat een stap verder en probeert te leren welke dingen echte oorzaken zijn door gebruik te maken van speciale algoritmes en van de informatie over de wereld. Het gebruikt een model dat te vergelijken is met een complex boomdiagram. Het model zet alle mogelijke oorzaken van een probleem uiteen, zoals een stamboom alle relaties binnen een familie laat zien.
Met een vast stappenplan is de oorzaak van een probleem te onderzoeken. Nadat het probleem is vastgesteld, identificeert het model mogelijke oorzaken, bekijkt het hoe elk van deze mogelijke oorzaken kan hebben bijgedragen aan het probleem, zoekt het naar bewijs, analyseert het dat bewijs en interpreteert het de relaties. Dat leidt vervolgens tot een actieplan, waarbij effectieve maatregelen worden ingesteld om het probleem in de toekomst te voorkomen. Denk aan het upgraden van bepaalde systemen, het nemen van securitymaatregelen of het trainen van medewerkers.
Oplossingen voor causale AI
Op die manier kan causale AI bijvoorbeeld helpen te begrijpen of het toevoegen van extra servers de werkelijke helpt om een netwerk betrouwbaarder te maken, of dat het hier gaat om het begrip gelijktijdigheid (meerdere gebeurtenissen vinden tegelijk plaats, maar zijn niet gerelateerd). Door het causale verband te begrijpen, kunnen bedrijven betere beslissingen nemen die gebaseerd zijn op wat echt een verschil maakt, in plaats van op een toevallige samenloop van omstandigheden. Daardoor kan jouw klant slimmer investeren, efficiënter werken en een betere klantenservice bieden. En dat laatste geldt natuurlijk ook voor jouw bedrijf.
Causale AI is nog vrij nieuw, maar het feit dat Gartner het in 2022 opnam in de bekende Hype Cycle geeft aan dat een technologie is waar we de komende tijd rekening mee moeten houden. De grote spelers op het gebied van AI, zoals Microsoft, Amazon en IBM bieden dan ook al tools en oplossingen aan. Gespecialiseerde oplossingen zijn er van onder meer CausaLens en Dynatrace.
