Wat is het Gartner Magic Quadrant for Business Intelligence and Analytics?

Gartner is een Amerikaans IT-onderzoeksbedrijf. Het brengt de markt voor IT-oplossingen in kaart. Dit onderzoek is samengevat in een compacte 2-op-2 matrix. De horizontale as toont de ‘volledigheid van het gezichtsvermogen’ en de verticale as het ‘vermogen om uit te voeren’. Hierdoor ontstaan ​​vier kwadranten waarin de oplossingen als stippen zijn gepositioneerd. Al met al produceert Gartner momenteel iets minder dan 150 van deze kwadranten. Eén van deze kwadranten is Magic Quadrant for Analytics en Business Intelligence Platforms. Het volledige rapport vindt u hier op de website van Gartner.

Strategic Planning Assumptions

Op basis van het onderzoek voor het magic quadrant formuleert Gartner een set van zogenaamde “strategic planning assumptions”. We hebben dit jaar vijf veronderstellingen voor je geformuleerd.

• In 2022 zal augmented analytics-technologie alomtegenwoordig zijn, maar slechts 10% van de analisten zal haar volledige potentieel benutten.
• Tegen 2022 zal 40% van het ontwikkelen en scoren van machine learning-modellen worden gedaan in producten die machine learning niet als hun primaire doel hebben.
• Rond 2023 heeft 90% van de 500 beste bedrijven ter wereld het beheer van analytics omgezet in bredere initiatieven op het gebied van data en analytics.
• Tegen 2025 zal 80% van de consumenten- of industriële producten die elektronica bevatten, beschikken over apparaat analyses.
• In 2025 zullen gegevensverhalen de meest verspreide manier zijn om analyses te consumeren, en 75% van de verhalen wordt automatisch gegenereerd met behulp van augmented analytics-technieken.

Hoe presteren de verschillende leveranciers?

Het magic quadrant van dit jaar toont duidelijk twee leveranciers die het peloton leiden. Tableau en Microsoft’s Power BI staan ​​rechtsboven in het leiderskwadrant. Naast deze leiders banen een aantal verrassende nieuwe leveranciers hun weg door het kwadrant.

Wil je alle details leren? Bekijk dan het webinar en binnen 20 minuten ben je helemaal up-to-date.

In dit interview spreekt Jonathan Aardema met prof. Eric Postma (hoogleraar Cognitive Science and Artificial Intelligence aan de Universiteit van Tilburg) over het waarom, hoe en wat van artificiële intelligentie applicaties. Wat zien we in de praktijk en wat zegt de wetenschap erover?

Binnen bedrijven zie ik veel mensen die niet helemaal weten wat er onder artificiële intelligentie (AI) valt. Wat is jouw mening vanuit het perspectief van de wetenschap?

Heel nuchter. Artificiële intelligentie is tegenwoordig een modewoord, maar het veld bestaat al sinds de jaren vijftig. Veel mensen beweren dat machines dingen sneller en beter kunnen dan mensen, maar machines doen dat al geruime tijd. Neem een ​​zakrekenmachine, die veel sneller kan tellen dan de meeste mensen.

Nieuw is spraak- en beeldherkenning. Artificiële intelligentie is erg goed in het herkennen van patronen zonder de context te kennen. Overweeg bijvoorbeeld de automatische herkenning van huidkanker aan huidbeelden. AI presteert beter dan mensen, maar weet of begrijpt niets van de patiënt zelf. We noemen het Narrow AI. Dat is beperkter dan wat mensen kunnen doen, maar dat maakt niet uit. Een zakrekenmachine is ook beperkter, maar doet wat hij moet doen, namelijk rekenen. Toch beslissen mensen over de conclusie uit de berekeningen.

In de praktijk zien we dat veel organisaties nu stappen willen zetten rond artificiële Intelligentie, bijvoorbeeld over beeldherkenning. Waarom komt het nu naar voren?

De grote doorbraak is deep learning. Ook dat is al 30 jaar oud, maar lijkt goed te werken wanneer je het volume aan data vergroot en meer computervermogen krijgt. Vervolgens kun je bijvoorbeeld afbeeldingen van een hond labelen en het systeem trainen om hondenrassen te herkennen. Het systeem kan dat heel goed, net zo goed als mensen, maar het maakt soms domme fouten die mensen nooit zouden maken.

Een ander voorbeeld is de herkenning van borstkanker op scans. Er is net een studie afgerond, waaruit bleek dat AI dat beter kon dan specialisten. Het systeem krijgt geen lunchdip en wordt niet moe na het achter elkaar beoordelen van te veel scans. Dat is ook narrow AI; men traint het systeem alleen om vlekken te herkennen;  je hoeft niet meer te weten. Wat er daarna gebeurt, is aan de dokter. Ik zie dit als een versterking van de instrumenten. De grote vraag is: hoe gaan we de complementariteit van mens en machine optimaal benutten. Sommige dingen kunnen mensen namelijk beter dan een computer.

We werken aan de ontwikkeling van een model om het ziekteverzuim terug te dringen. Daarnaast bestuderen we de variabelen die voorspellen om ziekte te voorkomen. Een half procent minder verzuim levert al snel veel op voor duizenden medewerkers. Bovendien zien we ook, naast de modellen, dat menselijk oordeel essentieel blijft.

Dat is juist! Dan krijg je hybride intelligentie, waarbij een menselijke operator samenwerkt met een ‘deep learning-systeem’. De belangrijkste beperking van artificiële intelligentie systemen is dat ze de wereld niet kennen. Als mens doe je kennis op vanuit je babytijd en weet je nog niet hoe je deze brede kennis kunt overbrengen naar systemen.

Ik zie daarom meer een toekomst waarin je artificiële intelligentie ontwikkelt om de zwakheden van mensen te compenseren en vice versa. Het gaat om de combinatie van de kracht van het systeem en de kracht van de expert.

Hoe schrijf je artificiële intelligentie in binnen een organisatie? In de praktijk merken we dat klein beginnen ook binnen traditionele organisaties kan werken. Wat zegt de wetenschap; moet je bestaande elementen aanpassen of helemaal opnieuw beginnen?

Ik denk dat het logisch is dat veel bedrijven nog steeds koude voeten hebben, omdat het nog geen bewezen proces is. Daarnaast verwacht ik dat AI in alle bedrijfstakken een steeds belangrijkere rol gaat spelen. Bovendien ben ik geen adviseur. Maar mijn advies zou zijn om klein te beginnen en dan uit te breiden. Voor bedrijven met een succesvolle business is het verstandig om het bestaande businessmodel te behouden en ook zorgvuldig een nieuw model rond AI te bouwen. Het alternatief is een ingrijpende verandering, waarvoor u ander personeel nodig heeft. Zo heeft TNT er bewust voor gekozen om een ​​data gedreven bedrijf te worden. Ze gebruiken nu voorspellende modellen om te voorspellen wanneer iemand thuis zal zijn.

Met de evolutie van dit soort ontwikkelingen ontstaan ​​er nieuwe risico’s. Welke uitdagingen zie je?

De grootste uitdaging is hoe we als samenleving omgaan met de ontwikkelingen rond data. Hoe zorgen we voor het juiste evenwicht tussen innovatie en privacybescherming? Neem het dossier van de patiënt. U kunt dit gebruiken om de patiëntenzorg te verbeteren. Maar hoe beschermt u de gegevens op een ethische manier?

Een andere uitdaging is hoe om te gaan met de kracht van de systemen en de kracht van de experts. Een expert is een expert; maak nooit de fout dat een machine de expert overheerst. Een probleem kan zijn dat het systeem consequent iets fout doet. Hoe los je dat op en hoe ga je ermee om in je proces? Als je vertrouwen wilt krijgen in het systeem, wil je ook kunnen zien waar het fouten maakt. Fouten maken is niet zo erg. Mensen maken ook fouten, zolang je maar weet waar.

Uiteindelijk is de grootste bedreiging de mens. Iedereen kan ‘deep learning’ toepassen, maar niet iedereen kent de basisprincipes van statistiek en analyse die nodig zijn om het goed te doen.

De ontwikkelingen van wetenschap naar praktijk zijn in volle gang. Waar is artificiële intelligentie nu en verwacht je significante innovaties?

De technologie is er al en bereikt zelfs het verzadigingspunt. Er zullen verbeteringen komen, waardoor de systemen robuuster worden en er minder gegevens nodig zullen zijn. De echte innovatie zit vaak in het zoeken naar praktische toepassingen waar je met AI het verschil kunt maken. Het gaat niet alleen om de technologie en het identificeren van taken, maar ook om de menselijke en organisatorische kant. Zo onderzoeken we nu de herkenning van fracturen op röntgenstralen. Dit soort oplossingen kost tijd; het duurt ongeveer tien jaar voordat u het heeft geïntegreerd in de werkwijze van het ziekenhuis en bij de zorgverzekeraar. Maar dat het zal gebeuren, is onvermijdelijk.