AI: correlatie

‘ Don't ask AI to read between the lines if you never wrote the lines.’

Kennisrepresentatie

Intelligentie is alleen mogelijk wanneer een systeem kennis op een gestructureerde manier kan opslaan. In de praktijk betekent dit dat organisaties eerst hun kennis expliciet moeten maken voordat AI waarde kan toevoegen. Een gemeente die vergunningen automatisch wil beoordelen, moet eerst alle regels, uitzonderingen en beslisbomen systematisch vastleggen. Zonder goede kennisrepresentatie blijft AI slechts een verzameling losse algoritmen.

Kennis krijgt pas betekenis wanneer een systeem er conclusies uit kan trekken. Een klantenservice-chatbot kan uit eerdere vragen afleiden welk antwoord waarschijnlijk het beste past. Een onderhoudssysteem in een fabriek kan uit trillingen en temperatuur voorspellen dat een machine binnenkort defect raakt. De praktische les is dat AI niet alleen antwoorden geeft, maar verbanden ontdekt die mensen helpen betere beslissingen te nemen.

Betekenis

Organisaties concurreren niet op basis van de hoeveelheid data die zij bezitten, maar op basis van hun vermogen om betekenis uit die data af te leiden. Data op zichzelf vertegenwoordigt immers nog geen kennis; pas wanneer data wordt verbonden met context, ervaring, domeinkennis en menselijk beoordelingsvermogen ontstaat waarde.

Data

Een belangrijk uitgangspunt is dat data nooit volledig objectief is. Gegevens zijn altijd het resultaat van keuzes: welke informatie wordt verzameld, welke variabelen worden gemeten, welke definities worden gebruikt en welke gegevens ontbreken. Daardoor weerspiegelt data slechts een deel van de werkelijkheid. In de praktijk betekent dit dat organisaties zich voortdurend moeten afvragen wat de cijfers níét laten zien. Stel dat een ziekenhuis constateert dat de wachttijden dalen. Dat lijkt positief, totdat blijkt dat patiënten eerder afhaken omdat afspraken moeilijk te maken zijn.

Correlatie

Wij worden slimmer doordat wij patronen herkennen en eerdere ervaringen meenemen in nieuwe situaties. AI kan dit eveneens via machine learning. Een spamfilter leert bijvoorbeeld steeds beter onderscheid maken tussen ongewenste en normale e-mails doordat het duizenden voorbeelden analyseert. Een webwinkel leert welke producten klanten waarschijnlijk willen kopen op basis van eerdere aankopen. Leren betekent niet dat een systeem alles begrijpt; het ontdekt statistische patronen.

Machine learning ontdekt correlaties, maar geen oorzaken. Stel dat een AI-model voorspelt dat klanten uit een bepaalde regio vaker producten retourneren. Het algoritme kan deze relatie nauwkeurig voorspellen, maar weet niet dat een lokale pakketdienst structureel beschadigde leveringen veroorzaakt. Mensen beschikken over domeinkennis waarmee zij zulke verklaringen kunnen vinden.
Kennis, redeneren, leren, zoeken, waarnemen en communicatie versterken elkaar. Een moderne AI-assistent werkt daarom niet alleen met taalmodellen, maar combineert die met databases, zoekfuncties, planning en geheugen. Een arts gebruikt bijvoorbeeld een AI-systeem dat patiëntgegevens verzamelt (waarneming), medische kennis raadpleegt (kennisrepresentatie), mogelijke diagnoses afleidt (redeneren), eerdere patiëntgegevens analyseert (leren) en uiteindelijk een behandeladvies formuleert (besluitvorming).

Literatuur

Jeninga, A. en H. Woldendorp.(2022). Ontwerp voor digitale transformaties van (zorg) organisaties. Werken met de Systemische Ontwikkel Matrix. (SOM). SWP
Katyal, A. (2026). Data Intuition: The Human Edge in the Age of AI
Luger, G.F. (2021). Knowing our world. An Artificial Intelligence Perpective. Springer