Slimme AI heeft nog steeds slimme data nodig

3 april 2025 | 5 minuten leestijd

Van het automatiseren van beslissingen tot het verbeteren van klantervaringen; het biedt echte kansen. Maar niet alle AI is gelijk. Om betekenisvolle resultaten te behalen, moeten bedrijven de verschillende soorten AI begrijpen en weten welke data nodig is om ze te laten werken.

Stel je een chef voor die een perentaart probeert te maken. Als de ingrediënten niet vers zijn, verkeerd zijn afgemeten of simpelweg niet kloppen, mislukt de taart. Het maakt dan niet uit hoe getalenteerd de chef is. Hetzelfde geldt voor AI: een krachtig model is nutteloos als de onderliggende data rommelig, verspreid of slecht gestructureerd is.

Bij i-spark hebben we ervaring met uiteenlopende AI-toepassingen. Van machine learning modellen voor churn prediction tot AI-gedreven analytics met tools als Snowflake Cortex, OpenAI en visualisatieplatformen zoals PowerMetrics met natuurlijke taalverwerking. En één ding is duidelijk: sterke resultaten beginnen bij betrouwbare data. Niet alleen de kwaliteit, maar ook hoe toegankelijk en bruikbaar die data is. Als je data in silo’s zit, verspreid is over losse tools of geen gedeelde definities heeft, kun je het simpelweg niet effectief inzetten. AI kan geen magie toepassen op een chaotisch datalandschap.

Om écht te begrijpen wat AI nodig heeft, moeten we het opsplitsen. Niet elke AI werkt hetzelfde. Verschillende vormen vereisen verschillende soorten data. Laten we beginnen met de vorm die veel bedrijven al kennen.

1. Machine Learning (ML): AI gebaseerd op gestructureerde data

Machine learning is niet nieuw. Toen wij er jaren geleden mee begonnen, noemden we het gewoon ‘predictive modeling’. Inmiddels valt het onder de bredere noemer ‘AI’, maar het idee is hetzelfde: gebruik je eigen gestructureerde bedrijfsdata om patronen te ontdekken en voorspellingen te doen.

Veelvoorkomende ML-toepassingen zijn:

• Voorspellen van klantverloop (churn)
• Productvraag voorspellen
• Fraude detecteren op basis van gedragspatronen
• Gebruikers segmenteren op basis van gedeelde kenmerken

Deze modellen worden getraind op je interne data. Ze halen geen informatie van het internet of uit publieke bronnen. Dat maakt ze juist zo waardevol, en tegelijkertijd veeleisend. Ze vereisen gestructureerde, consistente datasets die passen bij jouw bedrijfscontext.

Hoe beter je onderliggende datastromen, definities en datastructuur zijn, hoe krachtiger het model wordt. Deze modellen ‘bedenken’ zelf niets. Ze leren precies wat jij ze aanleert. Is je data incompleet, onduidelijk of niet afgestemd op je echte business logica? Dan zie je dat direct terug in het model.

Kort gezegd: het model is zo slim als de data die je erin stopt.

2. Large Language Models (LLMs): AI gebaseerd op tekst

LLMs zoals ChatGPT of Gemini vallen technisch gezien ook onder machine learning. Maar omdat ze zo anders werken dan traditionele ML-modellen, behandelen we ze als een aparte categorie.

In plaats van gestructureerde data, worden LLMs getraind op enorme hoeveelheden ongestructureerde tekst, meestal afkomstig van het internet.

Ze zijn ideaal voor:

• Tekst schrijven en samenvatten
• Aansturen van chatbots en virtuele assistenten
• Code en query's genereren of uitleggen

Maar... ze kennen jouw organisatie niet. LLMs begrijpen je KPI’s, definities of klantsegmenten pas als je ze expliciet aanlevert. Op zichzelf kunnen ze geen zinnige vragen beantwoorden over jouw data of prestaties.

Terug naar onze metafoor: LLMs zijn als chefs die populaire recepten uit kookboeken beheersen. Maar als je iets specifieks wilt, zoals een perentaart, komen ze niet ver als ze alleen met appels geoefend hebben.

3. Andere AI-types: visueel, interactief en agentisch

Niet alle AI valt onder machine learning of taalmodellen. Er zijn ook andere technieken met hun eigen toepassingen.

Voorbeelden zijn:

• Computer Vision: herkent beelden of video, bijvoorbeeld voor kwaliteitscontroles, gezichtsherkenning of medische beeldanalyse.
  
• Reinforcement Learning: leert via trial-and-error. Wordt gebruikt in robotica, games of logistiek.
  
• Agentic AI: werkt autonoom en kan zelfstandig taken plannen en uitvoeren. Deze modellen worden ook wel ‘AI agents’ genoemd, omdat ze 'namens jou optreden'.

Niet elk type AI is relevant voor ieder bedrijf. De meeste organisaties hoeven geen robot te trainen of videobeelden te analyseren. Maar één principe blijft altijd gelden: de kwaliteit van het model hangt af van de kwaliteit van de data.

ML en LLMs zijn nog gescheiden werelden

Er is veel te doen over het combineren van gestructureerde businessdata met LLMs. Het idee spreekt tot de verbeelding: stel een vraag als “Waarom is mijn omzet in Q4 gedaald?” en krijg een helder antwoord terug van een chatbot. En ja, met een goed voorbereide dataset en duidelijke context komt dit dichterbij.

Maar standaard begrijpen LLMs geen gestructureerde data. Ze hebben definities, relaties en business logica nodig, en die moeten nog steeds expliciet worden aangeleverd. Je kunt een taalmodel niet zomaar op je datawarehouse loslaten en zinnige inzichten verwachten. Niet zonder structuur.

Tools zoals Snowflake Cortex maken hierin stappen. Ze verbinden taalmodellen met gestructureerde data in een gecontroleerde omgeving. Maar ook daar moet iemand nog steeds de metrics definiëren, toegang beheren en de uitkomsten valideren. Het is geen magie, het is engineering.

Daarom groeit de interesse in hybride AI: de flexibiliteit van taalmodellen combineren met de betrouwbaarheid van gestructureerde data. Een veelbelovende richting, die wij bij i-spark op de voet volgen. Maar ook deze oplossingen vereisen goede datastromen, metadata, toegangsbeheer en duidelijke businesslogica.

Misschien bevinden we ons momenteel in een "faster horse" moment, waarin we bestaande problemen oplossen met de best beschikbare middelen, terwijl de échte doorbraak er misschien wel in bestaat het hele probleem opnieuw te definiëren.

De conclusie: we boeken vooruitgang. Maar LLMs effectief combineren met gestructureerde data vereist nog steeds de juiste voorbereiding en een solide fundament.

Wat het betekent voor jouw team

AI verandert de manier waarop teams werken, maar vervangt ze niet. Zo ziet die verschuiving eruit:

• Repetitieve taken worden geautomatiseerd. Denk aan rapportagehulp, feedback samenvatten of queries genereren.
  
• Complexe vragen blijven menselijk werk. AI helpt, maar begrijpt je context pas als jij dat doet.
  
• Datarollen veranderen. Minder tijd besteden aan het bouwen van dashboards, maar meer tijd aan het vormgeven van de gegevensstromen die AI kan gebruiken.
  
• Governance wordt essentieel. Betrouwbare output vraagt om duidelijke definities, documentatie en controle.
  
• Zakelijk inzicht wordt belangrijker dan ooit. AI kan inzichten aandragen, maar iemand moet ze interpreteren.

Fix je fundament vóór je aan AI begint

Veel bedrijven willen “iets met AI”, maar vergeten te controleren of hun data er wel klaar voor is. Dáár gaat het vaak mis.

Bij i-spark helpen we organisaties om die valkuil te vermijden. Niet door te vertragen, maar door AI een solide basis te geven. Dat betekent: fundamenten bouwen die automatisering mogelijk maken.

Wij helpen bedrijven met:

• Data-audits - Is je data schoon, compleet en bruikbaar voor modellen?
  
• Datapijplijnen opzetten - Bereikt de juiste data de juiste tools op een betrouwbare manier?
  
• Kaders voor vertrouwen scheppen - Kun je herleiden waar inzichten vandaan komen én ze uitleggen?

We blijven zelf ook hands-on. We testen constant nieuwe tools, verkennen use cases en blijven dichtbij wat in de praktijk echt werkt. Is iets robuust genoeg? Dan zijn we er klaar voor. Willen klanten experimenteren? Dan doen we mee.

Tot slot

AI ontwikkelt zich razendsnel. Maar één ding blijft: AI is zo goed als de data erachter.

Of je nu een ML-model traint of een LLM verbindt met je dashboards, het resultaat hangt af van wat je erin stopt. Niet alleen hoe schoon de data is, maar of het gestructureerd, toegankelijk en afgestemd is op je bedrijfsdoelen.

Bij i-spark helpen we teams AI-ready te worden door solide datafundamenten te leggen en AI toe te passen waar het écht iets toevoegt. We volgen niet de hype. We doen wat werkt.

Want zelfs de beste chef-koks kunnen niet koken zonder de juiste ingrediënten. En niemand wil een taart eten die gemaakt is van mysterieus fruit.