24 april 2019

De vier vormen van AI, uitgelegd op basis van Excel

Door: Martijn Zoet, docent van de masterclass FinTech in de VRC Finance Academy

Wanneer financials wel zelf controle willen hebben over de manier waarop de beslissing wordt gemaakt dan veranderen de meeste in zogenaamde ‘Excel elfjes’ . Hoe herken je een Excel elfje? Een Excel elfje herken je aan een zeer specifiek soort Excel bestand. Deze bestanden zien er als volgt uit. Klik op één cel in het Excel bestand en daarin staat een formule. Deze formule verwijst meestal naar tien andere cellen en in elke van deze tien cellen staan opnieuw weer formules die weer naar andere cellen verwijzen. En dit is de situatie wanneer het Excel-elfje geen Visual Basic Script kennis heeft. Want is deze kennis wel aanwezig dan wordt een deel van de formules verwerkt in het script.

Wanneer we deze situatie van een afstand bekijken, dan rijst de vraag: wat gebeurt hier daadwerkelijk? In dit specifieke geval is de financial zijn eigen algoritme aan het schrijven. Een basis algoritme, maar wel een algoritme. Deze vorm van algoritmes noemen we een niveau 1 algoritme.

Hierna volgt een uitleg van de vier niveaus van algoritmes beschrijven en toelichten op basis van Excel. Let wel dat deze vier vormen een goede opdeling zijn, maar dat zoals vaak geldt: ‘the devil is in the detail’. Een artikel waarin al deze details worden behandeld zou eindigen in een groot boek.

Basis Elementen Algoritme

Een algoritme bestaat uit vier onderdelen: conclusie(feit), conditie(feit), feitwaarden en een afleiding. Elk onderdeel wordt hieronder, aan de hand van een fictief voorbeeld, kort toegelicht.
Een conclusie(feit) is het resultaat dat bepaald dient te worden, bijvoorbeeld: “de hoogte van een lening”. De daadwerkelijke waarde van de feitwaarde wordt het conclusiefeitwaarde genoemd. Voorbeelden van conclusiefeitwaarden, in dit geval, zijn: € 1.000, € 1.500 en € 2.500.
Om de conclusie te kunnen bepalen dienen condities te worden geëvalueerd. In dit specifieke geval wordt de hoogte van de lening gebaseerd op de kleur van de schoenen en de schoenmaat. Ook voor de conditiefeiten dienen conditiefeitwaarden bepaald te worden. Waarbij zwart, bruin en rood conditiefeitwaarden kunnen zijn voor de kleur van de schoenen en 42 en 43 voor de schoenmaat.
De laatste component van een algoritme is de afleiding. De afleiding bepaalt hoe de conclusie wordt getrokken op basis van de evaluatie van de conditiefeiten. Een voorbeeld van een afleiding is: “Indien de schoenmaat van de aanvrager gelijk is aan 42 en de kleur van de schoenen in de aanvraag gelijk is aan rood, dan moet de hoogte van de lening worden gesteld op €2.500,-“

AI - Niveau 1

Bij een niveau 1 AI bepaalt de financial zelf het conclusiefeit, de conditiefeiten, de onderliggende feitwaarden en de afleiding van het algoritme dat wordt toegepast. Deze vorm van AI wordt benoemd als bedrijfsregelmanagement en/of decision managementsystemen.

Het meest gebruikte bedrijfsregelmanagementsysteem door een financial? Microsoft Excel! Dit terwijl Excel over het algemeen genomen een zeer inefficiënte applicatie is om dit soort algoritmes in te maken en te beheren. Het argument dat vaak gebruikt wordt om het ‘geknutsel’ in Excel te rechtvaardigen is: “het moet leesbaar en overdraagbaar zijn”. Maar wees heel eerlijk: hoeveel Excel files durven de meeste mensen niet aan te raken en kunnen worden toegepast door (slechts?) één persoon? De echte reden waarom Excel zoveel wordt toegepast? Financials zijn vertrouwd met deze tool vanuit hun opleiding en het is daarom een veilige haven. Dit terwijl bedrijfsregelmanagement, decision management tooling beter geschikt is voor het maken en beheren van dit soort algoritmes, en tegenwoordig voor een groot deel op Excel lijkt. De nieuwste notatie op dit gebied is Decision Model and Notation (DMN), wat elke financial zou moeten (kunnen) begrijpen.

Om met deze vorm van AI aan de slag te kunnen dient de financial geen aanvullende inhoudelijke kennis te ontwikkelen. Wel dient kennis ontwikkeld te worden ten aanzien van tooling en talen die beter geschikt is voor het ontwikkelen en beheren van dit soort kennis. Voorbeelden van tools zijn Trisotech en Camunda en een voorbeeld van een taal is DMN.

AI - Niveau 2

Bij een niveau 2 AI bepaalt de financial zelf het conclusiefeit en de conditiefeiten. De onderliggende feitwaarde van het conclusiefeit en de conditiefeiten en de afleiding worden bepaald door de gebruikte software. Deze vorm van AI wordt vaak aangeduid als machine learning.

Voorbeelden hiervan zijn forecasting algoritmes. De financial bepaalt welke conclusie hij/zij wil bepalen en bepaalt op basis van welke condities dit dient te gebeuren. Het systeem bepaalt op basis van historische data nu wat de afleiding en de bijbehorende feitwaarden worden. Een belangrijke vraag die nu door een goede financial gesteld wordt is: “hoe kan ik nu bepalen of het systeem het ook daadwerkelijk bij het rechte eind heeft?” Dit is nog relatief eenvoudig. Want uiteindelijk zijn elk van de onderdelen van een algoritme zichtbaar en kan, wanneer de financial dat wil, het geheel narekenen. Hierbij is één uitdaging, de algoritmes toegepast in deze vorm van AI gaan verder dan de SOM en GEMIDDELDE formules in Excel. Vaak bestaan ze uit formules met daarin statistische berekeningen, bijvoorbeeld lineaire regressies. En daar schrikken financials helaas nu nog vaak van terug.

Om met deze vorm van AI aan de slag te kunnen dient de financial twee soorten skills te ontwikkelen: kennis met betrekking tot  statistiek en een taal om machine learning aan te sturen. Voorbeelden hier van zijn R en Python. Softwarepakketten die hiervoor gebruikt kunnen worden zijn Rapidminer en SAS.

AI - Niveau 3

Bij een niveau 3 AI bepaalt de financial zelf het conclusiefeit. De conditiefeiten, onderliggende feitwaarde van het conclusiefeit en de conditiefeiten en de afleiding worden bepaald door de gebruikte software. Deze vorm van AI wordt vaak aangeduid als een hogere orde machine learning. Een andere vorm hiervan is deep learning.

De softwaresystemen en de kennis die hiervoor worden toegepast is deels gelijk aan niveau 2, maar kent een hogere mate van complexiteit. Een belangrijk onderscheid met niveau 2 AI is dat hier soms niet meer te controleren is hoe de AI werkt en hoe deze tot een conclusie komt. Dit is voor veel partijen complex.

AI - Niveau 4

Bij een niveau 4 AI evalueert de financial de output van het systeem. Het conclusiefeit, de conditiefeiten, onderliggende feitwaarde van het conclusiefeit en de conditiefeiten en de afleiding worden bepaald door de gebruikte software. Deze vorm van AI wordt aangeduid als “end of theory analysis” en wordt gebruikt om nieuwe hypotheses te ontwikkelen. Deze hypotheses worden ontwikkeld op basis van data waarmee  het systeem gevoed wordt.

Bijvoorbeeld de volledige administratie en de volledige logistieke informatie. Daarmee wordt aan het systeem gevraagd om te komen met nieuwe kennis (algoritmes) die de bedrijfsvoering kunnen optimaliseren. Hier zit voor een deel dezelfde complexiteit als bij niveau 2 en 3, omdat financials het moeilijk kunnen uitlezen.

Conclusie

Financials zijn zeer goed voorbereid op de wereld van AI en Algoritmes. Dit is ook logisch omdat het werk van de financial voor een groot deel het toepassen van algoritmes op data is. Alleen zal de gemiddelde financial dit niet zo benoemen, omdat ze het een berekening noemen of een specifieke naam voor de berekening (lees algoritme) hebben, bijvoorbeeld omzet forecast of kostprijsberekening.

De financial mist op dit moment wel twee belangrijke vaardigheden om mee te kunnen in deze wereld en dat is kennis van statistiek / wiskunde en kennis van de werking van verschillende tools die beter geschikt zijn dan Excel om deze formules te beheren. Er zijn in het recente verleden meerdere artikelen verschenen, met als strekking dat de CFO eigenlijk de rol van CIO ten aanzien van informatiemanagement zou moeten overnemen. Daarnaast zijn er ook artikelen verschenen met de vraag of de financial wel moet weten hoe deze algortimes werken? Wij beantwoorden deze vraag met een volmondig Ja! Financials moeten (willen ze overleven) een verbond sluiten met data-analisten. Ze moeten elkaars taal gaan begrijpen en ze moeten van elkaar begrijpen wat hun doelen zijn.
Op termijn moeten financials algoritmen kunnen begrijpen, tot die tijd volstaat een constructieve samenwerking met data-analisten. Aan de hand van deze trend kun je ook zeggen dat de financial de data analist van de toekomst is. Er dient nog een ‘kleine’ stap gemaakt te worden om deze bewering werkelijkheid te maken.

Meer leren over AI? Martijn Zoet verzorgt de masterclass FinTech II op 23 mei in Amsterdam.

Zoek een RC