Financieel/Ondernemen

Patroonherkenning in data moet bedrijf veel geld besparen

Koppelaars van datastromen

Door Gabi Ouwerkerk

Jim Stolze (r) met de vier studenten die interessante patronen hopen te ontdekken in de gegevens van Tesla-rijders.

Jim Stolze (r) met de vier studenten die interessante patronen hopen te ontdekken in de gegevens van Tesla-rijders.

Amaury Miller

Amsterdam - Ruim een jaar geleden nam het bedrijf Aigency zijn intrek in een aantal gekleurde zeecontainers op het Amsterdam Science Park. Vanuit deze Startup Village begon het een uitzendbureau voor algoritmes dat vraag en aanbod van artificiële intelligentie (AI) bij elkaar brengt. Die visie heeft oprichter Jim Stolze nog steeds. „Al zijn we nu nog veel bezig met loodgieterswerk.”

Jim Stolze (r) met de vier studenten die interessante patronen hopen te ontdekken in de gegevens van Tesla-rijders.

Jim Stolze (r) met de vier studenten die interessante patronen hopen te ontdekken in de gegevens van Tesla-rijders.

Amaury Miller

Bedrijven beschikken vaak over grote hoeveelheden data. „Maar het levert niets op, omdat ze niet over de juiste middelen beschikken om er echte waarde uit te halen”, vertelt Stolze. „Op het Science Park zitten studenten die briljante algoritmes hebben ontwikkeld, maar ze niet in de praktijk kunnen testen. Via Aigency gaan de partijen elkaar vinden.”

De database van Aigency telt 72 verschillende algoritmes waaronder een programma dat naar de radio kan luisteren om te turven hoe vaak de dj aan het woord is en welke reclameblokken voorbijkomen. „Een radiostation kan bij ons een bot inhuren om deze taken op zich te nemen.”

Het ideale plaatje van Stolze is om het werk bij Aigency geheel te automatiseren. Zover is het nog niet. „Er komt nog veel menselijk vernuft bij kijken. De systemen van bedrijven zijn gebaseerd op terugkijken via analyses en nog niet ingericht op toepassingen als machine learning.”

Bij Aigency zitten vier studenten achter hun laptop. Ze beamen wat Stolze zegt. „Tijdens colleges krijgen we kant-en-klare datapakketten aangeleverd, hier moeten we eerst kijken welke data voor handen is en zorgen dat systemen op elkaar zijn aangesloten.”

Loodgieterswerk noemt Stolze het op orde brengen van de systemen van klanten, terwijl hij wijst op bierflesjes in allerlei maten die op een tafel in een van de containers staat. „Geen overblijfsel van een feestje”, lacht Stolze. „We hebben net bij Heineken een traject afgerond voor de afdeling Inkoop. Als je patronen kunt herkennen in data, kun je veel besparen op bijvoorbeeld de hoeveelheid flessen of actieverpakkingen. Alle informatie moet dan wel gedigitaliseerd zijn. Om inzicht te krijgen in het wereldwijde assortiment, wilden we meer weten dan inhoud of kleur van flesjes. We hebben ze stuk voor stuk 3D gescand en daarna onze algoritmes aan het werk gezet.”

De vier studenten struinen nu door data van Tesla-rijders in Nederland. Op zoek naar verbanden tussen bijvoorbeeld schadevrij rijden en het gebruik van de autoparkeerfunctie of het oplaadpatroon en de levensduur van de accu. Voor welke opdrachtgever ze aan het werk zijn, mag Stolze niet zeggen. „Onze systemen zijn open source, onze klanten erg gesloten.”

Die klanten zijn multinationals die met steun van de hoogste baas een digitaliseringsslag willen maken. Die steun is een voorwaarde voor Stolze, zodat het niet na één project strandt. „Steeds meer bedrijven zetten AI en machine learning op de agenda. Ik hoef minder uit te leggen. Bestuurders zien dat AI geen magie is, maar gewoon wiskunde. Het draait allemaal om het herkennen van patronen.”

Stolze geeft toe dat de verwachtingen soms te hoog gespannen zijn. „Dan dachten we een correlatie te kunnen treffen, maar sloegen er geen meters uit.“ De oorzaak is volgens hem verkeerde of onvolledige data. „Aan het algoritme ligt het niet. Als er een correlatie is, halen wij die eruit.”