Als senior datawetenschapper en team lead data & AI bij Invest-NL werkt Mustafa Torun al meer dan 15 jaar op het snijvlak van datawetenschap, datamanagement en het bouwen van een datagedreven cultuur binnen organisaties. Tijdens zijn sessie over AI & Data Science op het aankomende Marketing Insights Event (MIE) laat hij zien waar AI vandaag echt waarde toevoegt, waar het in de praktijk vaak misgaat en waarom beter beslissen begint bij betere data en scherper menselijk oordeel.
▼
Waarom bias niet verdwijnt als je AI inzet
AI is vandaag vooral sterk als hulpmiddel bij besluitvorming. Het kan enorme hoeveelheden uiteenlopende data verwerken, verbanden leggen en dat consequent doen. Daardoor worden beslissingen sneller genomen en beter onderbouwd.
Toch is AI niet neutraal. Modellen nemen bias over uit bestaande data, aannames en doelstellingen. Die bias is achter de code vaak minder zichtbaar dan menselijke vooroordelen, maar wel degelijk aanwezig.
“AI biedt analytische breedte en consistentie, mensen zorgen voor context, oordeel en verantwoordelijkheid.”
Een grote misvatting rond AI en data science is het idee dat bias volledig te voorkomen is. Veel organisaties blijven afwachtend, in de hoop op een perfect en neutraal systeem. Volgens Torun is dat een verkeerd uitgangspunt.
Taalmodellen leren van menselijke taal. En die taal is al jarenlang gekleurd. Verwachten dat AI dat ineens oplost, zonder het menselijke vertrekpunt te bevragen, is onrealistisch.
“De grootste bron van bias in taalmodellen is altijd menselijke taal geweest.”
Waarom AI-investeringen vaak stranden
Als AI-initiatieven geen duidelijke verandering opleveren en laten we eerlijk zijn geen nieuwe bron van rendement creëren, ligt dat zelden aan de technologie zelf. Het probleem zit vrijwel altijd in de basis. Slechte datakwaliteit, een zwakke datacultuur en onduidelijke structuren ondermijnen elk AI-project.
AI boven op een wankele datafundering leidt niet tot innovatie, maar tot teleurstelling. Uiteindelijk krijgt AI de schuld, terwijl de oorzaak elders ligt.
“De fundering doet ertoe.”
Human in the loop begint bij zelfkennis
Verantwoord gebruik van AI begint niet met betere prompts. Het begint met betere mensen. Torun benadrukt dat professionals eerst hun eigen aannames en vooroordelen moeten leren herkennen, voordat ze AI-output beoordelen.
Prompting komt pas later. Eerst begrijpen waar jijzelf gekleurd kijkt, daarna pas analyseren wat het model doet.
“Leer eerst je eigen bias kennen, voordat je die van AI onderzoekt.”
Data- en marketingprofessionals onderschatten vaak hoe groot de rol van menselijk oordeel blijft. Technieken worden steeds verder verfijnd, maar beslissingen worden niet vanzelf beter. AI verschuift verantwoordelijkheid, het neemt die niet weg. Die verantwoordelijkheid blijft bij jou.
Vooruitblik
De komende jaren zal AI niet leiden tot alleen maar betere beslissingen. Er komen juist meer goede én meer slechte beslissingen. Het verschil tussen organisaties wordt groter.
“Er zullen meer goede en meer slechte beslissingen komen. Het verschil ertussen groeit.”
Alle bestaande plannen overboord gooien is niet nodig. Maar wie investeert in sterke datafundamenten en kritisch menselijk oordeel, vergroot de kans om aan de juiste kant van dat verschil te staan.