Efficiencyverbetering met AI

Waar liggen de kansen? 

Vrijwel ieder proces kun je wel efficiënter maken met behulp van AI, zegt Maartje. “Het is de kunst om je niet te laten verleiden door de mogelijkheden van de technologie, maar door het begrijpen van je grootste uitdagingen en hoe AI een deel kan zijn van de oplossing. Vaak zitten de oplossingen in hele simpele dingen. Medewerkers op de werkvloer weten vaak ook haarfijn aan te wijzen waar bottlenecks zitten. Begin dus eens met een paar dagen meelopen op de werkvloer. Probeer dat werk te begrijpen en vraag medewerkers naar hun uitdagingen.”

AI kan vaak helpen bij het opsporen van bottlenecks. Eén van de instrumenten is text analytics, waarbij je teksten analyseert met behulp van NLP (Natural Language Processing)-technieken. Zo kun je bijvoorbeeld de onderwerpen analyseren van mensen die een callcenter bellen: wat zijn de meestvoorkomende vragen of welk proces zorgt voor de meeste klachten? Maartje: “Het is al meerdere keren voorgekomen dat we door het analyseren van telefoongesprekken of e-mails van klanten achter problemen kwamen die binnen een paar uur opgelost konden worden. Bij één klant konden we met betere informatieverziening op de website 23 procent van inkomende telefoongesprekken voorkomen.”

Je kunt ook operationele data analyseren met AI. Neem bijvoorbeeld een bedrijf dat parkeergarages en gebouwen beheert. Zij kunnen realtime data verzamelen van alle apparaten die worden ingezet, zoals slagbomen, betaalautomaten, toegangspoortjes et cetera. “Op basis van die data kun je afwijkingen ten opzichte van de normale gang van zaken detecteren. Bijvoorbeeld: op zaterdagmiddag worden er ineens in een parkeergarage in het centrum 80 procent minder betalingen geregistreerd. Het Operations Control Center krijgt dan direct een seintje om te controleren wat er aan de hand is en eventueel een monteur te sturen, nog voordat klanten zelf melden dat er een probleem is”, zegt Maartje. Waar IT-ers bij de term AIops vaak enkel denken aan hun eigen IT-operatie, munt Gartner die term voor AI-oplossingen die iedere vorm van operationele data analyseren. Het mooist is als je dit kunt combineren met realtime decision making. 

Hoe ga je te werk? 

Aan de hand van het traject bij een online apotheek schetst Maartje hoe Mediaan Conclusion te werk gaat bij het identificeren en weghalen van de bottlenecks met AI. We zijn begonnen met het begrijpen van hun grootste uitdagingen. Dat is de kwaliteitscontrole van pakketjes. Je mag immers nooit de verkeerde medicijnen naar een patiënt toe sturen. Het was een zeer arbeidsintensief proces, dat door Mediaan Conclusion is ondersteund met computer vision.

Van bovenaf wordt de inhoud van iedere doos gefotografeerd. Die foto wordt binnen een paar secondes door een beeldherkenningsalgoritme geanalyseerd. Maartje: “We zijn begonnen met een Proof of Concept van twee maanden. Binnen korte tijd konden we 76 procent van de pakketjes automatisch analyseren. Dat gaf ons en de klant voldoende vertrouwen dat dit zou kunnen werken. Daarna hebben we een roadmap opgesteld en geïnvesteerd in een goede camera set-up. Ook is een schaalbaar cloudplatform ontwikkeld dat meerdere foto’s tegelijk kan analyseren.

Tot slot is nog meer data aan het machine learning-model toegevoegd, zoals kennis van supply chain experts in combinatie met informatie over onder meer gewicht en historische controles. Inmiddels kunnen we 94 procent van de pakketjes automatisch analyseren en hoeft nog maar 6 procent met de hand gecontroleerd te worden.” 

Een tweede verbetering betreft de controle van de recepten en het juist verwerken hiervan. Als je binnen een dag medicijnen wilt sturen, moet dit proces snel gaan, dus elke tijdwinst is goud waard. Maartje: “Hier proberen we de kennis van apothekers te vangen in een machine learning-model. Dat doen we door de beslissingen die apothekers nemen vast te leggen. Die data gebruiken we om een machine learning-model mee te trainen. Daarna vinden er meerdere iteraties met experts plaats om te begrijpen waarom het model fouten maakt en welke logica daar achter zit. Zo kunnen we het model stap voor stap verbeteren.

De apothekers helpen ons ook begrijpen met welke medicijnen geen enkele fout gemaakt mag worden, zodat we kunnen zorgen dat we hier extra voorzichtig zijn. We doen bijvoorbeeld  een extra handmatige check bij alle nieuwe medicijnen en bij bepaalde categorieën met erg hoge risico’s.”  Alle recepten waar geen enkele twijfel over is gaan nu automatisch door richting orderpicking. En de recepten waarvan het model zegt dat er iets niet klopt of waar het model over twijfelt, worden bekeken door een apotheker.  

De apothekers controleren niet alleen de recepten, maar staan ook klanten te woord die naar het contactcenter bellen met vragen over de medicijnen. Mediaan Conclusion heeft met het taalmodel van ChatGPT, vragen die apothekers in het verleden hebben beantwoord en met de data in de kennisbank van het bedrijf een NLP-model getraind dat het antwoord alvast voor de apotheker prepareert en zo hun werk veel efficiënter maakt.

Kopieer ideeën uit andere sectoren 

Maartje benadrukt het belang van kijken in andermans keuken als je wilt innoveren. “Veel bedrijven denken dat innovatie betekent dat ze wezenlijk nieuwe dingen moeten doen. Nee, innovatie is dingen doen die voor jou nieuw zijn, maar die elders misschien al veel langer worden toegepast. Er zijn zoveel slimme mensen in de wereld die al oplossingen hebben ontwikkeld.

Sommige van die producten worden verkocht onder licentie, maar veel is ook gratis als open source beschikbaar. Wij houden voor onze klanten in de gaten wat er allemaal op de markt komt, zodat zij snel kunnen profiteren van technologie die door anderen is ontwikkeld. Dat is in mijn ogen pas echt slimme innovatie.”