Kunnen we KPI’s instellen met AI, via zoiets als ChatKPI.
nline wemelt het van enthousiaste verhalen over toepassingen en het gebruik van AI, ook ikzelf maak intensief gebruik van ChatGPT voor allerlei tekst gerelateerde taken. Bij Actoren ontwikkelen we al jaren software die onze vastgoedklanten in staat stelt hun data te analyseren en op basis daarvan weloverwogen beslissingen te nemen. Dit wordt data-gedreven management genoemd, en onze klanten doen dat met kengetallen: de KPI’s.
Kunnen we niet bijvoorbeeld aan ChatGPT vragen: “Hier heb je mijn huuroverzicht, vertel me elke vastgoed-objecten te veel leegstand hebben?”
Wij blij, onze software is eenvoudiger, onze klanten blij, die kunnen met minder moeite hun werk doen.
Dat moet toch gewoon kunnen, de toekomst is nu hier toch?
Deze vraag hield me dan ook voortdurend bezig: Is dit mogelijk? Kan AI hiervoor worden ingezet?
Of algemener gesteld: kan ChatGPT worden gebruikt voor data-analyse?
Met meer dan 30 jaar ervaring in het bouwen van AI-software, heb ik een goed inzicht ontwikkeld in wat wel en niet haalbaar is. En helaas, helaas, ben ik tot de conclusie gekomen dat niet kan.
Hieronder zal eerst ingaan om waarom het kan, waarom ChatGPT dit soort vragen niet en nooit kan beantwoorden.
Om vervolgens positief te eindigen met wat ik hoop dat je wel kan doen.
Waarom ChatGPT je numerieke data niet kan analyseren
In tegenstelling tot wat velen denken, is de oorzaak niet omdat ChatGPT alleen goed is taal. Net zoals sommige leerlingen op de middelbare school zich beter een talenknobbel ontwikkelen dan een wiskunde knobbel, lijkt ChatGPT vooral sterk te zijn in taal.
ChatGPT is echter kunstmatig , is niet geboren met sterke en zwakke punten. Ik zie geen reden waarom dit niet beter kan. Per slot van rekening is het model van ChatGPT intern eigenlijk niet meer dan een enorme matrix vol met getallen; de training ervan bestaat uit het omzetten van woorden in getallen.
Nee, de we werkelijke oorzaak zit dieper. Duik mee.
ChatGPT weet het gewoon niet
Het werkelijke probleem is dat ChatGPT zijn kennis en kunde baseert op enorme hoeveelheden data die het vindt op het internet en uit talloze boeken.
Maar om onze vraag over ‘te veel leegstand’ te beantwoorden heeft ChatGPT een publiekelijk toegankelijke dataset over leegstandsgegevens nodig. Dergelijke informatie valt onder bedrijfsgeheimen en wordt niet openbaar gemaakt. Zelfs als deze informatie beschikbaar zou zijn, zou het nog steeds niet voldoende zijn. Er is namelijk geen universele maatstaf voor ’te veel leegstand’, aangezien dit afhankelijk is van diverse factoren zoals lokale omstandigheden, bedrijfsstrategieën, de cultuur van een land, en de variëteit in soorten vastgoedobjecten, en zelfs het moment dat je die vraag stelt.
ChatGPT maakt voorspellingen, wat riskant is bij big data
Het tweede probleem ligt in de voorspellende aard van een systeem als ChatGPT. Het systeem probeert altijd het volgende woord in een zin te raden, en dat gaat ook gelden voor getallen.
Ja, grote datasets zijn cruciaal voor het trainen van AI; hoe meer data, hoe beter. Echter, in de tegenovergestelde richting is er een probleem: hoe meer data je door ChatGPT voert, hoe groter de kans op fouten. Veel kleine fouten cumuleren tot hele grote fouten.
Effectief KPI-beheer met ChatKPI: de beloofde oplossing
Het idee om ChatGPT in te zetten bleef me intrigeren. Ik wilde uitzoeken hoe het zinvol kon worden toegepast om met data in onze applicatie te werken. Het is zeker fascinerende technologie, onze klanten tonen er interesse in, en als hightech bedrijf moeten we er altijd voor zorgen dat we ook op dit gebied voorop lopen.
We hebben een nuttige toepassing gevonden in de manier waarop klanten KPI’s vastleggen in onze applicatie. Het lijkt erop dat dit aanzienlijk beter kan met ChatGPT.
We hebben een proof of concept ontwikkeld voor deze toepassing, en die werkt!
Aan ons nu de schone taak dit in onze Actoren-applicatie te integreren. Aan dit project hebben we de passende naam ChatKPI gegeven.
Maar daarmee zijn we er nog lang niet.
Ai is de zekerste weg naar budget overschrijding
Het dilemma met AI is dat je snel een prototype hebt, fijn, maar dan ben je er nog lang niet.
Op basis van mijn AI-ervaring weet ik dat we dat we eigenlijk nog maar op 1% zijn.
Het daadwerkelijk toepassen van AI is wellicht niet de snelste weg, maar wel de zekerste weg naar budgetoverschrijding.
“Tussen droom en daad staan wetten in de weg en praktische bezwaren”, volgens dichter Elsschot. En zo ook hier.
De risico’s die we eerst moeten aanpakken
Aan dit op het eerste gezicht eenvoudige project zijn namelijk, als je wat dieper nadenkt, een groot aantal risico’s verbonden.
Deze risico’s omvatten bijvoorbeeld: platformrisico, platform en data penetratie, wettelijke aansprakelijkheid, ethiek, stabiliteit (LLM-drift), vergeetachtigheid, technische integratie, duurzaamheid, exponentiële kostengroei, dialoogbeheersing en meer.
Vanzelfsprekend moeten we deze eerst in kaart brengen en uitwerken hoe we ze gaan oplossen, voordat we daadwerkelijk aan de slag kunnen gaan. We willen immers niet halverwege het project ontdekken dat we een verkeerde afslag hebben genomen. Dat zou een verspilling van tijd en energie zijn en een te hoog afbreukrisico vormen.
Gelukkig konden we het eerste risico, het platformrisico snel aanpakken. We maken voor de integratie gebruik van Microsoft Azure AI, Microsoft sponsort ons daarin en we kunnen ook rekenen op de steun van hun AI-team.
Dit mag je niet vragen aan ChatGPT
n mijn vorige artikel besprak ik de zinloosheid van bepaalde vragen aan ChatGPT. Vragen zoals ‘bij welke panden is er te veel langdurige leegstand?’ vallen hieronder. ChatGPT begrijpt niet wat ’te veel’ of ‘langdurig’ betekent. En hoe meer data je uploadt naar ChatGPT, hoe groter de kans op fouten. ChatGPT is een generieke AI; fouten stapelen zich op. In de praktijk is het dus niet bruikbaar voor de analyse van data en al helemaal onbruikbaar voor big data.
Maar hoe houden we grip op enorme hoeveelheden data?
Vervelend, want er komt steeds meer data. Deze big data is niet alleen een technische uitdaging maar ook een managementuitdaging. Het is essentieel om inzicht te krijgen in wat er in deze gegevens gebeurt. En hier komt het belang van Key Performance Indicators, oftewel KPI’s, om de hoek kijken. KPI’s geven ons een duidelijk beeld van wat er gaande is, zodat we de juiste beslissingen kunnen nemen en snel kunnen reageren waar nodig. De computer doet hier het voorbereidende werk.
Wat is een KPI nu eigenlijk?
In onze Actoren applicatie hebben we natuurlijk een groot aantal generieke KPI’s ingebouwd, zoals het percentage en de duur van leegstand. Je kunt ze eenvoudig instellen op rood, oranje of groen wanneer ze een bepaalde waarde overschrijden. Onze software bevat handige KPI-indicatoren. In de video hieronder wordt dit verder uitgelegd.
Prachtig, maar in de praktijk van vastgoedbeheer schieten deze algemene KPI’s vaak tekort. Je wilt complexere berekeningen maken dan enkel of een bepaalde waarde wordt overschreden.
Daarom zijn wij bezig met het ontwikkelen van ChatKPI. Maar dat valt helaas niet mee. Meer hierover in Leugens, Grote Leugens, en Kunstmatige intelligentie