waardeschaal

Sentimentanalyse is een natuurlijke taalverwerkingstechniek die gericht is op het detecteren van de stemming of houding in teksten en gesprekken. Het wordt gebruikt om automatisch meningen op sociale media, gesprekken, beoordelingen of enquêtes te evalueren.

Het succes of falen wordt niet alleen bepaald door de cijfers, die snel kunnen veranderen, maar ook door de meningen. Hierbij gaat het vooral om de manier waarop we er over praten, ongeacht of we er een band mee hebben of niet.

Sentimentanalyse, ook wel ‘stemmingsdetectie’ genoemd, is gebaseerd op de geautomatiseerde evaluatie van commentaren om te bepalen of het positief of negatief bedoeld is. Hiervoor wordt gebruik gemaakt van methoden van ‘sentiment mining’ (zie ook data mining), dat wil zeggen de automatische analyse van in natuurlijke taal.

Natuurlijke taal bestaat niet uit positieve en negatieve lijsten; de betekenis ervan verandert afhankelijk van de context

Analysemethoden die zoeken naar woorden met een positieve of negatieve betekenis volgens een eerder samengesteld woordenboek dat geschikt is voor het onderwerp, bieden slechts een zeer ruw overzicht

De frequentie van woorden die als positief of negatief worden beschouwd in de context van de subjectieve evaluatie van een product, is niet betekenisvol

In sociale netwerken worden meningen niet altijd volgens de regels van de grammatica geformuleerd

Afhankelijk van de doelgroep kun je trends in taalgebruik vinden.

De belangrijkste taak van een sentimentanalyse is het bepalen van de algemene stemming binnen een gedefinieerde doelgroep. Naast beoordelingen, wordt er ook op sociale netwerken gezocht naar thematisch relevante berichten. En de tendens in gesprekken van de gedefinieerde doelgroep

Sentimentanalyses zijn bedoeld om de emoties te identificeren en vast te leggen om te bepalen wat de doelgroep daadwerkelijk bedoelde.

Sentimentanalyse biedt talloze voordelen, door de geautomatiseerde analyse van grote hoeveelheden data is het mogelijk om de meningen, houdingen en emoties gericht te analyseren en te benutten.

Sentimentanalyse wordt gebruikt in gebieden waar meningen, beoordelingen of stemmingen een rol spelen. En worden gebruikt om inzicht te krijgen in het gedrag om sneller te kunnen reageren.

Natural Language API is een voorbeeld van een programmeerinterface waarmee onder andere eenvoudige sentimentanalysemethoden onder de knie kunnen worden gekregen.

Naast de reeds genoemde Natural Language zijn er nog andere professionele analysetools die grote hoeveelheden data kunnen evalueren. Bij het selecteren van een tool is het belangrijk om te controleren of de tool de gekozen taal beheerst en woordenlijsten en databases bevat met typische zinnen in semantische contexten die door moedertaalsprekers zijn ontwikkeld. Elke taal heeft haar eigen nuances, zeker in de spreektaal. Een automatische vertaler kan die nuances niet weergeven zonder de sfeer van de data te vervormen.

Sentimentanalyse helpt bij het vinden van de emotionele toon. Het helpt om meningen en sentimenten te begrijpen die in sentimentdata worden uitgedrukt, wat belangrijk is voor toepassingen zoals monitoring, analyse van feedback en meer. Sentimentanalyse is ontworpen om data op social media en informeel taalgebruik te analyseren. En is het beste in het detecteren van sentiment, zoals tweets, recensies of reacties die straattaal, emoji’s en afkortingen bevatten. Het maakt gebruik van een vooraf samengesteld lexicon van woorden die geassocieerd worden met sentimentwaarden en past specifieke regels toe om sentimentscores te berekenen.

Analyseert de polariteit van woorden en kent aan elk woord een sentimentscore toe op basis van de emotionele waarde. Deze individuele woordscores worden vervolgens gecombineerd om een ​​algehele sentimentscore voor de hele tekst te berekenen.

Het gebruikt een samengestelde score, een genormaliseerde waarde tussen -1 en +1 die het algehele sentiment weergeeft:

Samengestelde score > 0,05: Positief sentiment

Samengestelde score < -0,05: Negatief sentiment

Samengestelde score tussen -0,05 en 0,05: Neutraal sentiment

De beoordelingen van de afzonderlijke zinnen resulteren in een totaalscore voor de sentimentdata, gebaseerd op een vooraf gedefinieerde waardeschaal.

wees voorzichtig

AI stelt ons in staat om sentimentanalyses uit te voeren op de mensen met wie we contact hebben.

Sentimentanalyse maakt gebruik van kunstmatige intelligentie om gezichtsbewegingen en spraak te scannen en conclusies te trekken over de stemming en betrokkenheid van de persoon. Het wordt ook wel emotionele AI genoemd en maakt deel uit van Human State Sensing. Het voedt zich met beeld- en spraakgegevens.

Sentimentanalysetools kunnen gebruikt worden om de emotionele toon van de gesprekken te meten, om medewerkers te helpen hun pitches te verbeteren. Het is een mooi voorbeeld, maar niet geheel representatief. Hier zijn enkele voorbeelden van hoe het ook kan worden gebruikt:

Om de effectiviteit van vergaderingen te vergroten door te zoeken naar mensen die te veel praten, te weinig luisteren, eindeloos doorpraten of minder betrokken lijken.

Om te beoordelen hoe tevreden een klant is met de geleverde dienst, zoals bij claims

Om de persoon te beoordelen op fraude

Om te peilen in hoeverre iemand heeft begrepen wat u hem of haar heeft verteld

Om de fysieke en/of mentale gezondheid van de persoon te beoordelen

Om de persoon te beoordelen op tekenen van kwetsbaarheid

Het gebruik van sentimentanalyse in dergelijke omstandigheden moet om verschillende redenen met de nodige voorzichtigheid worden uitgevoerd. Ten eerste is de wetenschap achter sentimentanalyse controversieel. De wetenschappelijke gemeenschap is verdeeld over hoe emoties zich uiten. Dit brengt een aanzienlijk risico met zich mee dat de analyse ons gewoon niet vertelt wat we denken.

Onderzoek naar sentimentanalyse heeft veel bewijs aan het licht gebracht dat het onaanvaardbare niveaus van vertekening oplevert. Het is goed in het analyseren van gezichten van blanke mannen, maar niet goed in bijvoorbeeld de gezichten van zwarte vrouwen.

De gegevens die door sentimentanalyse worden verwerkt vereisen in veel rechtsgebieden dat het bedrijf de gebruiker vertelt wat er wordt verzameld en hoe deze worden geanalyseerd. Gezien de voorkeur van bedrijven voor zeer generieke vormen van toestemming, introduceert sentimentanalyse een privacyrisico dat ver boven het gemiddelde ligt.

En laten we tot slot de houding van consumenten ten opzichte van de gegevens die bedrijven verzamelen en hoe ze die gebruiken niet vergeten. Onderzoek omschreef die houding in een enquête als een ‘dubbele lens van wantrouwen’. Een bedrijf kan het gebruik van sentimentanalyse dus niet loskoppelen van het soort relatie dat het met zijn klanten wil opbouwen. Het gebruik ervan zou geen neutrale stap zijn.

Hoe sentimentanalyse kan worden gebruikt bij claims, fraudebestrijding en klantenservice lijkt bij veel bedrijven bekend. Maar dat diezelfde technologie gebruikt kan worden om directie en personeel persoonlijk te beoordelen, is bij vele onbekend. Met andere woorden, we zien het eerste gebruik als ethisch en het tweede als onethisch.

Wat dit ons vertelt, is dat het afwegen van ethische kwesties zoals eerlijkheid en privacy niet los kan worden gezien van de positie van waaruit je ze afweegt. Tegenwichten zoals de drie verdedigingslinies zijn op zijn best ontoereikend. Deskundigen op dit gebied kunnen helpen, zolang er maar een is die data-ethiek serieus neemt.

Bij veel bedrijven wordt de sentimentanalyse als een acceptatietool voor bedrijven in de markt voor reputatierisico’s. Misschien zelfs voor een bedrijf om hun eigen reputatie in kaart te brengen. Op het eerste gezicht klinkt het handig en slim. Datastromen om overzichtelijke grafieken te maken in managementinformatiepakketten.

En dat zou het ook kunnen zijn, ware het niet dat de onderliggende wetenschap zo fel betwist wordt, er geen problemen zijn met privacy en toestemming, er geen sterk verhoogd risico op vooringenomenheid is, enzovoort.

Maken bedrijven gebruik van sentimentanalyse? Sommigen doen dat, en een paar bevinden zich in wat zij misschien een behoorlijk vergevorderd stadium vinden. Hebben ze een gefundeerde analyse gemaakt van de ethische risico’s die ermee gepaard gaan?

Wat we dan hebben, is een gebruik van dataanalyse dat een hoog reputatierisico met zich meebrengt. En dat risico zal bij de meeste bedrijven worden beheerd door juridisch advies en drie verdedigingslinies, die beide zwak zijn als het om ethiek gaat. Het probleem voor bedrijven is dat ze de komende drie jaar te maken kunnen krijgen met kritiek op hun gebruik van sentimentanalyse. Het is beter om zichzelf nu al aan te spreken, in plaats van te wachten op de meest destructieve kritiek.

Hoevelen van ons zijn ooit op een online geplaatste foto verschenen? Of hebben we gesproken met een spraakassistent zoals Alexa of Siri? Of gewoon via de telefoon met een bedrijf gesproken? De meesten van ons, zo niet allemaal, zullen dat de afgelopen jaren wel eens hebben gedaan. En dat betekent dat je een dataspoor achterlaat dat nu wordt gebruikt om je emoties te begrijpen en te volgen. Hoe gaan bedrijven hiermee om en wat zijn de ethische implicaties?

En aan die spraakinteracties kunnen we het aantal jaren toevoegen dat we onze foto’s al online zetten. Samen vormen deze spraak- en beeldopnames een enorm deel van onze digitale voetafdruk.

Die spraak- en beeldopnames zijn enorm veelzeggend. Terwijl winkelaankopen en locatiegegevens een bedrijf vertellen wat we doen en waar we het doen, vertellen spraak- en beeldgegevens een bedrijf veel meer over waarom we deden wat we deden en hoe we ons daarbij voelden. Spraak- en beeldgegevens openen een venster naar ons emotionele leven.

Dit zal sommige medewerkers niet verbazen. Spraakanalyse wordt immers al jaren gebruikt om claimfraude op te sporen. Wanneer ons telefonisch wordt gevraagd om de omstandigheden van het verlies in onze eigen woorden uit te leggen, worden we in feite onderworpen aan een leugendetectortest op afstand.

Daar zit echter iets bijna ouderwets aan. De nieuwe focus ligt minder op dergelijke persoonlijke interactie en meer op passieve dataverzameling. Deze verschuiving is ontstaan ​​doordat de kunstmatige intelligentie waarop spraak- en beeldanalyse is gebaseerd, zo uitgebreid mogelijk getraind moet worden. Hoe meer data het kan verwerken, hoe meer het over ons kan leren. En hoe beter het dan in staat is om te gaan van begrijpen hoe we er nu voor staan ​​naar waarnemen hoe we er in de toekomst uit zouden kunnen zien.

We bevinden ons midden in een significante verschuiving naar ‘sociaal luisteren’. Wat we zeggen op sociale media, hoe we eruit zien op die selfie en hoe we reageren op een online bericht, wordt steeds meer vastgelegd.

Bovendien verzamelen onze verschillende apparaten data, of het nu gaat om een ​​Apple Watch die je van je werkgever of verzekeraar krijgt, of via het telematica-apparaat in je auto. Bedrijven zijn nu klaar om deze stroom aan data volledig te benutten voor hun producten.

Wat al deze data samenbindt en waarde geeft, is de kunstmatige intelligentie (AI) die wordt gebruikt om al die inzichtelijke patronen en trends te ontdekken. En de waarde die het een bedrijf oplevert, zou enorm kunnen zijn. Samenvattend ‘zou kunnen’, want net als bij veel beslissingen in het leven en op het werk, zijn er keuzes. En hoe we op die keuzes reageren, bepaalt ons, en het bedrijf, in de ogen van klanten. We zouden veel kunnen doen, maar dat is niet hetzelfde als wat we zouden moeten doen. Daarin schuilt de ethische uitdaging die schuilt op het snijvlak van data over onze emoties, de analyses van kunstmatige intelligentie (AI) en de belangen van verzekeringsstrategen.

Nu spraak- en beelddata de data lakes van bedrijven zich vullen, vormt de toepassing van AI in veel sectoren op ons emotionele leven een van de fundamentele uitdagingen voor bedrijven. Dus hoe moeten bedrijven reageren op de uitdagingen die inherent zijn aan emotionele AI?

Die reactie moet rekening houden met de meeste functies binnen een gemiddelde bedrijf. Emotionele AI wordt al gebruikt bij acceptatie, denk aan al die ‘psychologische prijsstelling’ die wordt geïntroduceerd. En bij claims wordt het gebruikt om te meten hoeveel een claimant bereid is te accepteren als schikking. Marketing weet natuurlijk maar al te goed hoe belangrijk emotie is bij aankoopbeslissingen. En elk van deze functies weegt af hoe we van het begrijpen van ons emotionele heden naar het voorspellen van onze emotionele toekomst kunnen gaan.

Laten we eens een paar voorbeelden bekijken. Een toonaangevende bedrijf financiert onderzoek naar wat foto’s kunnen zeggen over je geestelijke gezondheid. Niet alleen je mentale gezondheid nu, maar ook hoe die zich in de toekomst zou kunnen ontwikkelen. Ze doen dit door middel van gezichtsanalyse, en met name hoe je lacht.

Dan is er de bedrijf met een zeer grote particuliere portefeuille die de data die uit de telematicaboxen van hun klanten komt, wil gebruiken om de stressgevoeligheid van de bestuurder te meten.

Deze voorbeelden maken allemaal gebruik van de data die over onze emoties wordt verzameld. En het vertelt ons dat ons emotionele leven wordt toegewezen een economische waarde. Een behoorlijk grote zelfs, gezien hoe duur dataverzameling en AI tegenwoordig zijn. En het rendement dat bedrijven ermee verwachten te verdienen, zal tweeledig zijn: marktaandeel en winstgevendheid. Met andere woorden, ze willen meer omzet, en betere omzet.

En wat is daar mis mee, zou je je kunnen afvragen. Het is een vraag die de moeite waard is om te stellen, maar vergeet niet dat het een vraag is die niet alleen gesteld moet worden binnen het kader van kortetermijnrendementen, maar ook binnen dat van langetermijnrendementen (meer daarover hier). Bedrijven zullen immers ook op de lange termijn betalen voor die datalakes en AI.

Er is nog iets anders dat belangrijk is op de lange termijn: vertrouwen en de reputatie van de markt. Emotionele AI roept een aantal enorm belangrijke ethische kwesties op, en hoe de sector daarop reageert, zal van invloed zijn op de duurzaamheid van die langetermijnrendementen. Zoals ik al eerder zei, kunnen tools zoals AI bedrijven doen denken dat ze dichter bij hun klant komen. Maar dat verwart nabijheid met intimiteit. Bij dat laatste draait het erom of de klant dichter bij je wil komen. En bedrijven verdienen dat door hun betrouwbaarheid.

Als je over emotionele AI leest, klinkt het als heel slim. Scan gewoon een foto en wij voorspellen je toekomstige mentale gezondheid. Draai aan het stuur en wij vertellen je wat voor type persoon je bent. Er ligt een nadruk, een gevoel van zekerheid, op hoe het inzicht in ons emotionele leven zich zal openbaren. Zoals een toonaangevende Europese bedrijf schreef: “emoties kunnen absoluut niet liegen”.

Helaas, waren mensen maar zo helder, zo transparant. Die bedrijven verwarren onze emoties met hun vermogen om emoties te lezen en te interpreteren. Met andere woorden, ze verwarren wie we zijn met wie ze denken dat we zijn. ‘Hé, leer er maar mee leven’, denk je misschien. Maar als die bedrijven zo vasthoudend zijn in wat hun emotionele AI hen over een klant vertelt, hoe gaan ze de claim van die klant dan eerlijk afhandelen? Het is een verschil dat telt.

En het is een verschil dat zijn wortels heeft in het wetenschappelijk begrip van onze emoties. Of beter gezegd, wetenschappelijke inzichten, want er zijn twee brede denkrichtingen als het gaat om het begrijpen van emoties. De ene is de categorische en de andere de dimensionale.

De categorische benadering stelt dat er een aantal primaire basisemoties zijn die diepgeworteld zijn in onze hersenen en universeel herkenbaar zijn. Het Facial Action Coding System is hier een voorbeeld van. Het is ontwikkeld rond een taxonomie van menselijke emoties en gezichtsuitdrukkingen. Deze systematisering van gezichtsuitdrukkingen is aantrekkelijk gebleken voor het bedrijfsleven, omdat het perfect aansluit bij al die clustering, categorisering en correlatie die de kern vormen van data en AI.

De dimensionale benadering verwerpt het idee van basisemoties. In plaats daarvan ziet ze emoties als linguïstisch en sociaal geconstrueerd. Neem bijvoorbeeld glimlachen. In Japan is glimlachen sterk afhankelijk van de sociale context en wordt het aangestuurd door unieke en complexe weergaveregels. Sommige kunnen bijvoorbeeld negatieve emoties aangeven.

Dit verschil is om twee redenen significant. Ten eerste is de categorische benadering aantrekkelijk gebleken voor het bedrijfsleven en ligt deze aan de basis van veel van de emotionele AI die sectoren zoals de verzekeringssector toepassen. Toch is deze benadering, in niet geringe mate, omstreden. De dimensionale benadering geniet aanzienlijke steun. Het gevaar voor bedrijven is dus dat ze een benadering van emotionele AI hanteren die hen de zekerheid biedt die de meeste bedrijven wensen, maar uiteindelijk ongelijk heeft. Of in ieder geval niet zo zeker gelijk als aanbieders van emotionele AI-systemen beweren.

De tweede reden waarom het verschil tussen de categorische en de dimensionale benadering belangrijk is, heeft te maken met privacy. Categorisch denken ziet emoties als lekken: met andere woorden, onze gezichten zeggen dingen over ons die we misschien niet willen onthullen. En bedrijven vinden dit leuk, want het betekent dat ze kunnen vertrouwen op wat die emotionele lekken signaleren, in plaats van op wat we zelf zeggen.

Dat argument van ‘emoties als lekken’ is belangrijk, omdat het leidt tot de opvatting dat onze gezichtsuitdrukkingen openbaar zijn. Ze zijn niet privé, omdat ze universeel zijn voor ons allemaal. En dit argument stelt aanbieders van emotionele AI in staat om het massaal verzamelen van gezichtsuitdrukkingen te rechtvaardigen.

Maar hoe zit het dan met de AVG, vraagt ​​u zich misschien af. Onze gezichtsuitdrukkingen zijn toch zeker persoonlijk identificeerbare informatie (PII)? Nou, dat hoeft niet zo te zijn, als u uw data en analyses zo organiseert dat ze net buiten de AVG vallen. Identificeerbare data wordt omschreven als ‘giftig’, omdat een bedrijf deze anders moet behandelen en er extra voor moet betalen, ondanks dat het weinig tot geen extra functioneel voordeel oplevert.

Onze gezichtsuitdrukkingen worden verzameld en geanalyseerd met behulp van targeting in kleine groepen en inferentiële analyses. Zolang de data geen verband houdt met een ‘geïdentificeerde of ideële’ als we het hebben over een ‘identificeerbare persoon’, is de AVG niet van toepassing. Inferentiële analyse wordt vervolgens gebruikt om wat er via targeting in kleine groepen is geleerd, terug te koppelen aan jou als marketing-, acceptatie- of claimdoelgroep.

Gegevens over onze emoties zijn gevoelig, niemand kan het tegendeel beweren. Maar dat betekent niet dat ze persoonlijk zijn. Het verschil is cruciaal.

Laten we het omdraaien. Hoewel de privacy van ons emotionele leven, naar mijn mening, belangrijk is voor ons allemaal, is er een andere manier om hierover na te denken. Die andere manier gaat over respect, zelfsturing en keuze. Het houdt in dat ons recht op autonomie boven de voordelen van verzekeringen en de richting die de sector inslaat, wordt gesteld. Ons gezicht en onze emoties worden door sommigen misschien als verhandelbaar beschouwd, maar willen we dat er op manieren die steeds duidelijker worden, inbreuk op wordt gemaakt?

Nu zouden bedrijven kunnen zeggen dat ze weinig keus hebben. Als er een risico bestaat dat iemand anders emotionele trackingtechnieken gebruikt om meer te weten te komen over de toekomstige stemmingen van een klant, dan zegt de marktconcurrentie dat zij hetzelfde moeten doen. Maar vergeet niet: Warren Buffett, heeft die uitdrukking ‘iedereen doet het’ omschreven als de drie gevaarlijkste woorden in het bedrijfsleven.

Bij de beslissing om technologische mogelijkheden zoals emotionele AI te introduceren, is het belangrijk dat bedrijven niet vergeten dat het publiek, en hun vertegenwoordigers in de overheid, dergelijke ontwikkelingen zullen bekijken vanuit het perspectief van sociale en ethische waarden, niet vanuit bedrijfswaarden. Marktdruk zal weinig uitmaken als bedrijven emotionele AI gaan inzetten om onze geestelijke gezondheid te voorspellen en hun producten en prijzen daarop aanpassen. Er zijn hier twee vragen, niet één: ‘kunnen we’ en ‘moeten we’. Stel nooit de eerste zonder de laatste.

betrokkenheid

Betrokkenheid is de ultieme maatstaf geworden. Omdat productiviteit en tevredenheid op de werkvloer nauw verbonden zijn met betrokkenheidsniveaus, geven organisaties prioriteit aan innovatieve oplossingen om de medewerkerservaring te monitoren.

Geavanceerde AI-gestuurde analyses, automatisering en realtime engagementplatforms herdefiniëren hoe er met medewerkers wordt omgaan, waardoor betrokkenheid een meetbare en uitvoerbare strategie wordt.

Het personaliseren van beloningen en erkennen prestaties in realtime lijkt hierdoor mogelijk. Sentimentanalyse en AI-gestuurde chatbots faciliteren doorlopende gesprekken met medewerkers die op elk moment van de werkdag kunnen worden gevolgd.

Het stimuleren van deze transformatie door AI, automatisering en voorspellende analyses wordt ingezet om slimmere, adaptievere werkomgevingen te creëren. Nu organisaties hun engagementstrategieën heroverwegen, zijn deze opkomende technologieën niet langer alleen operationele tools. Ze zijn strategische middelen om de toekomst van werk vorm te geven ook al worden ze zo niet gepresenteerd.

De betrokkenheid van medewerkers wordt verbeteren met disruptieve technologie omarmt om, leren, erkennen en feedback verbeteren voor zinvolle betrokkenheid gedurende de gehele werkcyclus van de medewerker te stimuleren. Met datagestuurde inzichten, automatisering en AI-gestuurde personalisatie – en veranderen om zo de manier waarop men betrokken is bij organisaties positief te bevorderen, van dag één tot het exitgesprek.

De werknemerservaring begint lang vóór de eerste werkdag. Een naadloos en aantrekkelijk recruitment- en onboardingproces legt de basis voor tevredenheid en productiviteit op de lange termijn.

Sentimentanalyses nemen vooroordelen weg en bieden gestructureerde inzichten voor betere wervingsbeslissingen.

Geautomatiseerde onboardingworkflows zorgen ervoor dat nieuwe medewerkers soepel in het bedrijf kunnen werken.

Gepersonaliseerde pre-boardingervaringen zorgen ervoor dat medewerkers zich al vanaf dag één verbonden voelen.

Door gebruik te maken van datagestuurde tools kunnen organisaties een aantrekkelijke eerste indruk creëren die een langdurige betrokkenheid bevordert.

Een sterke cultuur verhoogt de betrokkenheid en retentie aanzienlijk bijscholing zorgt dat een medewerker meer betrokken wordt.

Gepersonaliseerde cursussen aan op basis van individuele doelen. Microlearning en on-demand training bieden hapklare, boeiende leerervaringen.

Gamification en adaptief leren houden medewerkers gemotiveerd door middel van interactieve vaardigheidstraining.

Erkenning is een krachtige drijfveer voor betrokkenheid, maar traditionele, voor iedereen passende benaderingen werken niet meer. Bedrijven zien met geavanceerde erkenningsprogramma’s een toename in betrokkenheid.

AI-gestuurde erkenningsplatforms personaliseren beloningen op basis van de voorkeuren van medewerkers.

Realtime peer-to-peer erkenning bevordert een cultuur van waardering.

Ervaringsgerichte beloningen (bijv. reizen, wellnessretraites) creëren blijvende herinneringen die verder gaan dan financiële prikkels.

Open en transparante communicatie is essentieel voor betrokkenheid waarbij  tweerichtingscommunicatie als een belangrijke drijfveer voor betrokkenheid wordt beschouwd.

AI-gestuurde sentimentanalyse identificeert betrokkenheidstrends in realtime.

Continue pulse-enquêtes leggen veranderende behoeften en verwachtingen van medewerkers vast.

Voorspellende analyses helpen te anticiperen op uitdagingen op de werkvloer voordat deze optreden.

Presteren door effectief om te gaan met verstoringen. Het opzetten van een speciaal situationeel responsteam zorgt voor snelle aanpassing aan veranderende werkomgevingen. Om strategische positie te kunnen innemen op het snijvlak van werk, personeel en werkplek benutten.

Het responsteam moet belangrijke zakelijke stakeholders betrekken bij het ontwerpen, herhalen en uitvoeren van transitieplannen. Directe samenwerking met de directie is essentieel om doelstellingen af ​​te stemmen, obstakels weg te nemen en soepele communicatie te vergemakkelijken. Regelmatige gesprekken helpen de voortgang te volgen, bedrijfsprioriteiten te integreren en strategieën dienovereenkomstig aan te passen.

Een mensgerichte aanpak is essentieel bij het ontwerpen van strategieën. Het responsteam moet samenwerken met medewerkers, managers en leidinggevenden om hun directe en langetermijnbehoeften te begrijpen. In plaats van alleen prioriteit te geven aan een modern technologisch raamwerk ook rekening houden met het gehele personeelsbestand.

Externe en interne invloeden beoordelen die werkgedrag stimuleren.

Realtime data gebruiken om te anticiperen op veranderende behoeften en knelpunten.

Het herontwerpen van processen om praktische en gebruiksvriendelijke oplossingen te garanderen.

Een omgeving creëren waarin medewerkers bijdragen aan procesontwerp en -vereenvoudiging.

Werkrollen herevalueren om inefficiënties en belemmeringen te identificeren.

Experimenten stimuleren via pilotprogramma’s.

Verschuiven van traditionele SMART-doelen naar meer flexibele FAST-doelen (frequent, ambitieus, specifiek, transparant).

Teams in staat stellen om workflows te itereren en te verfijnen met voortdurende ondersteuning van het management.

Een strategische verschuiving naar technologiegedreven oplossingen is cruciaal om veerkrachtig te blijven te midden van verstoringen. Professionals moeten samenwerken met IT-leiders om bestaande systemen te vereenvoudigen en ervoor te zorgen dat deze de productiviteit van het personeel verhogen in plaats van belemmeren.

De databehoeften van het personeel begrijpen en tegelijkertijd redundante processen elimineren.

Technologische beperkingen aanpakken die de operationele efficiëntie beïnvloeden.

Uitdagingen documenteren en gerichte oplossingen ontwikkelen.

Technologiestrategieën moeten dynamisch zijn, met realtime aanpassingen op basis van continue feedback.

Analytics te gebruiken om te anticiperen op trends en technologische hiaten in het personeelsbestand.

Automatiseringsmogelijkheden te identificeren om repetitieve taken te stroomlijnen.

Transparantie te behouden door veranderingen en de reden daarvoor duidelijk te communiceren.

De responsfrequentie aan te passen, van dagelijkse updates tijdens crises tot maandelijkse reviews voor langetermijnplanning.

Technologie is niet langer slechts een ondersteunende functie, het is een strategische stimulans voor medewerkersbetrokkenheid, tevredenheid en behoud. Moderne oplossingen stellen organisaties in staat om uitgebreide programma’s te ontwikkelen voor beloningen, erkenning en welzijn, en zo een gemotiveerd personeelsbestand te bevorderen.

Met millennials en generatie Z die bijna de helft van de beroepsbevolking uitmaken, is de vraag naar directe, naadloze interacties nog nooit zo groot geweest. Selfserviceplatforms, AI-gestuurde chatbots en VR-gebaseerde engagementtools spelen in op deze verwachtingen, bieden flexibiliteit en verbeteren de algehele medewerkerservaring.

Bovendien biedt het de mogelijkheid om vaardigheidsontwikkeling werknemers continu te evalueren, wat aansluit bij hun voorkeur voor zelfgestuurde groei.

sentiment data

Realtime sentimentcoaching revolutioneert de manier waarop we individuele emoties tijdens interacties begrijpen en erop reageren. Een scenario waarin we strategie direct kunnen aanpassen aan de gevoelens die worden geuit, en zo een positievere en productievere omgeving creëren.

Door realtime sentimentdata te integreren, kunnen we strategieën direct verfijnen. Het begrijpen van emotionele signalen terwijl ze zich voordoen, stelt bedrijven in staat om problemen direct aan te pakken, waardoor het proces relevant en effectief blijft. Deze aanpassing leidt tot betere resultaten en bevordert een vertrouwensrelatie. Uiteindelijk is realtime sentimentcoaching de sleutel tot transformatieve ervaringen.

Real-time sentiment weerspiegelt een dynamische aanpak om partijk te verbeteren door middel van directe feedback op emotionele reacties. Deze methode is gebaseerd op het verzamelen en analyseren van sentimentdata uit interacties, wat cruciale inzichten biedt. Het begrijpen van dit concept begint met het erkennen van het belang van sentimentdata als indicator voor betrokkenheid en tevredenheid.

Om deze inzichten effectief te benutten, moet men rekening houden met de volgende belangrijke aspecten: Ten eerste moet het verzamelen van sentimentdata tijdig en relevant zijn, zodat we strategieën snel kunnen aanpassen. Ten tweede spelen analysetools een belangrijke rol bij het vertalen van ruwe data naar bruikbare inzichten. Ten slotte creëert de implementatie van deze inzichten een continue feedbacklus, waardoor technieken continu worden verfijnd op basis van realtime emoties. Door realtime sentiment te omarmen, kunnen we persoonlijkere en effectievere ervaringen creëren, wat uiteindelijk leidt tot betere resultaten.

Sentimentdata speelt een cruciale rol bij het verfijnen van strategieën in realtime. Inzicht in hoe individuen emoties uiten, helpt ons effectief in te spelen op hun behoeften. Wanneer we sentimentdata analyseren, kunnen we onderliggende problemen en patronen identificeren, wat tijdige interventies mogelijk maakt die groei en ontwikkeling bevorderen. Deze mogelijkheid is vooral belangrijk omdat het ons in staat stelt om ondersteuning op maat te bieden, zodat elk individu zich gehoord en gewaardeerd voelt.

Bovendien gaat realtime sentiment verder dan alleen het observeren van emoties; het stelt ons in staat om hun methoden proactief aan te passen op basis van echte inzichten. Door sentimentanalyse in hun praktijk te integreren, kunnen we een omgeving van vertrouwen en open communicatie creëren. Deze aanpak verbetert uiteindelijk de ervaring, wat leidt tot betere prestaties en tevredenheid voor alle betrokkenen. Het omarmen van sentimentdata is niet zomaar een trend; het is een essentiële strategie voor het behalen van effectieve resultaten.

Realtime sentiment heeft de kracht om procesen te revolutioneren door direct inzicht te bieden in de emoties en reacties. Daarbij kunnen we sentimentdata in realtime analyseren, waardoor we strategieën en tactieken aanpassen op basis van hoe we ons tijdens de sessies voelen. Deze responsieve aanpak zorgt ervoor dat de beleving relevant en gepersonaliseerd blijft en inspeelt op de behoeften zodra deze zich voordoen. Bovendien stelt realtime analyse ons in staat om trends en patronen in sentiment in de loop der tijd te identificeren. Door te volgen hoe emoties fluctueren gedurende een relatie, kunnen interventies effectiever worden afgestemd. Deze dynamische aanpassing bevordert niet alleen een sterkere relatie, maar maximaliseert ook de impact van inspanningen. Doordat we de potentie van sentimentdata benutten, kunnen ze een boeiendere en productievere omgeving creëren, wat uiteindelijk leidt tot betere resultaten. Het omarmen van realtime sentimentanalyse transformeert in een meer interactieve en responsieve reis.

Om realtime sentimentdata effectief te implementeren, is het essentieel om eerst emotionele inzichten te verzamelen en te interpreteren. Begin met het gebruik van tools die zijn ontworpen om gesprekken, feedback en interacties snel te analyseren. Deze inzichten geven ons een duidelijk beeld van de stemming, betrokkenheid en tevredenheid. Door regelmatig sentimentverschuivingen te monitoren, kunnen we uitdagingen en successen binnen de relatie identificeren.

Wanneer sentimentgegevens worden verzameld, wordt het aanpassen van tactieken cruciaal. We kunnen onze aanpak aanpassen op basis van de waargenomen emotionele reacties. Een plotselinge daling van sentiment kan bijvoorbeeld wijzen op de noodzaak om de focus te verleggen naar meer ondersteunende methoden. Door deze inzichten te omarmen, worden contacten responsiever en afgestemd op individuele behoeften, wat een effectievere en boeiendere ervaring bevordert. Deze aanpassing verbetert uiteindelijk het algehele traject en zorgt ervoor dat het relevant en impactvol blijft.

Om sentimentgegevens effectief te gebruiken, is het essentieel om een ​​gestructureerde aanpak te volgen. Begin met het verzamelen van relevante gegevens uit verschillende bronnen, zoals klantfeedback en interactielogs. Het analyseren van deze informatie biedt cruciale inzichten in de emotionele toon van cliënten of medewerkers. Door te begrijpen of sentimenten positief of negatief zijn, kunnen we patronen en reacties identificeren die onmiddellijke aandacht vereisen.

Interpreteer vervolgens deze inzichten om strategieën in realtime aan te passen. Als een aanzienlijk deel van de feedback bijvoorbeeld wijst op frustratie of verwarring, kunnen we strategieën aanpassen om deze sentimenten snel op te pakken. Door sentimentdata continu te monitoren, kunnen we onze tactieken aanpassen en ervoor zorgen dat we effectief inspelen op de emotionele behoeften. Deze proactieve houding versterkt niet alleen de betrokkenheid, maar voedt ook het vertrouwen, wat uiteindelijk bijdraagt ​​aan succesvollere resultaten.

social sentiment

Sociale netwerken zijn een van de belangrijkste bronnen geworden van uiteenlopende informatie die moeilijk numeriek te kwantificeren is. Miljoenen mensen bespreken dagelijks aandelenkoersen, ondanks dat ze niet direct betrokken zijn bij de aandelenmarkt.

Zelfs mensen met beperkte financiële kennis voelen de impact van marktschommelingen op de economie en hun persoonlijke vermogen. Deze emoties beïnvloeden de publieke opinie, waarmee bedrijven rekening moeten houden in hun strategieën.

Social Sentiment Analysis beoordeelt hoe mensen en de maatschappij reageren op gebeurtenissen die verband houden met effecten. In de huidige realiteit, waarin een virale tweet een beurscrash kan veroorzaken, is dit een krachtig en nuttig instrument geworden.

Sociale analyse is een technologie die wordt gebruikt om het emotionele klimaat en de reacties van internetgebruikers op specifieke gebeurtenissen te evalueren, vaak los van de economie. Emoties beïnvloeden het denken en handelen van mensen, wat cruciaal is voor bedrijven. Deze informatie helpt bij het voorspellen van veranderingen en kan deze subtiel beïnvloeden.

Voorheen was sentimentanalyse gebaseerd op officiële rapporten en mediapublicaties. Deze aanpak heeft echter een belangrijk nadeel: de informatie is vertraagd. Sociale media daarentegen bieden directe berichtgeving, maar analisten hebben moeite om grote hoeveelheden data in realtime te verwerken. AI helpt dit probleem op te lossen.

De belangrijkste gegevensbronnen voor sentimentanalyse zijn:

• Populaire sociale netwerken.

• Financieel gerichte forums.

• Financieel gerelateerde blogs.

• Nieuwsplatforms.

• Meningen van experts en verklaringen van publieke figuren.

Het laatste punt is cruciaal omdat het nieuws genereert en discussies tussen experts en het grote publiek op gang brengt. Sommige leiders gebruiken sociale media om de aandelenkoersen van hun bedrijven te beïnvloeden. Ze stellen hun berichten zorgvuldig op, zodat ze op meerdere manieren geïnterpreteerd kunnen worden. Dit maakt het moeilijk om zichzelf verantwoordelijk te houden, ondanks pogingen daartoe.

Er worden drie belangrijke methoden gebruikt voor sentimentanalyse:

• Natuurlijke taalverwerking (NLP) kan helpen bij het extraheren van informatie uit tekst en berichten.

• Sentimentcategorisering verdeelt sentimenten in ‘positief’, ‘negatief’ en ‘neutraal’, waarbij aan elke categorie een score wordt toegekend.

• Het identificeren van dominante emoties zoals angst, bezorgdheid en hebzucht binnen de samenleving is ook belangrijk.

AI die sociaal sentiment analyseert, helpt door veranderingen te volgen en te voorspellen hoe mensen zullen reageren.

Naarmate machine learning-technologieën verbeteren, zou de voorspellingsnauwkeurigheid van AI ook kunnen toenemen. AI zal de menselijke aard, emoties en motieven beter begrijpen.

De integratie van alternatieve databronnen, zoals webverkeer en app-data, zou kunnen helpen om dieper inzicht te krijgen in hoe mensen hun sentimenten uiten, niet alleen via berichten op sociale media, maar ook via andere activiteiten.

De combinatie van sentimentanalyse met blockchaintechnologie zou ook kunnen helpen bij het voorspellen van gebeurtenissen.

data ethiek

De voordelen van kunstmatige intelligentie zijn tijd, betere beslissingen en minder problemen. De AI werkt sneller dan mensen. Het leert ook informatie uit data. Kunstmatige intelligentie speelt nu een belangrijke rol in veel sectoren. Het maakt ons werk eenvoudiger en slimmer. AI voelt zich niet vermoeid, dus de resultaten verbeteren enorm. Het slaapt nooit; in tegenstelling tot mensen zal het nooit fouten maken.

Grote bedrijven gebruiken AI om de beste producten te laten zien. AI helpt ook bij het maken van advertenties. Het bepaalt het optimale tijdstip om berichten te verzenden. Dit helpt om meer te verkopen.

Stel je voor dat je, je als klant met enthousiasme uitspreekt over een nieuw project terwijl je een bestaande aankoop bespreekt. Dit eerste enthousiasme kan een goudmijn zijn voor upselling- of cross-sellingmogelijkheden. Het herkennen van deze signalen kan een aanzienlijke impact hebben op de verkoopgroei en klantrelaties.

Effectieve communicatie onthult niet alleen je directe behoeften, maar onthult ook potentiële interesses voor aanvullende producten of diensten. Door actief te luisteren naar en contact te leggen, wat uiteindelijk leidt tot meer tevredenheid en loyaliteit.

Deze signalen ontstaan ​​vaak tijdens interacties en bieden inzicht in de behoeften en voorkeuren. Door deze gedragingen nauwkeurig te analyseren, kunnen je patronen ontdekken die verkoopstrategieën informeren en de loyaliteit bevorderen.

Belangrijke signalen voor verbetering kunnen herhaalde vragen over specifieke producten of services, feedback die interesse in aanvullende artikelen aangeeft of uitingen van ontevredenheid. Bovendien kan het analyseren van veranderingen in aankoopfrequentie of grotere bestellingen dan normaal helpen identificeren wanneer je klaar bent voor een upsell-kans. Door deze signalen te herkennen, wat uiteindelijk leidt tot meer verkopen en een betere klanttevredenheid.

Door klanttransacties nauwkeurig te onderzoeken, kunnen gedragingen geïdentificeerd worden die duiden op potentiële upsell- of cross-sell-mogelijkheden. Deze patronen tonen vaak terugkerende aankopen of specifieke combinaties van producten die je prefereert. Het identificeren van deze correlaties is essentieel voor het begrijpen van voorkeuren en het maximaliseren van het omzetpotentieel.

Effectieve monitoring van je vragen en communicatie is cruciaal voor het identificeren van verkoopbevorderende signalen. Door interacties nauwlettend te volgen, kan er inzicht gekregen worden in de voorkeuren en behoeften. Dit proces omvat niet alleen het analyseren van oproepgegevens, maar ook het evalueren van de soorten vragen die we stellen.

Regelmatige beoordelingen van communicatietrends kunnen thema’s onthullen die kunnen duiden op gereedheid voor upselling of cross-selling. Als er bijvoorbeeld vaak vragen worden gesteld over gerelateerde producten, kan dit interesse in bredere oplossingen aangeven. Bovendien kan het evalueren van de toon en het sentiment van gesprekken helpen bij het meten van tevredenheid en gereedheid voor aanvullende aanbiedingen.

Door interacties zorgvuldig te analyseren, kunnen bedrijven signalen identificeren die wijzen op gereedheid voor extra aankopen. Vragen over specifieke producten of diensten kunnen bijvoorbeeld dienen als sterke hints voor potentiële upsell-situaties. Het identificeren van deze signalen helpt bij het begrijpen van de behoeften en voorkeuren van klanten, wat zorgt voor op maat gemaakte betrokkenheid.

Dit omvat het begrijpen van de taal die we gebruiken en het detecteren van de onderliggende intentie in je vragen. Bovendien kan het personaliseren van klanttevredenheid en vergroot de kans op aankoop. Alleen lijkt hierdoor het beslissen over een aankoop worden gestuurd zonder dat je dit als klant weet. Waardoor een gesprek met een bedrijf, vereniging of overheid je stuurt naar een uitkomst die ongewenst zou kunnen zijn.

ai in rechtspraak

De rechtbank Rotterdam heeft in een strafzaak Artificial Intelligence (AI) ingezet als ondersteunend (taal)hulpmiddel bij het opstellen van een strafvonnis. AI is niet gebruikt om te helpen met het nemen van de rechterlijke beslissingen.

De strafrechters en de gerechtsjurist (griffier) hebben AI gebruikt als schrijfhulp bij het opstellen van een concept voor de strafmotivering. De strafmotivering is het onderdeel van het strafvonnis waarin wordt uitgelegd hoe de rechtbank tot de straf is gekomen. Een belangrijk onderdeel van het strafvonnis voor de verdachte, de officier van justitie, het slachtoffer en de samenleving. De bij deze strafzaak direct betrokkenen zijn meteen nadat de uitspraak is gedaan over het gebruik van de AI en het uitgaan van dit persbericht geïnformeerd.

Bij het gebruik van de AI heeft de rechtbank de vertrouwelijkheid en integriteit van de strafprocedure vooropgesteld. Er is daarom zorgvuldig beoordeeld dat er geen privacygevoelige informatie en specifieke feiten in de AI-systemen werden ingevoerd die herleidbaar zijn tot de concrete zaak. De belangrijke kernwaarden van de Rechtspraak, in het bijzonder die van menselijke controle, transparantie en ethische waarborgen zijn daarbij en bij de verdere uitvoering van de proef steeds in het oog gehouden.

De suggesties en formuleringen die door de AI voor de strafmotivering zijn aangedragen op grond van ingevoerde korte algemene feiten en omstandigheden van de zaak zijn zorgvuldig beoordeeld en geselecteerd door de strafrechters en de griffier. Zij hebben daarbij gewerkt volgens de standaard werkwijze, waarin de griffier een concept maakt dat vervolgens door de strafrechters gezamenlijk is aangepast tot de definitieve strafmotivering. Van groot belang is daarbij dat AI geen beslissingen heeft genomen, beslissingen heeft voorbereid en/of afwegingen heeft gemaakt.

De rechters en griffier in de betreffende zaak zijn enthousiast over de resultaten van deze ‘samenwerking’ met technologie. Het gebruik van AI heeft niet alleen geleid tot een versnelde opstelling van de strafmotivering, maar heeft ook geresulteerd in een duidelijke structuur en indeling. 

Ondanks deze zeer positieve bevindingen van de proef, zijn de rechters en griffier van mening dat het gebruik van openbare AI-tools mogelijk niet vaak zal worden herhaald. De beperkte invoer van informatie in een openbaar AI-netwerk beperkt de effectiviteit van zulke toepassingen. Ook bestaat het risico dat er te veel informatie over de zaak op een te vroeg moment wordt gedeeld met de openbare AI, wat tot ethische en juridische complicaties kan leiden.

Een intern afgeschermd AI-systeem, speciaal ontworpen voor de Rechtspraak en dat alleen vertrouwelijke gegevens gebruikt, zou veel effectiever kunnen zijn. Volgens de bij de proef betrokken rechters en griffier  is een idee om alle gepubliceerde strafvonnissen op rechtspraak.nl in een afgeschermde database te verzamelen en te integreren in een afgeschermde beveiligde AI-toepassing. Dit zou strafrechters in staat stellen om relevantere en specifiekere informatie daarin in te voeren. Een reële verwachting is dat de AI die informatie kan genereren tot zeer bruikbare resultaten in de vorm van conceptstrafmotiveringen. 

Deze ontwikkeling biedt kans om binnen de strafrechtspraak verder te kijken naar het gebruik van AI in een ondersteunende vorm, terwijl belangrijke waarden behouden blijven. Op deze manier kunnen technologie en rechtspraak effectief hand in hand gaan.

bron rechtspraak.nl

datakwaliteit

Vertrouwen krijgen in data en datakwaliteit door middel van data lineage

Data wordt in grote hoeveelheden en soorten aangemaakt, geanalyseerd, rondgestuurd en gebruikt voor uiteenlopende doeleinden. Denk hierbij aan foto’s delen op social media, maar ook aan registratie van persoonsgegevens door overheidsinstanties. Bij gebruik van data is de oorsprong en kwaliteit hiervan niet altijd bekend. Maar ook wanneer data aangemaakt wordt, is er niet altijd zicht op hoe deze data gebruikt gaat worden. Voor een digitaler wordende rechtsstaat is het noodzakelijk om als maatschappij en overheid vertrouwen te kunnen hebben in data en de kwaliteit ervan—data lineage kan daaraan bijdragen, aldus een nieuw WODC-rapport.

Lees het volledige rapport

Wat is data lineage?

Inzicht krijgen in de levensloop van data door ontstaan, veranderingen en eindgebruik te registeren heet data lineage. Dit kan door informatie toe te voegen over de data, ook wel metadata genoemd.

Een voorbeeld van data lineage is dat wanneer iemand een foto maakt op vakantie, dat dan de naam van de fotograaf aan het bestand wordt toegevoegd, evenals de datum en de locatie van de foto. Voordat de foto gedeeld wordt op social media, wordt eerst een fotobewerkingsprogramma gebruikt om in-de-weg-staande toeristen te verwijderen. Ook deze handeling wordt toegevoegd aan de metadata van de foto.

Als iemand dan deze foto bekijkt op social media en metadata opvraagt, dan wordt duidelijk dat de foto bewerkt is. Iemand kan dan zijn eigen overwegingen maken om de foto wel of niet als betrouwbaar te zien. Context speelt hierbij ook een rol. De foto is een geschikte bron om te zien waar iemand op vakantie is geweest, maar niet noodzakelijk om de drukte op deze locatie in te schatten vanwege de bewerkingen.

Data lineage binnen het rechtsstelsel

Omdat binnen het Nederlandse rechtstelsel er steeds meer gebruik gemaakt wordt van algoritmische en data-gedreven instrumenten bij het vormen en uitvoeren van beleid, is data lineage cruciaal om te implementeren. Data genereren en uitwisselen binnen het rechtstelsel zijn versplinterd, waardoor niet altijd goed ingeschat kan worden waar de data zijn oorsprong heeft. Instrumenten die zicht bieden op de levensloop van data zijn daarom nodig om als gebruiker van deze data de juiste overwegingen te maken.

Het WODC-rapport schetst kaders waarbinnen data professionals binnen het Nederlands rechtsstelsel moeten gaan nadenken over oplossingen rondom data lineage. Daarnaast biedt het rapport handvaten welke (technische) aanpakken, methoden en instrumenten hiervoor gebruikt zouden kunnen worden, en welke voor- en nadelen deze hebben.

Bron persbericht WDOC

data wet

Vanaf 12 september 2025 moeten bedrijven voldoen aan de EU-Datawet.

Volgens de Datawet zijn de gegevens die worden gegenereerd bij het gebruik van slimme producten niet het eigendom van de fabrikanten, maar moeten ze ook toegankelijk en bruikbaar zijn voor gebruikers.

Bedrijven maken zich zorgen over hun bedrijfsgeheimen en de auteursrechtelijke bescherming van hun databases.

Met de Datawet wil de EU innovatie stimuleren. Maar de wet waaraan bedrijven zich vanaf 12 september 2025 moeten houden, is controversieel.

Digitale producten zoals slimme apparaten voor thuisgebruik, fitnesstrackers, verbonden voertuigen en Industrie 4.0-machines genereren steeds meer data. Platformen, cloudopslag en AI-toepassingen verzamelen ook enorme hoeveelheden informatie.

Volgens schattingen van de Europese Commissie wordt 80 procent van deze gegevens niet gebruikt. De gegevens kunnen worden gebruikt om nieuwe producten en diensten te ontwikkelen, wat tegen 2028 een extra BBP van 270 miljard euro zou opleveren.

De Europese Commissie gebruikte deze berekeningen om haar voorstel voor de Datawet in 2022 te rechtvaardigen. Het idee achter de nieuwe EU-verordening: gegevens die worden gegenereerd tijdens het gebruik van slimme producten, behoren niet toe aan de fabrikanten van de apparaten of machines, maar moeten ook toegankelijk en bruikbaar zijn voor gebruikers.

Zij kunnen verzoeken om overdracht van gegevens en metadata aan derden, bijvoorbeeld aan een start-up of ander innovatief technologiebedrijf. Hiermee wordt beoogd een prikkel te creëren om de gegevens te delen.

Leveranciers van slimme producten, vooral in de machine- en installatiebouw, maken zich grote zorgen over hun bedrijfsgeheimen. Velen vrezen dat hun gegevens gebruikt kunnen worden om concurrerende producten te ontwikkelen. Wij hebben de kansen en risico’s van de nieuwe EU-verordening onderzocht.

Fabrikanten moeten producten zo ontwerpen dat gebruikers toegang hebben tot de gegevens. Als aanbieders de gegevens niet rechtstreeks in het product kunnen uitlezen, zijn zij verplicht om de gegevens onmiddellijk en kosteloos ter beschikking te stellen aan de gebruikers – en in individuele gevallen zelfs continu en in realtime.

De Datawet maakt het makkelijker om te wisselen van cloudprovider (gegevensverwerkingsdienst), omdat gebruikers hun gegevens zonder problemen moeten kunnen migreren. Providers moeten zorgen voor interoperabiliteit, lock-in-effecten beperken en transparante contractvoorwaarden bieden. Zij zijn ook verplicht om de overgang binnen een redelijke termijn te ondersteunen, zonder daarvoor onredelijke kosten in rekening te brengen. Dit versterkt de concurrentie tussen aanbieders.

De reikwijdte van de Datawet omvat zowel persoonsgegevens als niet-persoonsgegevens. Op persoonsgegevens zijn ook de AVG en de Nederlandse wet op de gegevensbescherming van toepassing.

Gegevensbescherming is niet van toepassing op industriële gegevens. Het is echter waarschijnlijk dat slimme producten voor thuisgebruik veel gemengde gegevens genereren. Bij twijfel dienen deze te worden beschermd conform de AVG.

De verkrijgers van de gegevens moeten er daarom voor zorgen dat de gebruikers daadwerkelijk toestemming geven voor het beoogde gebruik van hun gegevens. Als het apparaat ook persoonsgegevens van derden registreert, moeten zij ook toestemming geven voor het gebruik ervan.

Fabrikanten en ontvangers van gegevens hebben duidelijke processen nodig voor toestemming, gegevensverwerkingsdoeleinden en anonimisering of pseudonimisering.

Met de Datawet wil de EU de data economie bevorderen en op gang brengen. Iedereen die een idee heeft dat data nodig heeft om het uit te voeren, moet de data kunnen krijgen. Maar wat als hij de gegevens gebruikt om concurrerende producten te produceren?

De Datawet regelt dit als volgt: In het gegevensoverdrachtscontract moet een verbod worden overeengekomen om de gegevens te gebruiken voor concurrerende producten. Er is echter op dit moment geen mogelijkheid tot toetsing of handhaving. Er is een groot risico aan verbonden.

Een mogelijk gevolg zou kunnen zijn dat sommige fabrikanten de voorzorg nemen om hun producten zo te ontwerpen dat ze minder gegevens verzamelen en meer ‘dom’ dan slim zijn.

Tot nu toe behoorden de gegevens toe aan de fabrikanten van de producten en machines. Dergelijke databanken kunnen auteursrechtelijk beschermd zijn. Bedrijven genoten daarom investeringsbescherming voor hun database-investeringen, waarop ze vertrouwden.

Volgens de Datawet moeten ze de gegevens nu vrijgeven. Hoewel de oorspronkelijke eigenaar van de gegevens , bijvoorbeeld de fabrikant, heeft recht op een vergoeding met een passende marge op grond van de Datawet.

In de praktijk is het echter noodzakelijk dat de betrokkene weet wie de gegevens gebruikt om een ​​dergelijke claim te kunnen indienen.

Ook de bescherming van bedrijfsgeheimen wordt verzwakt.

In individuele gevallen kunnen de gegevens ook bedrijfsgeheimen bevatten. Deze gegevens dienen beschermd te blijven onder de Datawet. Op grond van de Datawet mag de oorspronkelijke eigenaar van de gegevens weigeren de gegevens openbaar te maken als deze een bedrijfsgeheim bevatten en de bescherming van het bedrijfsgeheim niet op een andere manier kan worden gewaarborgd, of als er sprake is van uitzonderlijke omstandigheden die tot aanzienlijke schade kunnen leiden.

Een grotere beschikbaarheid van gegevens kan daadwerkelijk innovatie en groei stimuleren. Als gebruikers goed geïnformeerd zijn en bereid zijn hun gebruikersgegevens te verkopen, kunnen start-ups en andere ontwikkelaars van nieuwe producten en diensten gemakkelijker en goedkoper toegang krijgen tot gegevens.

Door de lagere mate van gegevensbescherming hebben bedrijven in landen als de VS en China gemakkelijker toegang tot gegevens dan Europese bedrijven en kunnen ze daardoor sneller innoveren.

Kopers van slimme producten kunnen in de toekomst geld verdienen door hun gebruikersgegevens te verkopen. U kunt er echter ook voor kiezen om uw gegevens niet te delen. Dit verhoogt fundamenteel de waarde en aantrekkelijkheid van de producten. Uiteindelijk kan het voor fabrikanten rendabel zijn om door te gaan met het produceren van slimme producten.

Om zich voor te bereiden op de Datawet, moet de industrie eerst een overzicht krijgen van de data en vervolgens een zinvol databeheersysteem opzetten, als dat nog niet bestaat. Dit is vooral belangrijk voor de naleving van de AVG. Op basis hiervan kunnen zij ervoor zorgen dat gebruikers toegang hebben tot gebruikersgegevens en deze kunnen raadplegen.

Bedrijven moeten hun contractvoorwaarden ook tijdig aanpassen aan de eisen van de Datawet. In dit kader zijn regelingen omtrent toegang tot gegevens, doorgifte aan derden en vergoeding van belang.

De Datawet zou innovatie juist kunnen bevorderen. Er zijn echter wel enkele uitdagingen bij de implementatie. Hiermee wordt voorkomen dat bedrijven gedwongen worden om bedrijfsgeheimen openbaar te maken. Er moeten ook effectieve voorzorgsmaatregelen worden genomen om ervoor te zorgen dat gebruikersgegevens niet door concurrenten worden gebruikt.

Wij zijn van mening dat de verplichting om een ​​contractuele overeenkomst aan te gaan, niet voldoende is. Anders zou de Datawet ook de innovatie kunnen afremmen, omdat slimme technologieën van meet af aan minder slim worden ontworpen om hun eigen investeringen te beschermen.

zo goed als de data

AI is alleen zo goed als de data die het leert. AI-aangedreven oplossingen stellen vaak dezelfde kritische vraag. Hoeveel data is genoeg om een ​​betrouwbaar en efficiënt model te trainen?

Velen geloven dat het voeden van een AI-systeem met zoveel mogelijk data het automatisch slimmer zal maken. Dat is niet altijd het geval. Als de data rommelig inconsistent of irrelevant is, zal het AI-model moeite hebben om zinvolle resultaten te leveren.

De focus zou moeten liggen op het verzamelen van hoogwaardige data die de beoogde functie direct kan ondersteunen. Een goed samengestelde dataset met diverse en relevante data zal beter presteren dan een enorme dataset vol redundantie en ruis.

De hoeveelheid benodigde gegevens is afhankelijk van de complexiteit van de sector en het vereiste nauwkeurigheidsniveau. De beste aanpak is om te beginnen met een beheersbare dataset, test de prestaties en verfijn het model indien nodig met aanvullende gegevens.

Elke sector heeft unieke gegevensvereisten om ervoor te zorgen dat AI zinvolle inzichten en betrouwbare prestaties levert. Meer gegevens betekent niet altijd betere inzichten. Een kleinere dataset met goed gestructureerde en hoogwaardige informatie zal beter presteren dan een enorme dataset vol inconsistenties.

Het waarborgen van de gegevenskwaliteit omvat het verwijderen van duplicaten, het corrigeren van inconsistenties en het diversifiëren van de dataset om scenario’s uit de echte wereld te dekken. AI-systemen die zijn getraind op nauwkeurige, goed gelabelde gegevens, zullen betere voorspellingen doen en betrouwbaardere ondersteuning bieden.

AI-modellen zijn vraatzuchtig en consumeren data in verbazingwekkende mate, maar na jaren van het horen over de overweldigende vloed aan data, blijkt dat de wereld van AI eigenlijk meer nodig heeft.

Een grote uitdaging is het risico van verminderde outputdiversiteit. Deze zelfreferentiële aanpak kan de diversiteit van modeloutputs beperken, waardoor er homogeniteit ontstaat in gegenereerde reacties. Het continu trainen van modellen op door AI gegenereerde tekst kan bijvoorbeeld resulteren in repetitieve content of te vereenvoudigde verhalen.

Synthetische data kan er voor zorgen dat er meer synthetische data is dan echte data in AI-modellen zal zijn, wat er uiteindelijk toe zal leiden dat het we worden overspoeld met synthetisch gegenereerde data. Als gevolg hiervan kunnen de doelen op het gebied van milieu, maatschappij en bestuur verder onder druk gezet worden, aangezien we AI-innovatie niet in evenwicht brengen met duurzaamheid.

Gezien deze uitdagingen moeten we slimmere strategieën hanteren om AI duurzaam en efficiënt te gebruiken. Eén oplossing is om te focussen op kleine taalmodellen, die grote taalmodellen verfijnen en reduceren tot een zeer specifieke, geconcentreerde vorm.

Een belangrijke overweging voor duurzame AI-ontwikkeling is het moderniseren van de data-infrastructuur. Naarmate AI groeit, groeit ook de behoefte aan slimmere, energiezuinigere systemen. We moeten verder kijken dan GPU-vermogen om innovatie in evenwicht te brengen met duurzaamheid en de omliggende infrastructuur te verbeteren.