Wat kunnen Nederlandse bedrijven leren van Amerikaanse data wizard Palantir?

Palantir werkt voor inlichtingendiensten, legers en politiediensten in de VS en meerdere Europese landen, waaronder Engeland, Duitsland én Nederland. Zijn slimme data-oplossingen detecteren ‘patronen, netwerken en dreigingen’, bijvoorbeeld bij het opsporen van ‘terroristen, fraudeurs of vijandige troepenbewegingen’.

Maar hiernaast werken ook steeds meer bedrijven (banken, industrie, energie, gezondheidszorg) met Palantir-platforms als Foundry en het nieuwere Artificial Intelligence Platform (AIP). Voor beide soorten klanten levert het databedrijf uit Denver, Colorado naar eigen zeggen een ‘Operating system for global decision making’.

Wat is dat precies, en hoe maakt Palantir die ambitieuze claim waar? Dat zit zo: wereldwijd proberen miljoenen bedrijven op dit moment hun eigen data op effectieve wijze aan de denkkracht van grote AI-modellen te koppelen. Bedrijven die daarin slagen, zien het succes van hun AI-pilots sterkstijgen. Palantir heeft hiervoor een oplossing in huis.

Die oplossing draait mede om het in AI-kringen veelbesproken begrip 'ontologie'. Eenvoudig gezegd is een ontologie een afsprakenstelsel over hoe de wereld in data wordt beschreven: welke soorten dingen of ‘entiteiten’ er zijn (bijvoorbeeld "klant" of "transactie"), welke eigenschappen ze hebben (adres, bedrag, locatie, tijdstip) en hoe ze met elkaar samenhangen.

Gespecialiseerde databedrijven slaan al die stukjes informatie en hun onderlinge relaties op in zogenaamde knowledge graphs. Vaak gaat het dan met name om de semantische relaties, die iets zeggen over de betekenis. Stel dat een telecombedrijf de begrippen 'klant', 'storing' en 'korting' inhoudelijk aan elkaar koppelt.

Een AI-model ‘begrijpt’ dan sneller dat een klant die een storing meldt mogelijk recht heeft op compensatie, en kan op basis daarvan zelfstandig stappen voorstellen om het verlies van ontevreden klanten te beperken.

Indrukwekkend, maar Palantir gaat nog een paar stappen verder. Het legt niet alleen vast wát er voor entiteiten binnen een organisatie relevant zijn, maar ook hoe die met elkaar interacteren, en waaróm. Op basis van welke informatie worden beslissingen genomen, welke opties speelden bij eerdere beslissingen en wat was het uiteindelijke resultaat?

Terug naar het telecomvoorbeeld: in een gewone knowledge graph weet het AI-systeem dat klant, storing en korting met elkaar samenhangen. Met een geavanceerde knowledge graph als die van Palantir kan het systeem ook daadwerkelijk handelen op basis van die kennis. Het kan de korting automatisch toekennen, een zelf opgestelde excuusmail versturen of in bijzondere gevallen een medewerker aanhaken.

Voor organisaties die alle resulterende data op geavanceerde wijze verwerken wordt het bovendien ook nog mogelijk om de resultaten van eerder gemaakte beslissingen en acties met elkaar te vergelijken. Krijgen klanten die automatisch een korting ontvingen inderdaad minder vaak ruzie met de klantenservice? Blijven ze langer klant dan de groep die alleen een excuus ontving?

Zo kan een AI-systeem niet alleen zelfstandig actie ondernemen, maar ook nog leren van zijn eigen gedrag. Steeds meer AI-voorlopers zijn op dit moment bezig om kernactiviteiten als klantenservice volledig opnieuw in te richten rond deze zelflerende AI-systemen. Bij Rewire noemen we dat AI-native werken.

Deze AI-native bedrijven leren sneller van hun interacties met klanten, en kunnen mede daardoor ook sneller reageren op nieuwe ontwikkelingen of klantbehoeftes. Nederlandse organisaties die hier ook mee aan de slag willen kunnen ook zonder Palantir. Je begint simpelweg bij het loslaten van je menselijke bril, en het stellen van de vraag: hoe radicaal kunnen we onze werkwijze vernieuwen met AI-technologie als startpunt?