versie van dit artikel vertaald door Marisela Ordez Technologie voor algemeen gebruik is een term die economen reserveren voor technologieën die langdurige economische groei en maatschappelijke vooruitgang stimuleren en een revolutie teweegbrengen in de activiteiten van zowel huishoudens als bedrijven. Een voorbeeld van een technologie voor algemeen gebruik is elektriciteit. Elektriciteit bracht een veelheid aan producten en sectoren voort, waaronder koelkasten, wasmachines, treinen en natuurlijk computers. De komst van elektriciteit heeft de wereld ingrijpend veranderd.
Een recent artikel in Harvard Business Review benoemt kunstmatige intelligentie (AI) als de belangrijkste technologie voor algemeen gebruik van onze tijd . We kennen de kracht van AI. Het manifesteert zich in de vorm van een robot die een wereldberoemde schaker verslaat. Een auto die zichzelf kan inparkeren. Apparaten die reageren op het weer van morgen als we erom vragen. Maar veel van ons contact met - en begrip van - AI draait om producten die ons dagelijks leven als consument beïnvloeden. Op organisatorisch niveau is er een grotere vraag over hoe AI industrieën zal ontwrichten, en specifiek, hoe financiële diensten AI zullen benutten.
In het volgende artikel worden kunstmatige intelligentie, de gerelateerde technologieën, de omvang van de totale AI-industrie en de toepassingen van kunstmatige intelligentie in de financiële wereld gedefinieerd. Dit stuk is niet bedoeld om een normatief oordeel te geven over AI-ontwikkeling; het zal zich eerder richten op hoe AI de financiën verstoort.
Kunstmatige intelligentie is een gebied van de informatica dat zich richt op het creëren van intelligente machines die functioneren als mensen. AI-computers zijn ontworpen om menselijke functies uit te voeren, waaronder leren, besluitvorming, planning en spraakherkenning.
Kunstmatige intelligentie stelt machines in staat hun prestaties voortdurend te verbeteren zonder dat mensen voorgeschreven instructies geven over hoe ze dat moeten doen. Dit is om een aantal redenen belangrijk. Ten eerste weten mensen meer dan wij kunnen vertellen. Dat wil zeggen, mensen kunnen een gezicht herkennen of een slimme strategie uitvoeren in een schaakspel. Vóór de geavanceerde kunstmatige-intelligentietechnologie betekende het onvermogen van mensen om onze kennis te verwoorden echter dat we veel taken niet konden automatiseren. Ten tweede is AI-technologie bovenmenselijk in uitvoering en werkt ze sneller en vaak nauwkeuriger dan mensen.
Kunstmatige intelligentie omvat een veelheid aan mogelijkheden en technologieën. Adviesbureau PWC benadrukt dat AI “geen monolithisch vakgebied is. Het omvat een aantal dingen die allemaal bijdragen aan ons idee van wat het betekent om 'intelligent' te zijn.' Hieronder staan enkele van de meest populaire gebieden van AI:
Uiteraard is deze lijst niet volledig. Zie hieronder voor een breder scala aan onderwerpen en technologieën op het gebied van kunstmatige intelligentie.
Het eerder genoemde artikel in Harvard Business Review voorspelt dat “de effecten van AI in het komende decennium groter zullen worden, aangezien productie, detailhandel, transport, financiën, gezondheidszorg, wetgeving, reclame, verzekeringen, entertainment, onderwijs en vrijwel elke andere industrie hun kernprocessen en bedrijfsmodellen om te profiteren van machine learning. Het knelpunt zit in beheer, implementatie en zakelijke verbeeldingskracht.”
De wijdverbreide toepassing van AI in alle sectoren zal naar verwachting leiden tot een wereldwijde omzet van $ 12,5 miljard in 2017 en $ 47 miljard in 2020 met een samengesteld jaarlijks groeipercentage (CAGR) van 55,1% van 2016 tot 2020. Met name de industrieën die het meest zullen investeren in de technologie zijn bankieren en detailhandel, gevolgd door gezondheidszorg en productie. In totaal zullen deze vier sectoren in 2016 goed zijn voor meer dan de helft van de wereldwijde AI-inkomsten, waarbij de bank- en retailsector elk bijna $ 1,5 miljard opbrengen.
In alle sectoren zullen de grootste AI-investeringen in 2017 plaatsvinden in gebieden zoals geautomatiseerde klantenservicemedewerkers, geautomatiseerde dreigingsinformatie en fraudeanalyse (zie onderstaande grafiek). Volgens Jessica Goepfert, programmadirecteur bij marktonderzoeksbureau IDC:"Op korte termijn zijn er kansen voor cognitieve systemen in sectoren als bankieren, effecten en investeringen, en productie. In deze segmenten vinden we een schat aan ongestructureerde data, een verlangen om inzichten uit deze informatie te benutten en een openheid voor innovatieve technologieën.” In het volgende gedeelte van dit artikel wordt ingegaan op de verschillende gebruiksscenario's voor kunstmatige intelligentie in de financiële dienstverlening.
Kunstmatige intelligentie in financiën zou de operationele efficiëntie kunnen verhogen op gebieden variërend van risicobeheer en handel tot acceptatie en claims. Hoewel sommige toepassingen relevanter zijn voor specifieke sectoren binnen de financiële dienstverlening, kunnen andere toepassingen over de hele linie worden gebruikt.
Kunstmatige intelligentie is uiterst waardevol gebleken als het gaat om beveiliging en fraudedetectie. Traditionele methoden voor fraudedetectie omvatten computers die gestructureerde gegevens analyseren aan de hand van een reeks regels. Een bepaald betalingsbedrijf kan bijvoorbeeld een drempel voor overboekingen instellen op $ 15.000, zodat elke transactie die dat bedrag overschrijdt, wordt gemarkeerd voor verder onderzoek. Dit type analyse levert echter veel valse positieven op en vereist veel extra inspanning. Misschien nog belangrijker, cybercriminaliteitsfraudeurs veranderen regelmatig van tactiek. Daarom moeten de meest effectieve systemen steeds slimmer worden.
Met geavanceerde leeralgoritmen, zoals die van deep learning, kunnen nieuwe functies aan het systeem worden toegevoegd voor dynamische aanpassing. Volgens Samir Hans, een adviserend directeur bij Deloitte Transactions en Business Analytics LLP:"Met cognitieve analyse kunnen modellen voor fraudedetectie robuuster en nauwkeuriger worden. Als een cognitief systeem iets uitschakelt dat het als potentiële fraude beschouwt en een mens bepaalt dat het geen fraude is vanwege X, Y en Z, leert de computer van die menselijke inzichten en stuurt hij de volgende keer geen soortgelijke detectie jouw kant op . De computer wordt steeds slimmer.”
Neem bijvoorbeeld betalingsgigant PayPal en zijn geavanceerde fraudeprotocollen. Vanwege zijn schaal en zichtbaarheid heeft PayPal "een enorm doelwit op zijn rug". Het verwerkte in 2015 $ 235 miljard van vier miljoen transacties door zijn 170 miljoen klanten. PayPal heeft echter de beveiliging kunnen verbeteren door gebruik te maken van deep learning-technologie. In feite is de fraude van PayPal relatief laag met 0,32% van de omzet, een cijfer dat veel beter is dan het gemiddelde van 1,32% dat verkopers zien.
In het verleden gebruikte PayPal eenvoudige, lineaire modellen. Tegenwoordig ontginnen de algoritmen gegevens uit de aankoopgeschiedenis van een klant en beoordelen ze patronen van waarschijnlijke fraude die zijn opgeslagen in de groeiende databases. Terwijl een lineair model 20-30 variabelen kan verbruiken, kan deep-learningtechnologie duizenden datapunten afdwingen. Deze verbeterde mogelijkheden helpen PayPal om onschuldige transacties te onderscheiden van verdachte transacties. Volgens Hui Wang, PayPal's Senior Director of Global Risk Sciences:"Wat we genieten van modernere, geavanceerdere machine learning, is het vermogen om veel meer gegevens te verbruiken, lagen en lagen van abstractie aan te kunnen en dingen te kunnen 'zien' [... ] zelfs mensen kunnen misschien niet zien."
Jarenlang vertrouwden investeringsbeheermaatschappijen op computers om transacties uit te voeren. Ongeveer 1.360 hedgefondsen, die 9% van alle fondsen vertegenwoordigen, vertrouwen op grote statistische modellen die zijn gebouwd door datawetenschappers die vaak doctoraten in de wiskunde hebben (ook wel bekend als 'quants'). Deze modellen maken echter alleen gebruik van historische gegevens, zijn vaak statisch, vereisen menselijke tussenkomst en presteren minder goed als de markt verandert. Bijgevolg migreren fondsen steeds meer naar echte kunstmatige-intelligentiemodellen die niet alleen grote hoeveelheden gegevens kunnen analyseren, maar ook zichzelf blijven verbeteren.
Deze nieuwe technologieën maken gebruik van complexe technieken, waaronder deep learning, een vorm van machinaal leren die Bayesiaanse netwerken worden genoemd, en evolutionaire berekeningen, die zijn geïnspireerd op genetica. AI-handelssoftware kan enorme hoeveelheden gegevens absorberen om meer te weten te komen over de wereld en voorspellingen te doen over de financiële markt. Om wereldwijde trends te begrijpen, kunnen ze alles consumeren, van boeken, tweets, nieuwsberichten, financiële gegevens, winstcijfers en internationaal monetair beleid tot schetsen van Saturday Night Live.
Voor alle duidelijkheid, het bovenstaande verschilt van hoogfrequente handel (HFT), waarmee handelaren binnen enkele seconden miljoenen orders kunnen uitvoeren en meerdere markten kunnen scannen, waarbij ze op kansen reageren op manieren die mensen gewoon niet kunnen. De hierboven besproken AI-gestuurde platforms zijn op zoek naar de beste transacties op de langere termijn, en machines - niet mensen - bepalen de strategie.
Sommige van deze AI-handelssystemen zijn ontwikkeld door startups. Het in Hong Kong gevestigde Aidiya is bijvoorbeeld een volledig autonoom hedgefonds dat al zijn aandelentransacties uitvoert met behulp van kunstmatige intelligentie (AI). "Als we allemaal dood gaan", zegt mede-oprichter Ben Goertzel, "zou het blijven handelen." Traditionele instellingen zijn ook geïnteresseerd in AI-handelstechnologie. In 2014 leidde Goldman Sachs de Series A-financieringsronde van en begon met het installeren van een AI-handelsplatform genaamd Kensho. Aan Kensho's Series B-ronde namen naast S&P Global ook de zes grootste banken van Wall Street (Goldman Sachs, JPMorgan Chase, Bank of America Merrill Lynch, Morgan Stanley, Citigroup en Wells Fargo) deel.
Een recent onderzoek uitgevoerd door investeringsonderzoeksbureau Eurekahedge volgde de prestaties van 23 hedgefondsen die AI gebruikten van 2010-2016, en ontdekte dat ze beter presteerden dan die welke werden beheerd door meer traditionele quants en gegeneraliseerde hedgefondsen.
Het zal interessant zijn om te zien hoe AI de handelsarbeidsmarkt zal beïnvloeden. De effecten zijn al zichtbaar bij enkele grote bankinstellingen. In 2000 had Goldman Sach's US cash equity trading desk op het hoofdkantoor in New York 600 handelaren in dienst die aandelen kochten en verkochten. Tegenwoordig heeft het twee aandelenhandelaren, terwijl machines de rest doen. Daniel Nadler, CEO van Kensho, verklaart:"Over 10 jaar zal Goldman Sachs qua personeelsbestand aanzienlijk kleiner zijn dan nu." En wat de quants betreft, ze merken misschien dat er minder vraag is naar hun vaardigheden bij vermogensbeheerders.
Momenteel wordt ongeveer een derde van de afgestudeerden van topprogramma's voor het bedrijfsleven gebruikt voor financiën. Waar zou een aantal van de beste talenten van het land naartoe verhuizen? Mark Minevich, senior adviseur van de U.S. Council on Competitiveness, is van mening dat "Sommige van deze slimme mensen zullen verhuizen naar technische startups, of zullen helpen bij het ontwikkelen van meer AI-platforms, of autonome auto's of energietechnologie [...] New York zou kunnen concurreren met Silicon Valley in tech.”
Robo-adviseurs zijn digitale platforms die geautomatiseerde, op algoritmen gebaseerde financiële planningsdiensten bieden met minimaal menselijk toezicht. Terwijl menselijke financiële managers sinds het begin van de jaren 2000 geautomatiseerde portefeuilletoewijzing gebruiken, moesten beleggers adviseurs in dienst nemen om van de technologie te profiteren. Tegenwoordig geven robo-adviseurs klanten directe toegang tot de service. In tegenstelling tot hun menselijke tegenhangers, houden robo-adviseurs de markten non-stop in de gaten en zijn ze 24/7 beschikbaar. Robo-adviseurs kunnen investeerders ook tot 70% kostenbesparingen bieden en vereisen doorgaans een lager of geen minimum om deel te nemen.
Tegenwoordig kunnen robo-adviseurs helpen met de meer repetitieve taken zoals het openen van een rekening en het overdragen van activa. Het proces houdt doorgaans in dat klanten eenvoudige vragenlijsten beantwoorden over risicobereidheid of liquiditeitsfactoren, die robo-adviseurs vervolgens vertalen in beleggingslogica. De meeste huidige robo-adviseurs streven ernaar hun klanten toe te wijzen aan beheerde ETF-portefeuilles op basis van hun voorkeuren. Verwacht wordt dat de mogelijkheden in de toekomst zullen evolueren naar meer geavanceerde aanbiedingen zoals automatische activaverschuivingen en uitgebreide dekking voor alternatieve activaklassen zoals onroerend goed.
Robo-advies kan een grote impact hebben op de sectoren persoonlijke financiën en vermogensbeheer. Terwijl de huidige totale activa onder beheer (AUM) van robo-adviseurs slechts $ 10 miljard vertegenwoordigen van de $ 4 biljoen van de vermogensbeheersector (minder dan 1% van alle beheerde accountactiva), schat een onderzoek van Business Insider dat dit cijfer zal stijgen tot 10% in 2020 Dit komt neer op ongeveer $ 8 biljoen AUM.
Spelers in de sector hebben verschillende benaderingen van robo-advies aangenomen. Kleinere vermogensbeheerders voegen algoritmische componenten toe om hun beleggingsbeheer te automatiseren, kosten/vergoedingen te verlagen en te concurreren met robo-adviseurs. Aan de andere kant kopen gevestigde beleggingsondernemingen bestaande robo-adviseurs, zoals de overname van Jemstep door Invesco, of creëren ze hun eigen robo-adviseuroplossingen, zoals FidelityGo en Schwab's Intelligent Advisory.
De algemene consensus onder experts is dat de mens onmisbaar zal blijven. De menselijke maat blijft van cruciaal belang, aangezien adviseurs klanten in moeilijke financiële tijden nog steeds moeten geruststellen en overtuigen met nuttige oplossingen. Uit een onderzoek van adviesbureau Accenture blijkt dat 77% van de vermogensbeheerklanten hun financiële adviseurs vertrouwt, terwijl 81% aangeeft dat persoonlijke interactie belangrijk is. Voor klanten met complexe investeringsbeslissingen wint het hybride adviesmodel, dat geautomatiseerde diensten koppelt aan menselijke adviseurs, terrein.
Hoewel financieel adviseurs centraal blijven staan, kunnen robo-adviseurs voor verschuivingen in hun functieverantwoordelijkheden zorgen. Met AI die repetitieve taken beheert, kunnen investeringsmanagers de verantwoordelijkheden van een datawetenschapper of -ingenieur op zich nemen, zoals het onderhouden van het systeem. Mensen kunnen zich ook meer richten op het opbouwen van klantrelaties en het uitleggen van de beslissingen die de machine heeft genomen.
Verzekeringen zijn afhankelijk van de risicobalans tussen groepen mensen; verzekeraars groeperen vergelijkbare mensen, en sommige mensen zullen uitbetalingen nodig hebben, terwijl anderen dat niet zullen doen. De industrie is opgebouwd rond risicobeoordeling; verzekeringsmaatschappijen zijn geen onbekenden met data-analyse. AI kan echter de hoeveelheid geanalyseerde gegevens uitbreiden, evenals de manieren waarop deze kunnen worden gebruikt, wat resulteert in nauwkeurigere prijzen en andere operationele efficiëntie.
Startups lopen voorop om de industrie vooruit te helpen. Volgens Henrik Naujoks, partner bij Bain &Co:“De start-ups laten zien wat er kan en kan. Veel zittende leidinggevenden kijken ernaar - ze begrijpen het niet echt, maar ze willen erbij betrokken raken." Ook beleggers hebben deze trend opgevangen (zie hieronder). In 2016 was AI een van de meest populaire thema's voor investeringen in verzekeringstechnologie.
Een PWC-rapport voorspelt dat AI tegen 2020 een aanzienlijke hoeveelheid acceptatie zal automatiseren, vooral in volwassen markten waar gegevens beschikbaar zijn. Momenteel evalueert een verzekeraar met behulp van computersoftware en actuariële modellen de risico's en blootstellingen van potentiële klanten, hoeveel dekking ze moeten krijgen en hoeveel ze daarvoor in rekening moeten worden gebracht. Op korte termijn kan AI helpen bij het automatiseren van grote hoeveelheden acceptatie in auto-, woning-, bedrijfs-, levens- en groepsverzekeringen. In de toekomst zal AI de modellering verbeteren en belangrijke overwegingen voor menselijke besluitvormers benadrukken die anders onopgemerkt zouden zijn gebleven. Er wordt ook voorspeld dat geavanceerde AI gepersonaliseerde acceptatie door bedrijf of individu mogelijk zal maken, rekening houdend met uniek gedrag en unieke omstandigheden.
Verbeterde acceptatie kan niet alleen gebruikmaken van machine learning voor datamining, maar ook van draagbare technologie en deep learning gezichtsanalysatoren. Zo wil Lapetus, een startup, selfies gebruiken om de levensverwachting nauwkeurig te voorspellen. In hun voorgestelde model zullen klanten hun zelfportretten e-mailen, die computers vervolgens zullen scannen en analyseren, waarbij duizenden regio's van het gezicht worden geanalyseerd. De analyse zou alles in overweging nemen, van elementaire demografie tot hoe snel de persoon ouder wordt, hun body mass index en of ze roken. Bovendien zou draagbare technologie het acceptatieproces meer op samenwerking kunnen richten. In plaats van te vertrouwen op langdurige medische controles en ingewikkelde contractprocessen, kunnen wearables realtime inzicht geven in de gezondheid en het gedrag van verzekerden. Het is duidelijk dat machine learning in de financiële wereld al in ontwikkeling is.
Dit soort genuanceerde, realtime risicoanalyses zullen niet alleen een nauwkeurigere prijsstelling voor klanten mogelijk maken, maar ook een vroege detectie van gezondheidsrisico's en een kans voor verzekeringsmaatschappijen om te investeren in preventie. In plaats van uiteindelijk te betalen voor dure behandelingen voor de patiënt, kunnen verzekeringsmaatschappijen proactief proberen de kans op schade en bijbehorende kosten te verlagen.
In een Oxford-studie uit 2013 waarin meer dan 700 beroepen werden geanalyseerd om te bepalen welke het meest vatbaar waren voor automatisering, werden verzekeringsverzekeraars opgenomen in de top vijf van meest kwetsbare beroepen. Zelfs als AI een underwriter niet volledig vervangt, kan AI-automatisering de verantwoordelijkheden van een underwriter veranderen. AI kan de tijd van een verzekeraar vrijmaken voor een hogere toegevoegde waarde, zoals het beoordelen en beprijzen van risico's in minder gegevensrijke opkomende markten, en meer feedback geven over risicobeheer en productontwikkeling.
Verzekeringsclaims zijn formele betalingsverzoeken die naar verzekeringsmaatschappijen worden gestuurd. Verzekeringsmaatschappijen beoordelen vervolgens de claim op geldigheid en betalen na goedkeuring uit aan de verzekerde. Hier leest u hoe kunstmatige intelligentie het proces kan verbeteren:
Nauwkeurigheid van klantgegevens verbeterd. Het claimproces is redelijk handmatig:menselijke agenten registreren handmatig klantinformatie en incidentdetails. Volgens een Experian-rapport kan de gegevenskwaliteit eronder lijden:onvolledige gegevens zijn verantwoordelijk voor 55% van de gegevensfouten, terwijl typefouten 32% uitmaken. AI kan de nauwkeurigheid verbeteren door handmatige invoer te verminderen. Bovendien vereisen schadeprocessen vaak dat verzekeringsagenten klantinformatie koppelen aan tal van databases. AI kan worden gebruikt om dit efficiënter te doen.
Aanbevelingen voor snellere uitbetalingen. Volgens een onderzoek naar de tevredenheid van eigendomsclaims van J.D. Power &Associates, zijn langzame doorlooptijden van claims een van de grootste oorzaken van ontevredenheid bij klanten. AI kan helpen om de doorlooptijden te verkorten door eerst het beleid te valideren, vervolgens de claims te bepalen en de betaling te automatiseren. Dit komt omdat AI de mogelijkheid heeft om niet alleen gestructureerde gegevens te analyseren, maar ook ongestructureerde gegevens zoals handgeschreven formulieren en certificaten.
Banken doen grote weddenschappen met hun klantgerichte virtuele assistenten, ook wel chatbots genoemd. Hoewel de vroege versies van chatbots alleen basisvragen over bestedingslimieten en recente transacties kunnen beantwoorden, zijn toekomstige versies gepland om full-service virtuele assistenten te worden die betalingen kunnen doen en budgetten voor consumenten kunnen bijhouden. Betrokken zijn bij klanten kan leiden tot aanzienlijke kostenbesparingen, maar menselijke interacties zijn ongetwijfeld ook complexer dan eenvoudigweg cijferen. Critici wijzen op het gebrek aan empathie en begrip van chatbots, wat mensen nodig kunnen hebben bij het omgaan met moeilijke financiële beslissingen en situaties. Voor deze technologie zal AI-technologie van natuurlijke taalverwerking essentieel zijn voor het verwerken van en reageren op gepersonaliseerde zorgen en wensen van klanten.
In oktober 2016 onthulden zowel Bank of America als MasterCard hun chatbots, respectievelijk Erica en Kai. Hiermee kunnen klanten vragen stellen over hun rekeningen, transacties initiëren en advies krijgen via Facebook Messenger van Amazon's Echo tower.
Capital One heeft ook hun eigen chatbot gelanceerd, genaamd "Eno", wat een anagram is voor "One". Eno stelt klanten in staat om met de bank te chatten in op tekst gebaseerde taal om rekeningen te betalen en rekeninginformatie op te halen. Barclays komt ook in actie. Bij het beschrijven van de nieuwe chatbot van Bank of America, verklaarde Michelle Moore, het hoofd van digitaal bankieren bij Bank of America:"Wat zal bankieren over twee, drie of vier jaar zijn? Het wordt dit.”
De volledige impact van kunstmatige intelligentie in financiële diensten moet worden gezien. Sommige futuristen hebben betoogd dat de wereld snel een omslagpunt nadert, genaamd 'singulariteit', waar machine-intelligentie de menselijke intelligentie zal overtreffen. Beroemde technologen en wetenschappers, waaronder Bill Gates en Stephen Hawking, hebben voor dit punt gewaarschuwd. Elon Musk heeft er ook op beroemde wijze op aangedrongen:"AI is een fundamenteel existentieel risico voor de menselijke beschaving, en ik denk niet dat mensen dat volledig waarderen."
Terwijl AI ons persoonlijke en professionele leven blijft uitbreiden, zullen er veel problemen blijven opduiken. Deze omvatten de kans op fouten, een algemeen wantrouwen ten opzichte van machines en zorgen over het vervangen van banen. Het zou een vergissing zijn om deze angsten te negeren. Toch is de samenleving al op een versnellend pad naar een AI-gestuurde wereld. In deze nieuwe wereld zou het het meest productief kunnen zijn om te focussen op hoe machines en mensen het beste naast elkaar kunnen bestaan. Het zal belangrijk zijn dat beleidsmakers voorzichtig blijven, zodat nieuwe technologieën zich kunnen ontwikkelen en de negatieve gevolgen ervan worden gemonitord en geminimaliseerd. Ontwikkelaars en ontwerpers moeten ook het vermogen van mensen om AI-systemen te begrijpen verbeteren om vertrouwen op te bouwen en de tevredenheid met AI-toepassingen te vergroten. Iedereen zal een rol te spelen hebben.
Haruhiko Kuroda, gouverneur van de Bank of Japan, zei tijdens een conferentie over AI en financiële diensten in 2017:"Het is essentieel voor ons om constructief na te denken over wenselijke manieren waarop mensen en AI elkaar aanvullen in plaats van confronteren. Het menselijk oordeel is bijvoorbeeld niet volledig vrij van bestaande paradigma's en is dus soms onachtzaam ten aanzien van veranderingen. In dit opzicht zou AI onze vooringenomenheid kunnen aanpassen door neutraal te analyseren en nieuwe correlaties te vinden tussen een groot aantal [sic] gegevens. Ondertussen zouden mensen de zwakte van AI kunnen compenseren met hun intuïtie, gezond verstand en verbeeldingskracht."