6 december 2016 • december 6, 2016 at 10:03 pm Qdraw

Eneco Chatbot Live

Het is vanaf vandaag mogelijk om je meterstanden door te geven via de Eneco Chatbot. Eneco heeft als eerste energiemaatschappij een intelligente chatbot op Facebook Messenger. Hiermee is een nieuw self-service kanaal toegevoegd aan de dienstverlening van Eneco.

Tekst gaat verder onder de afbeelding



Eneco Chatbot | foto 1

De klanten ontvangen één keer per jaar een e-mail met daarin het verzoek om de meterstanden door te geven. Maandelijks geven duizenden klanten de meterstanden door.
Vanuit deze mail komen de klanten bij de chatbot terecht en start de conversatie. De chatbot reageert volgens een geautomatiseerd reactiesysteem. Dit data-driven systeem is vooraf bepaald welke reactie er volgt op welke actie. Op deze manier wordt je optimaal geholpen en kan het doorgeven van de meterstand in een paar minuutjes gebeurt zijn.

Het kanaal Facebook Messenger is een kanaal dat bij de klanten bekend is en wordt gebruikt. Er zijn 7 miljoen mensen die Messenger op hun mobiel hebben staan en 6,8 miljoen dagelijkse Facebook-gebruikers. Messenger is een nieuw kanaal dat aan de serviceverlening wordt toegevoegd. Doordat dit kanaal al veel wordt gebruikt wordt het nog eenvoudiger en laagdrempeliger om de meterstanden door te geven.

De chatbot is vanaf vandaag te proberen op m.me/enecochatbot.
Mocht de wereld van chatbots je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.


Het filmpje dat Eneco geplaatst heeft op Youtube



Eneco Chatbot | foto 2

Deze blog verscheen voor het eerst op Qdraw.nl

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

5 december 2016 • december 5, 2016 at 8:54 pm Qdraw

Midwinterhoornwandeling Beltrum (2016)

Een midwinterhoorn is een traditioneel houten blaasinstrument dat in Twente, de Achterhoek en op de Veluwe wordt bespeeld tussen eerste zondag van de advent en Driekoningen. Op diverse plaatsen zijn er wandeltochten waar de ‘eeuwenoude’ klanken uit midwinterhoorns te horen zijn. In Beltrum hoort hier ook een stukje per reizen met een 50 jaar oude GTW-bus bij. Op diverse plaatsen staan midwinterhoornbloazers naar elkaar te seinen door te blazen op de midwinterhoorn. Al eeuwen is dit een traditie en deze traditie blijft in leven door de vele groepen die dit beoefenen. Er is in Beltrum een jaarlijkse midwinterhoornwandeling van ’t Slat, hier heb ik deze foto serie heb gemaakt.


Midwinterhoornwandeling Beltrum (2016) ; Beltrum, midwinterhoornblazers, mid winter, bloazers, hamer, beitel, ambacht | foto 1


Midwinterhoornwandeling Beltrum (2016) ; Midwinterhoornwandeling 't Slat, route, wandelen | foto 2


Midwinterhoornwandeling Beltrum (2016) ; midwinterhoornblazers, Midwinterhoornbloazers, bloazers, bos, hoed, traditie, twente, achterhoek | foto 3


Midwinterhoornwandeling Beltrum (2016) ; Midwinterhoornbloazer boven put, blazen, midwinterhoorn, Echo bloazen, traditie, twente, achterhoek | foto 4


Midwinterhoornwandeling Beltrum (2016) ; Reurlse Midwinterhoarn-blaozers, mid-winter, midwinterhoorn, blazers, party-tent | foto 5

Dit bericht is geschreven door: Dion

Tags: , , , , ,

Gecategoriseerd in:

25 november 2016 • november 25, 2016 at 7:42 am Qdraw

De 6 must-know’s voordat je start met Machine Learning

Het is mogelijk om met Artificial Intelligence de toekomst te voorspellen. Machine Learning is een vorm van Artificial Intelligence waarbij de machine zichzelf patronen aanleert. Bij het implementeren van Machine learning worden er een aantal basis patronen geprogrammeerd. Op basis van nieuwe inputdata leert de computer (d.m.v. Machine Learning) de huidige data (bestaande patronen) te trainen en uit te breiden.
Dit model kunnen we succesvol inzetten om de uitkomsten van nieuwe data te voorspellen. Met dank aan deze voorspellingen kan een organisatie sneller succesvol zijn en de concurrenten een stap voor blijven. In dit proces is het belangrijk om de juiste vragen te stellen en te weten wanneer je succes hebt. In dit artikel ga ik het hebben over de zes must knows om Artificial Intelligence succesvol in te zetten.

Stappen in het Machine Learning proces

Om een beter beeld te geven hoe het proces verloopt, is er een model ontwikkeld: het ‘Machine Learning Iteration Model’. Je begint elk proces altijd met de input van raw data. Deze data moet vervolgens verwerkt worden tot trainingdata. Trainingdata is de data die geschikt is om te voeden aan het Machine Learning algoritme. De Machine Learning algoritme maakt van deze gegevens een model. De eerste versies van zo’n model worden ook wel candidate models genoemd. Het model berekend op basis van de trainingdata de voorspelling. De app maakt vervolgens verbinding met het model om op basis van nieuwe data voorspellingen te doen.

Tekst gaat verder na de afbeelding



Machine Learning iteration model | foto 1

De 6 must knows

  1. Stel de juiste vraag om te voorspellen.

    Het proces van Machine Learning valt of staat bij een goede onderzoeksvraag. Zo’n vraag moet daarom voldoen aan de volgende vier punten:

    • Maak de scope helder: wat gaan we nu voorspellen en wat niet;
    • Maak duidelijk wat het doel van de voorspelling is;
    • Maak inzichtelijk in welke context/situatie de vraag relevant is.
      Er moet een mogelijkheid zijn om te meten of de machine defect is. Dit klink logisch maar dat is het over het algemeen niet.
    • Maak meetbaar wanneer het een succes is.

      En welke manier van Machine Learning hiervoor gebruikt kan worden.
      (In het artikel “Voorspellen of een gebruiker lid blijft” vertel ik iets meer over de verschillende vormen van Machine Learning).

  2. Verwerk de raw data (volledig) tot trainingdata.

    Aan de hand van de trainingdata kan het Machine Learning algoritme voorspellingen doen. Elke stap die hierna komt heeft een toenemende afhankelijkheid van de vorige stap. Als je een belangrijk data-element bent vergeten toe te voegen in de eerste stap, kom je in de volgende stappen in de problemen. Hierdoor zal je opnieuw moeten beginnen;

  3. Verwacht dat je stappen terug moet doen.

    Machine Learning is een itererend proces waarbij je steeds tot nieuwe inzichten komt en steeds meer leert over de data. Hierdoor moet je uitzoeken of die nieuwe inzichten/leerpunten ook toepasbaar zijn op eerder gemaakte stappen;

  4. Check tijdens het proces of je nog data mist.

    In een Machine Learning proces kom je er in veel gevallen achter dat er data mist. Er zijn drie manieren om dit op te lossen:

    • Door data van een andere bron erbij te zoeken, en deze twee databronnen te combineren;
    • Door eerst te bewijzen door middel van zelf gegeneerde nep data dat de data daadwerkelijk antwoord geeft op de vraag. Pas daarna met echte data aan de gang te gaan;
    • Door de data die nodig is om een voorspelling te doen alsnog te verzamelen en daarna opnieuw een model te maken met Machine Learning.
  5. Zorg ervoor dat de data is gestructureerd.

    Wanneer je meer data hebt vergroot je de kans dat het voor de machine makkelijker wordt om patronen te vinden. Het is hierbij wel belangrijk dat de data compleet is en niet vervuild. Machine Learning kan namelijk niet helpen bij het opschonen van vervuilde data.

  6. Ga niet verder met een slechte oplossing.

    Evalueer de data en kijk of je eventuele fouten kunt oplossen. Hierdoor kan je een betere voorspelling maken. Mocht dit niet lukken, beëindig dan de voorspelling en begin opnieuw met een nieuwe voorspelling. Zoals het Duitse automerk zou zeggen “Das beste oder nichts”.

Deze 6 must knows geven je een handvat om Machine Learning in te zetten in echte projecten. Het doel is om altijd beter te kunnen voorspellen dan om zomaar een willekeurige gok te doen. Dit heeft als voordeel dat je een stapje voor bent op de concurrent en wie wil dat nu niet.



Binary Bridge at Georgia tech (Door: Chris McClanahan) | foto 2

Deze blog is geschreven door Dion van Velde en verscheen op Colours.nl en mijn eigen blog Qdraw

Dit bericht is geschreven door: Dion

Tags: , , , ,

Gecategoriseerd in:

16 november 2016 • november 15, 2016 at 9:27 am Qdraw

Voorspellen of een gebruiker lid blijft

De toekomst voorspellen wie wil dat nu niet? We zijn een stap dichter bij deze droom gekomen door gebruik te maken met Artifical Intelegence. In dit artikel geef ik een sneak preview op basis van een demo case en stukje theorie. We hebben Machine Learning toegepast om een succesvolle predictive analyse te maken op basis van anonieme gebruikersdata.

Supervised Machine Learning vs Unsupervised Machine Learning.

Alles begint bij een vraag die je straks aan de computer gaat stellen. De computer gaat antwoord geven op deze vraag door naar de data te kijken, deze data wordt ook wel trainingsdata genoemd. Is de uitkomst van de vraag al in de data of moet het Machine Learning-algoritme de uitkomsten buiten de data zoeken. Bij Supervised Machine Learning ligt de uitkomst in de ingevoerde training data en bij Unsupervised ligt het antwoord buiten de invoerde training data. In de onderstaande alinea geef ik een aantal voorbeelden.

Verschillende Machine Learning categorieën

Regressie

Hoeveel auto’s ga ik volgende maand verkopen? De uitkomst van deze voorspelling ligt al in de data besloten. Daarom wordt er bij Supervised Machine Learning ook 75% van de data gebruikt en de laatste 25% ter controle ingezet. De uitkomst van deze Machine Learning categorie is een getal.

Categoriseren

Is het creditcard fraude? Hier zijn twee antwoorden op mogelijk, namelijk ja of nee. In dit geval zijn er twee antwoorden mogelijk maar bij categoriseren kan het ook zijn dat het type auto wordt voorspeld, zolang het type maar in de trainingsdata zit. Categoriseren is een vorm van Supervised Machine Learning.

Clustering

Welke doelgroep segmenten zijn er. Nu kun je checken of de doelgroep van je product net zo is als dat je zelf denkt. Het verschil tussen Clustering en Categoriseren is dat bij Clustering de uitkomst buiten de trainingsdata ligt.

Het begint allemaal met het stellen van de juiste vraag

In de vraag zit het antwoord in besloten is een bekend gezegde. Zo ben je voor predictive analysing meerdere onderwerpen nodig. In het voorbeeld van de creditcard fraude is het belangrijk om te weten welke data je nodig bent. Zo is het handig om te starten met wat jij verwacht dat de meest waarschijnlijke oorzaken zijn van creditcardfraude. Het kennen en toepassen van de juiste Machine Learning-categorie.

Van ruwe data naar trainingsdata.

Een ruwe diamantsteen omzetten naar een mooi gepolijste diamant. Op basis van de ruwe handelingsdata hebben we een script ontwikkeld die filtert uit de ruwe data hoeveel keer een bepaalde handeling wordt uitgevoerd. Dit itererende proces is in de praktijk het meeste werk. Het verhaal gaat verder na de afbeelding


Trainingsdata script node.js | foto 3

Machine Learning algoritme keuze

De keuze van het Machine Learning algoritme wordt in eerste instantie bepaald door in welke categorie de vraag valt. Valt de vraag binnen regressie of categoriseren? Binnen deze categorieën zijn er ook nog verschillende algoritmes en bij supervised Machine Learning is het dankzij de controle waardes het succes meetbaar. In onze case waarbij we kunnen voorspellen hoeveel procent van de gebruikers gaat afhaken kunnen dit met 90% zekerheid stellen.


Microsoft Azure Machine Learning Training Experiment | foto 2

Model

Voordat je voorspellingen kunt doen moet je eerst een model trainen. Een model is computergegeneerde regelset die kan worden toegepast op nieuwe data. Wanneer je nieuwe data aan het model gaat voeden gaat het model voorspellingen doen. Zo hebben wij een model of een gebruiker gaat afhaken of niet. Dit model voeden wij een aantal analysepunten en zo kunnen wij de kans berekenen of de gebruiker lid blijft of niet.


Microsoft Azure Machine Learning Predictive Experiment, AzureML | foto 1

Beter dan willekeurig is een enorme winst. Als je al 1% beter bent dan compleet willekeurig dan is het de moeite waard om in te zetten. Dit zorgt ervoor dat je op dit moment net iets beter bent dan de concurrent. Wie wil nu niet beter zijn dan de concurrent een manier is om beter gebruik te maken van de bestaande data!


Machine Learning iteration model | foto 4

Deze blog is geschreven door Dion van Velde en verscheen op Colours.nl en mijn eigen blog Qdraw

Dit bericht is geschreven door: Dion

Tags: , , , ,

Gecategoriseerd in:

9 november 2016 • december 3, 2016 at 11:37 am Qdraw

Conversational Commerce – Chatbots in de praktijk

Als mens – de sociale wezens die wij zijn – hebben wij op vele manieren interactie met elkaar, bijvoorbeeld via de telefoon, skype, brieven/mail, face – to – face of via chat.

Dit laatste zouden we nog veel breder kunnen inzetten. Zo chatten de meeste mensen al via WhatsApp op hun telefoon met vrienden en familie om even te laten weten hoe het gaat. De meeste van ons chatten ook met collega’s om snel een vraag te kunnen  stellen. Want wij weten dat de ander altijd zijn/haar telefoon bij zich heeft, dat is nu eenmaal de cultuur waarin wij leven. We verwachten dan ook binnen enkele minuten een reactie, zodat we snel weer door kunnen. 

Daarintegen de communicatie tussen klant en bedrijf verloopt nog altijd traag. Als je een mailtje stuurt met een vraag, kan het soms enkele dagen duren voordat je een reactie krijgt. Als je probeert het bedrijf telefonisch te bereiken, kun je soms uren in de wacht staan. Raar is dat eigenlijk! Alle communicatie verloopt tegenwoordig zo snel, waarom blijven bedrijven hier dan op achter lopen?

De reden van het lange wachten zit hem meestal in de mankracht. Er zijn niet genoeg medewerkers die de klant per telefoon te woord kunnen staan of de klant via mail te kunnen helpen. Een ander probleem kan zijn dat niet de juiste informatie opgevraagd wordt, waardoor de klant van de ene medewerker naar de andere kan worden doorgestuurd. In de snelgroeiende en innoverende wereld waarin we leven, zal het dan ook niet lang duren voordat daar een oplossing voor gezocht word.


Telefoon en tas | foto 2

Het begrijpen van zinnen met Artificial Intelligence

Misschien zit die oplossing ook in iets wat al een langere tijd bestaat. Waar tot tien jaar geleden chatbot’s nog gebruikt werden voor de lol (Chatman), zijn er nu ook serieuzere toepassingen. 

Een chatbot is een geautomatiseerde gesprekspartner die werkt door middel van patroonherkenning. De tekst die je invoert in de chat wordt geanalyseerd en aan de hand van patronen die daaruit herkend worden, wordt een handeling gekoppeld.

Een chatbot start blanco en herkent in het begin nog geen patronen. Die intelligentie moet van te voren in worden geprogrammeerd. Maar het is heel lastig om al die patronen van te voren te creëren: elke vraag heeft weer meerdere antwoorden en mogelijkheden en elke vraag kan ook weer een nieuwe vraag oproepen. Daarom wordt er gebruik gemaakt van Natural Language Processing.

Natural Language Processing is onderdeel van Artificial Intelligence en begrijpt een zin. Het haalt de intenties en de context eruit. Het systeem leert op deze manier steeds nieuwe patronen te herkennen en begrijpt daardoor elke keer een beetje beter de intentie van een zin.


wit.ai | foto 3

Wit.ai Natural Language Processing interface

Hoe werkt het systeem

Alles begint bij de vraag van de klant. Deze wordt afgevuurd op het systeem. Het systeem analyseert de vraag om achter de essentie ervan te komen. Door middel van Artificial Intelligence wordt vervolgens de context bepaald.
 
Wanneer zowel de essentie en de context duidelijk zijn gaat het systeem op zoek naar een story. In een conversational interaction design wordt uitgedacht hoe deze flow optimaal kan worden ingezet.
 
De database achter een chatbot zit vol met Stories. Een voorbeeld van zo’n story kan zijn: een klant wil een pizza bestellen. Deze story is opgebouwd uit verschillende stappen. Wil de klant een dikke bodem of een dunne? Wil de klant extra kaas op zijn pizza? Etc. Maar ook stappen als: Wil de klant de pizza thuis laten bezorgen? 
Eigenlijk alle stappen die je kan bedenken om de klant daadwerkelijk zijn pizza te laten bestellen.
 
Maar het kan ook zo zijn, dat de klant iets vraagt wat het systeem (nog) niet weet. In dat geval zouden er twee dingen moeten gebeuren. Als eerst moet de nieuwe vraag ‘geleerd’ worden door het systeem – welke essentie en context moet de bot hier uit halen? Ten tweede moet er een terugbel afspraak gemaakt worden met de klant. Zodat de klant zelfs om drie uur ’s nachts alsnog zijn/haar pizza kan bestellen.


Pizza hut chatbot | foto 1

Volledig automatische webcare

Er zijn al bedrijven die gebruik maken van chatbots. Zo maakt Slack, een communicatietool voor collega’s, al een langere tijd gebruik van een API (Application programming interface). Ook Facebook is sinds afgelopen april bezig geweest met het opzetten van een API voor chatbots. De verwachting is dat Whatsapp zeer binnenkort ook start met het implementeren van een API.

Het voordeel van het inzetten van een chatbot is dat de klant geen nieuwe app hoeft te downloaden. Hij/zij kan gewoon gebruik maken van de chatapps op zijn/haar telefoon. Zo gebruiken 9,4 miljoen Nederlanders Whatsapp (nu.nl – januari 2016). 7,0 miljoen Nederlanders hebben Messenger op hun mobiel staan (nu.nl – maart 2016) en 6,8 miljoen Nederlanders maken dagelijks gebruik van Facebook (obi4wan.nl – januari 2016)

Bestaande conversatie systemen

Er zijn al een aantal waardevolle chatbot cases. Zo heeft Ikea Israël het chatsysteem geïnstalleerd om de 10.000 mails per maand te verminderen en daarmee ook de enorme druk bij de klantenservice weg te halen. Na vier maanden kon het systeem zelfs 80% van de vragen volledig zelfstandig beantwoorden.

Een ander voorbeeld is het reisbureau Thomas Cook. Het bureau heeft 13 websites, 4 callcenters en wordt benaderd in 5 verschillende talen. Door de inzet van het chatsysteem hebben ze 20% minder telefoonverkeer en worden daardoor klanten 10% sneller te woord gestaan door medewerkers.

Voordelen van een chatbot

Waarom zouden bedrijven een toekomst moeten zien in Chatbots? Simpel, de chatbot speelt in op selfservice innovatie. Een nieuwe manier om te communiceren tussen klant en bedrijf. Waarbij de klant sneller en gemakkelijker geholpen kan worden. Zo hoeft de klant niet te wachten op de beschikbaarheid van een medewerker en kan de klant elk moment van de dag – zelfs midden in de nacht – worden geholpen. Dit zorgt ervoor dat de klantervaring verbeterd en verhoogd. Naast dat de klanten erbij gebaat zijn, is het ook een middel dat er voor zorgt dat er minder druk bij de klantenservice ligt en de kosten voor het bedrijf omlaag gaan.

Deze blogpost heb ik ook gepubliceerd op de Colours website

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

25 september 2016 • september 25, 2016 at 9:55 am Qdraw

Openmonumentendag Nijbroek en het Wezeveld

Tijdens openmonumentendag zijn monumenten in de regio opengesteld voor publiek. Tijdens de zaterdag ben ik in Nijbroek bij een oud bakkers huisje geweest. Dit huisje is gebouwd en 1869 en bevat nog onderdelen uit de originele bakkerij.

Net buiten Twello ligt het Nieuwe Wezeveld. Hier staat een neoclassicistische landhuis met trappentoren dat in 1869 is gebouwd op verzoek van een jonkvrouw. Een jaar later is het oude Wezeveld gesloopt omdat de jonkvrouw het te afgelegen vond liggen.

Nadat het Wezeveld jarenlang dienst gedaan heeft als jeugdinternaat is men nu bezig met een nieuwe bestemming. Het pand wordt compleet gerenoveerd en er wordt een nieuw deel aan de bebouwing toegevoegd. De huidige staat is dat er drie verschillende stijlen zijn. Het landhuis, de kapel en de nieuwbouw. Vanaf december 2016 gaat Martha Flora het Wezeveld gebruiken voor for-profit woon en zorgvoorziening voor mensen met dementie.


Openmonumentendag Nijbroek en het Wezeveld ; 1869, nijbroek, bakker jansen, annie, dorpsstraat, 7, kerkzicht, oven, mengbroodmachine, storkin | foto 1


Openmonumentendag Nijbroek en het Wezeveld ; 1869, nijbroek, bakker jansen, dorpsstraat, 7, kerkzicht, achterkant, woning | foto 2


Openmonumentendag Nijbroek en het Wezeveld ; 1869, nijbroek, bakker jansen, dorpsstraat, 7, kerkzicht, voorkant, woning, gemeente, openmonumentendag | foto 3


Openmonumentendag Nijbroek en het Wezeveld ; twello, openmonumentendag, gemeente, rijkstraatweg, 150, landgoed, nieuw wezeveld, 1869, renovatie, nieuwbouwplan, de cemerij | foto 4


Openmonumentendag Nijbroek en het Wezeveld ; twello, openmonumentendag, gemeente, rijkstraatweg, 150, landgoed, nieuw wezeveld, 1869, renovatie, nieuwbouwplan | foto 5


Openmonumentendag Nijbroek en het Wezeveld ; twello, openmonumentendag, gemeente, rijkstraatweg, 150, landgoed, nieuw wezeveld, 1869, renovatie, nieuwbouwplan | foto 6


Openmonumentendag Nijbroek en het Wezeveld ; twello, openmonumentendag, gemeente, rijkstraatweg, 150, landgoed, nieuw wezeveld, 1869, renovatie, nieuwbouwplan | foto 7

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

4 september 2016 • september 4, 2016 at 3:08 pm Qdraw

Klompenfeest Twello zondag optocht (2016)

Een onderdeel van het klompenfeest is de zondagmiddag optocht. Er is ook een item over de braderie en het concerten. Dit jaar was het thema van de optocht ‘Kleurrijk’. De wagens hebben dit op veel verschillende manieren toegepast. Zo deden er ook wagens mee die met het oogstfeest Stöppelhaene hadden meegedaan. Naast een groot aantal prachtige wagens liepen er diverse drum en fanfare bands mee.


Klompenfeest Twello Zondag Optocht (2016) ; Voetbal Vereniging Emst, wagen, hooiberg | foto 1


Klompenfeest Twello Zondag Optocht (2016) ; De vechtboertjes uit dalfsen, dalfsen, Klompenfeest | foto 2


Klompenfeest Twello Zondag Optocht (2016) ; Fabelachtige Fantasie, Stoppelhaene, Klompenfeest | foto 3


Klompenfeest Twello Zondag Optocht (2016) ; St Caecilia, Raalte, muziek, majorette, drumband | foto 4


Klompenfeest Twello Zondag Optocht (2016) ; Luuk's Pompoenenwagen, Klompenfeest, Pompoen | foto 5


Klompenfeest Twello Zondag Optocht (2016) ; Met kip en haan Stöppelhaene blijft bestaan, kip, wagen, klompenfeest | foto 6

Dit bericht is geschreven door: Dion

Tags: , , , ,

Gecategoriseerd in: