IT trendsonderzoek – Data Science, Cyber- en Datasecurity & künstliche Intelligenz

Sinds 2010 voert Supply Value jaarlijks een onderzoek uit over de belangrijkste trends binnen het inkoopvakgebied. Sinds dit jaar voegen we daar het IT trends onderzoek aan toe. Het doel van dit onderzoek is het ondersteunen van Informatie management en technologie professionals bij het stellen van de belangrijkste prioriteiten en de juiste focus. In deze blog blikken we terug op de top 3; Data Science, Cyber- en datasecurity en Artificial Intelligence.

Wilt u meer lezen over deze, en de andere trends, en wilt u weten wat de IT professionals vinden van deze trends? Download dan onderaan deze pagina het gehele onderzoeksrapport!


IT-trendsonderzoek-trend-1-2-3


1. Data Science

Informatiesystemen, netwerken, databases, chips, computers, social media, websites, Big Data, Internet of Dinge: we werken tegenwoordig in een omgeving die steeds sneller digitaliseert. Data neemt hierin een belangrijke rol in, maar organisaties worstelen met de groei in de hoeveelheid en variëteit van data. Om deze data te kunnen en managen en er waardevolle inzichten uit te ontlenen is data Wissenschaft ontstaan. In 2012 bestempelde de Harvard Business Review de data scientist al tot The Sexiest Job of das 21st Century en in Nederland is een heuse Jheronimus Academy of Data Science opgetuigd. Deze opkomst van data Wissenschaft blijkt ook uit die IT TrendsForschung uitgevoerd door Supply Value. Meer dan 50% van de respondenten rekent data Wissenschaft tot de drie belangrijkste trends. Bovendien geeft meer dan de helft van de respondenten aan komend jaar veel tot heel veel prioriteit te geven aan data Wissenschaft. Hiermee lijkt de toekomst van de data scientist rooskleurig te zijn.

IT-Trendsonderzoek-DataScience

Wat is data science? 

Data Wissenschaft verenigt wetenschappelijke methoden, processen en systemen om zowel gestructureerde en ongestructureerde data te vertalen in kennis en inzichten. Vanuit de brede domeinen van wiskunde, statistiek, informatiekunde en computerwetenschappen maakt data Wissenschaft gebruik van technieken en theorieën. Met behulp hiervan doorloopt de data scientist verschillende fases om verschijnselen te analyseren en te begrijpen:  

  1. Die begrijpen van de business en het probleem dat opgelost moet worden.   
  2. Die verzamelen van data uit verschillende bronnen met behulp van data mining. 
  3. Die opschonen en voorbereiden van de ruwe data voor verwerking.  
  4. Die verkennen van de opgeschoonde data om patronen en bias te begrijpen. 
  5. Die ontwikkelen von meetbare functies vor dem die probleem dat wordt geanalyseerd.  
  6. Die modelleren van de data waarmee inzichten voor het probleem worden gegenereerd.  
  7. Die visualiseren van de data op een simpele maar effectieve en visueel aangename wijze. 
  8. Die begrijpen van de business om de cyclus weer compleet te maken. 

Trendontwikkeling  

Voordat data Wissenschaft is geworden tot wat het nu is, heeft het een aantal fases doorlopen. Die begon met een behoefte aan business intelligence, waarin de productie en consumptie van data bij elkaar kwamen. Aan het einde van de 20ste eeuw betrad de term Big Data het wereldtoneel. Met nieuwe krachtige tools werd het mogelijk om de bestaande interne data uit te breiden met externe data, zoals social mediaOok is het mogelijk geworden om met voorspellende analyses tendensen te herkennen en toekomstige trends te voorspellen.  

Vervolgens zijn deze analytiSche Methoden geïntegreerd in producten en diensten, waarmee Termine Wissenschaft is ontstaan. Praktisch iedere organisatie in iedere industrie kan gebruik maken van mogelijkheden van data Wissenschaft zoals betere zoekalgoritmen, aanbevelingen, suggesties en gerichte advertenties. De ontwikkeling van data Wissenschaft houdt hier nog niet bij op, maar gaat verder met automatisering von analysemethoden. Von artificial intelligence, machine learning und deep learning kann die methoden verder getraind worden om geautomatiseerd en zelfvoorzienend bei einbiegen in. Omdat data gevarieerder wordt, zijn steeds complexere trainingsmethoden nodig voor deze automatische analyses.


2. Cyber- en Datasecurity

In 2017 werd een internationaal containerbedrijf getroffen door een aanval met ransomware, waarna het bedrijf ruim 45.000 pc’s en 4000 nieuwe servers heeft moeten herinstalleren, wat ongeveer 300 miljoen dollar winst heeft gekost. Dit laat de grote en zelfs ontwrichtende gevolgen zien die cyberaanvallen kunnen hebben. Digitale dreiging ligt continu op de loer, terwijl de maatschappij, economie, individuen en organisaties volledig afhankelijk zijn geworden van digitale middelen. De omvang en ernst van digitale dreiging zijn aanzienlijk en blijven zich nog verder ontwikkelen volgens het Nationaal Cyber Security Centrum (NCSC). Naast de dreiging van cyberaanvallen, groeien ook de risico’s rondom databescherming. Door veranderende wetgeving – de Algemene Verordening Gegevensbescherming (AVG) – en toenemende zorgen over privacy dienen organisaties nog beter datalekken te voorkomen en de regie over hun data te behouden. Uit dit onderzoek blijkt dat er veel bewustzijn is voor de bescherming van digitale middelen en data. Bijna 75% van de respondenten is redelijk tot zeer bekend met dit onderwerp of beschouwt zichzelf zelfs als een expert in cyber- en datasecurity. Ook geven de respondenten veel prioriteit aan cyber- en datasecurity in 2019. Meer dan 45% geeft het veel prioriteit dit jaar en ruim een kwart van de respondenten geeft aan heel veel prioriteit te geven aan de beveiliging van data en informatiesystemen. 

ITTrendsonderzoek-Cyber-en-Datasecurity

Wat is Cyber- en Datasecurity?  

Cyber- en datasecurity zijn verwante onderwerpen, maar betekenen niet hetzelfde. Cybersecurity omvat de beveiliging van IT-systemen tegen diefstal of schade aan hardware, software of elektronische data. Ook bestaat het uit de bescherming tegen verstoring of verkeerd gebruik van de services waarin IT-systemen voorzien. Aan de ene kant kan een ‘harde’ aanval plaatsvinden, onder andere door misbruik van een backdoor in een systeem of algoritme, waarbij de aanvaller gebruik maakt van een ontwerp- of configuratiefout om de beveiliging te ontwijken. Aan de andere kant richten aanvallers zich op de ‘zachte’ kant van IT-gebruikers, bijvoorbeeld met phishing en andere vormen van social engineering. Bescherming tegen dergelijke aanvallen wordt steeds belangrijker door het toenemende aantal en afhankelijkheid van IT-systemen. De trend van toenemende aandacht voor cybersecurity wordt verder versterkt door de opkomst van smartphones, smart TV’s en andere toepassingen van het Internet of Dinge. IT’ers proberen zich tegen cyberaanvallen te wapenen met maatregelen die de bedreiging, zwakte of aanval elimineren of voorkomen door de schade te beperken of te waarschuwen. Net als de aanvallen focussen deze maatregelen zich op de harde en zachte acties, procedures en technieken. Ook de wijze waarop gereageerd wordt op een beveiligingsincident is cruciaal maar uitdagend. Hackers gebruiken proxy’s, tijdelijke accounts en andere middelen om anoniem te blijven, waardoor ze lastig te traceren zijn. Bovendien wordt – door de grote hoeveelheid aanvallen die bovendien vaak ook nog eens geautomatiseerd plaatsvinden niet de bron achter elke aanval vervolgd. 

Datasecurity focust op de bescherming van digitale data tegen vernietiging of ongewilde acties, bijvoorbeeld bij een datalek. Bovendien voorkomt het dat ongeautoriseerde gebruikers kunnen inbreken op data. Dergelijk gegevensverlies kan ontstaan door bijvoorbeeld computervirussen en technische defecten aan gegevensdragers, maar ook door menselijke fouten zoals het kwijtraken van een harde schijf. Om dit te voorkomen, voorziet datasecurity in technische maatregelen. 

  1. Encryptietechnologie zu gegevens op een schijf te versleutelen. 
  2. Back-up van gegevens zu Termine te herstellen in geval van verlies of beschadiging.  
  3. Data masking om specifieke gegevens te verbergen, zoals persoonsgegevens. 
  4. Data wiping zu alle bestaande data op een schijf overschrijven und volledig te vernietigen. 

Naast deze technische maatregelen, zijn ook organisatorische maatregelen nodig, mede vanwege de menselijke factor. Ook al zijn gegevens technisch goed beschermd, onzorgvuldigheden in de menselijke omgang met techniek kan tot grote datalekken leiden. Organisatorische maatregelen voor het beschermen van gevoelige data bestaan onder andere uit: 

  • Beveiligingsbeleid waarin eenvoudig of uitgebreid werkwijzen, standaarden, regels en richTlijnen staan beschreven op thema’s als toegang op afstand en wachtwoordbeheer.  
  • Risikomanagement waarmee risico’s rondom gevoelige data worden beoordeeld en voorkomen of verminderd.  
  • Bewustzijn en training met als doel een werkcultuur te creëren waarin iedereen in de organisatie weet wat er verwacht wordt en hoe te voldoen aan regels en richtlijnen.  

Trendontwikkeling  

De omvang en de ernst van digitale dreiging zijn aanzienlijk geworden, maar zullen zich volgens het NCSC nog verder ontwikkelen. De digitale dreiging blijft permanent, Sabotage en verstoring door andere staten wordt een steeds grotere dreiging en de cybercriminaliteit van beroepscriminelen houdt aan. Tegelijkertijd treffen lang niet alle organisaties de nodige basismaatregelen om cyberaanvallen af te slaan. Daarnaast komt de digitale weerbaarheid nog verder onder druk te staan door toenemende complexiteit en connectiviteit van het IT-landschap met onder andere clouddiensten en smart devicesPotentiële kwetsbaarheden blijven groeien door digitalisering, het verdwijnen van analoge alternatieven en de toenemende volumes van digitale data. Ook zullen staten zich nog meer inspannen, complexere werkwijzen hanteren of op grotere schaal toepassen. Als gevolg hiervan blijven cyber- en datasecurity noodzakelijk voor het functioneren van de maatschappij.  


3. Artificial Intelligence

‘Alexa/Okay Google, what’s the weather? Sunny, with 21 degrees Celsius. Okay, and what about Thursday? It will be cloudy with a 60% chance of rain and 18 degrees.'. Terugpratende speakers die weersvoorspellingen geven (zelfs opvolgend zonder dat het woord ‘weather’ er in voorkomt), vragen beantwoorden en lichten aan of uit doen op basis van een stem van één van de bewoners. Hierbij wordt een spraakbericht door een machine herkend en begrepen. Dit wordt mogelijk gemaakt door kunStmatige intelligentie, ofwel artificial intelligence (afgekort tot AI).  De ontwikkeling van AI is de afgelopen jaren zo snel gegaan dat we dingen die wel AI zijn al bijna niet meer zo zien omdat het al wordt gezien als standaardtechnologie. Denk hierbij bijvoorbeeld aan gezichtsherkenning door camera’s of een spamfilter in je mailbox. Zo’n 35% van de respondenten geeft aan totaal onbekend of slechts enigszins bekend te zijn met deze AI. De meerderheid van de respondenten geeft dus aan goed bekend te zijn met AI. Dat is terug te zien in de prioriteit die er aan wordt gegeven door de respondenten, want meer dat 42% van de respondenten geeft dit jaar veel of heel veel prioriteit aan AI.

Wat is AI?  

AI wordt veelal omschreven als intelligentie getoond door machines. Meestal zien we dit terug als machines menselijke cognitieve functies nabootsen, zoals die oplossen van problemen en leren. Er zijn veel manieren om de verschillende typen AI te definiëren. Allereerst wordt er vaak een onderscheid gemaakt tussen vormen van AI:  

  • Weak/Narrow AI – machines zijn gespecialiseerd in één taak;  
  • Strong AI – machines kunnen meerdere taken uitvoeren en zum Beispiel leren en problemen oplossen;   
  • Artificial Superintelligence (ASI) – machines die echt op mensen gaan lijken omdat ze zum Beispiel ook sociale vaardigheden en creativiteit bezitten.   

Daarnaast is het handig om een onderverdeling te maken op basis van de verschillende functionaliteiten:  

  1. Reactieve AI. Machines met reactieve AI hebben geen zicht op de historie of context, ze hebben enkel en alleen beeld van de huidige situatie. Ze werken aan een taak of scenario dat op dat moment aan hen wordt gepresenteerd. 
  2. Limited Memory AI.huhierbij gaat het om machines die een korte termijn terug in het verleden kunnen kijken. Dit is bijvoorbeeld veel gebruikt bij de ontwikkeling van autonoom rijdende auto’s.   
  3. Theory of mindHierbij kunnen machines menselijke emoties, overtuigingen en verwachtingen herkennen en begrijpen, en hier vervolgens op acteren. Hoewel er vorderingen worden gemaakt in de ontwikkelingen op dit gebiedzijn er nog geen concrete toepassingen of voorbeelden.   
  4. Self awareness AIDit komt het meest dicht in de buurt van een robot welke volledig menselijk is en dus kan reflecteren op zichzelf en emoties kan voelen. Hoewel er al lang gespeeld wordt met dit idee, is dit nog geen realiteit.   

De huidige ontwikkelingen met AI baseren zich, logischerwijs, met name op types 1 en 2. Hiermee zijn dan ook oneindig veel mogelijkheden tot innovatie. Een aantal herkenbare voorbeelden van toepassingen van AI zijn; fraudedetectie bij online aankopen, personalisatie van nieuwsfeeds en reclames, spraakomzetting naar digitale tekst, het door een robot spelen van een strategisch spel als ‘Go’, en de chatbot van een online helpdesk. Een andere mooie toepassing is een test waarbij AI wordt ingezet om dokters te helpen om verschillende soorten kanker te ontdekken op scans.   

Aan het gebruik van AI zitten nog wel een aantal beperkingen. Zo kunnen grote, complexe problemen wel aan een machine worden gevoed, maar door de grote hoeveelheid keuzes en redeneringen wordt het ontzettend traag. Mensen passen zelden de stap-voor-stap redeneringslijn toe die dit AIsysteem gebruikt en hebben iets dat machines (nog) niet na kunnen bootsen; intuïtie. Daarnaast is er veel data nodig om AI toe te kunnen passen. Lang niet alle organisaties hebben de beschikking over dergelijke benodigde databronnen, waardoor het lastig wordt om AI waardevol toe te passen. Gekoppeld aan de noodzaak voor data, zit meteen de valkuil van data. Er zit namelijk vaak een bias  in. Ofwel, het is ontzettend moeilijk om data te genereren welke volledig objectief is. Het is dus belangrijk om je bewust te zijn van de subjectiviteit welke mogelijk onderdeel is geworden van je data.   

Trendontwikkeling  

huhet gebruik van AI ist alleen maar toegenomen. Forbes geeft eind 2018 aan dat een goede graadmeter voor de groei van AI is om te kijken naar de investeringen in startups. Van januari 2015 tot januari 2018 is dit voor AI startups met 2.1x toegenomen, waar het bij andere startups gemiddeld met 1.3x toenam. Het gebruik van AI is steeds meer terug te zien in de maatschappij en de komende jaren zal dit alleen maar toe gaan nemen door de nieuwe diensten die von AI ontwikkeld zullen worden. Daarnaast zal AI ook steeds meer gebruikt worden ter verrijking van bestaande diensten. Ook zal het gebruik van AI om taken die nu nog door mensen worden uitgevoerd over te nemen, toenemen.   

Over deze laatste woedt nog wel een grote maatschappelijke discussie. Nemen robots ons werk over? Welke banen zullen over 5 tot 10 jaar niet meer bestaan? Zoals bij iedere andere industriële revolutie is gebleken zullen er inderdaad banen verdwijnen, maar zullen er ook veel nieuwe banen ontstaan. Dit gaat natuurlijk niet zonder slag of stoot, en het is belangrijk dat organisaties zich deze impact op medewerkers goed realiseren en daar adequaat mee omgaan.

Wilt u meer lezen over Internet of Dinge, en wilt u weten wat de IT professionals die deze trends hebben beoordeeld vinden van deze trends? Download dan hieronder het gehele onderzoeksrapport! 

Sind Sie interessiert oder möchten Sie mehr über Supply Value erfahren?