Een van de belangrijkste technologische trends is Artificial Intelligence (AI) of kunstmatige intelligentie.
Het onderzoeksbureau Gartner geeft aan dat bij 85 procent van alle interacties tussen klanten in 2020 geen mensen meer te pas komen, mogelijk gemaakt door AI. En volgens Accenture zal de economische groei in twaalf landen verdubbelen rond 2035 door AI en de arbeidsproductiviteit kan wellicht wel veertig procent hoger zijn doordat we op andere manieren gaan werken.
Met AI kunnen machines of software taken uitvoeren die vergelijkbaar zijn met bepaalde menselijke taken. Ze kunnen op basis van data zelfstandig beslissingen nemen. Denk hierbij aan het herkennen van foto’s of het begrijpen van onze taal.
AI werkt op basis van algoritmen waarmee de software specifieke patronen kan herkennen. Hierbij geldt: hoe meer data het AI-systeem heeft om patronen te herkennen, hoe beter het systeem bepaalde beslissingen kan nemen.
Je vindt AI nu al terug in virtuele spraak assistenten op je telefoon zoals Siri of Google Now. En als je een zoekopdracht in Google intypt, krijg je de zoekresultaten die zo goed mogelijk aansluiten op jouw zoekvraag door AI-algoritmes. Ook als je weer een nieuwe op maat gemaakte playlist van Spotify krijgt, is deze tot stand gekomen met behulp van AI op basis van alle muziekgegevens die Spotify heeft in combinatie met jouw muzikale voorkeuren.
Machine learning
Binnen de kunstmatige intelligentie is machine learning (ML) of automatisch leren een breed onderzoeksveld om kunstmatige intelligentie mee te bereiken. Het gaat hierbij om algoritmes die je kunt leren om te leren.
De training bestaat uit het invoeren van enorm grote sets aan data om vervolgens specifieke taken uit te voeren. Bij machine learning draait het om het herkennen van bepaalde patronen in de enorme hoeveelheid aan data.
Hierbij neem je historische data waarbij je voorspellingen over de toekomst kunt doen door het herkennen van bepaalde patronen. Voorbeelden hiervan zijn fraude-detectie bij verzekeraars, het bepalen van de vraag en het aanbod in de energiesector, voorspellen wanneer consumenten hun abonnement stopzetten bij een (online) dienst zoals in de telecomsector of het gedrag van klanten in online winkels om zo bepaalde producten beter te kunnen verkopen.
Een mooie vergelijking met betrekking tot machine learning vind ik deze: wat kun je een stagiaire laten doen? Het komt vaak voor dat dit routine-matige klusjes zijn. Zou je je kunnen voorstellen wat 1.000 stagiaires zouden kunnen doen binnen jouw bedrijf?
Wellicht heb je daar nog nooit over nagedacht, maar dit is wel wat machine learning kan doen. Door de kracht van computers kun je patronen laten herkennen door 1.000 ‘stagiaires’ met algoritmes en op basis daarvan sneller werken of misschien wel nieuwe diensten of producten ontwikkelen die voorheen niet eens mogelijk waren.
Deep learning
Deep learning, ook wel diep gestructureerd leren of hiërarchisch leren, is een manier om een zelflerend systeem te realiseren dat door training een complexe taak kan uitvoeren en gaat nog verder dan machine learning.
Deeplearning probeert de werking van onze hersenen na te bootsen met behulp van kunstmatige neurale netwerken. Deze systemen leren op basis van ervaringen, net als wij mensen.
Het gaat hierbij om een verzameling gerelateerde algoritmen die zelf leren op basis van diepe netwerken. Het kan hiermee zichzelf algoritmes aanleren. En dit leren is diep omdat er meerdere lagen van kunstmatige neurale netwerken met elkaar communiceren.
Voor de duidelijkheid nog de even de verschillen op een rij:
- Machine learning gebruikt algoritmes om gegevens gestructureerd in te lezen, van die gegevens te leren en vervolgens weloverwogen beslissingen te nemen op basis van wat het heeft geleerd
- Deep learning structureert algoritmes in lagen om een “kunstmatig neuraal netwerk” te maken dat kan leren en zelfstandig intelligente beslissingen kan nemen.
Voorbeelden van deep learning
Bij spraakherkenning kan een kunstmatig neuraal netwerk het verschil detecteren tussen verschillende talen. Op basis van de uitkomst – bijvoorbeeld Nederlands – kan een ander neuraal netwerk vervolgens leren welk accent het is en besluit dat het Vlaams is. Vervolgens neemt een zelflerend neuraal netwerk het over dat Vlaams leert. Door meerdere conversaties te geven aan de neurale netwerken, leren ze vanzelf en worden ze steeds beter.
Zelfrijdende auto’s hebben verschillende gespecialiseerde neurale netwerken die continue de straat analyseren wanneer de auto rijdt. Het ene netwerk leert andere auto’s herkennen, de ander borden en weer een andere voetgangers. Er kunnen enorm veel van dit soort neurale netwerken tegelijkertijd informatie opnemen en analyseren en op basis daarvan beslissingen nemen over hoe de auto de gebeurtenissen interpreteert en vervolgens door de straten rijdt.
Waarom neemt AI nu zo’n vlucht?
Het vakgebied van kunstmatige intelligentie is niet nieuw. Sterker nog, toen ik in de jaren 90 informatica studeerde bestond dit vakgebied al een paar jaar als onderdeel van de studie informatica.
De reden dat AI nu zo in opkomst is, ligt aan een aantal verschillende zaken. Om te beginnen is de hardware veel sneller en meer beschikbaar, zelfs via de cloud, om grote hoeveelheden data te verwerken waarbij die in het verleden alleen in gespecialiseerde laboratoria of universiteiten te vinden was.
Daarnaast is er nu ook meer en betere software beschikbaar in het open-source domein. Deze software is vrij beschikbaar zonder ook maar enige investering te hoeven doen.
En om AI-algoritmes te trainen is heel veel data nodig. Opslagruimte van data is inmiddels erg goedkoop waardoor er nu ook enorm veel data beschikbaar is.
Als laatste: door investeringen van grote techbedrijven zoals bijvoorbeeld IBM, Google en Apple komen er steeds meer innovaties op dit gebied en toepassingen die andere bedrijven weer kunnen gebruiken. Al met al zijn de drempels om met AI aan de slag te gaan enorm verminderd.
Uitdagingen van AI
De opkomst van AI is dus niet meer te stoppen. Toch zijn er ook uitdagingen en wellicht zelfs bedreigingen voor ons op dit gebied. De belangrijkste uidagingen zijn: de vooroordelen van AI-systemen, aansprakelijkheid, privacy en ethiek.
Vooroordelen in AI
Onderzoekers van Princeton University ontdekten dat AI op het gebied van taal dezelfde vooroordelen heeft als mensen. Ze ontdekten namelijk bij een AI-systeem dat Europees-Amerikaanse namen vaker een positieve associatie opriepen dan Afro-Amerikaanse namen. Dit komt omdat de dataset waarmee de AI leert deze vooroordelen al bevat.
De resultaten van AI-systemen zijn afhankelijk van de bron dataset waarmee het systeem leert. Als datasets met afbeeldingen vrouwen bevatten die in het huishouden werken en daarnaast afbeeldingen van mannen die sporten dan registreert de software deze vooroordelen. Het AI-systeem zal deze voordelen zelfs gaan versterken omdat het de software ‘opvalt’ in het trainen op basis van de afbeeldingen.
Met behulp van AI kun je ook weer deze vooroordelen detecteren. IBM heeft hier o.a. een oplossing voor met hun “Trust and Transparency” diensten. Het detecteert de vooroordelen in de datamodellen bij beslissingen en het detecteert daarnaast ook mogelijke oneerlijke uitkomsten.
Privacy en AI
Wat als allerlei camera’s op straten, smartphones en satellieten jouw gezicht herkennen en proberen te matchen met criminelen? Het maakt onze samenleving wellicht veiliger maar is dit iets wat we willen met betrekking tot onze privacy.
AI kan hierbij een uitdaging vormen voor onze privacy. Aan de ene kant hebben we behoefte aan personalisatie van onze online ervaringen, gezondheidszorg, vervoer en ook onze veiligheid. Alleen hiervoor zullen AI-systemen beslissingen kunnen nemen door te trainen op basis van enorm grote hoeveelheden data van persoonlijke gegevens.
De meeste mensen zullen de voordelen van AI liever ervaren dan het verlies van privacy. Gelukkig staat voor veel bedrijven en overheden die met AI bezig zijn privacy hoog op de agenda met als doel onze persoonsgegevens zo veel mogelijk te beschermen. Dit zal echter een aandachtspunt blijven voor de inzet van kunstmatige intelligentie.
AI en ethiek
AI-systemen zijn zelflerend en kunnen dus zelfstandig beslissingen nemen. Dan kom je ook al snel op ethische vraagstukken: wat als dit beslissingen op leven en dood zijn? Of dit nu een autonoom rijdende auto is of een AI-robot, is het dan wel verstandig om dit soort beslissingen over te laten aan AI?
Denk bijvoorbeeld aan een autonoom rijdende auto die op basis van AI in een verkeerssituatie een keuze moet maken tussen het mogelijk overlijden van de passagier of het aanrijden van een voetganger die opeens de weg oversteekt. Het meest afschrikwekkende voorbeeld komt uit de wapenindustrie. Als een autonome drone op basis een AI-systeem heeft dat gezichten kan herkennen, kun je hiermee in theorie weerzinwekkende dingen doen. Gelukkig bestaat dit (nog) niet alleen dit is wel iets om bij stil staan als AI zelfstandig beslissingen kan nemen.
Aansprakelijkheid bij AI
Een andere vraag over de uitdagingen van AI is: wie is er uiteindelijk aansprakelijk voor een beslissing door een AI-systeem als deze zelfstandig beslissingen neemt?
Een autonome testauto van Uber reed in 2018 een vrouw aan die uiteindelijk overleed in het ziekenhuis. Dit was reden genoeg voor Uber om voorlopig te stoppen met hun autonoom rijdende auto project. De aansprakelijkheid lag in dit geval bij Uber omdat er nog geen sprake was van volledig autonoom werkend AI-systeem in de auto. Je kunt je voorstellen als dat wel zover is en er ontstaat een ongeluk dat er vragen zijn over de aansprakelijkheid. Welke wetgeving is er dan van toepassing?
Normaal gesproken is de leverancier van een product aansprakelijk voor schade door het product. De aansprakelijkheid is lastiger te bepalen wanneer de schade een gevolg is van een beslissing door een AI-systeem dat zelfstandig leert en ook zelfstandig beslissingen neemt. Op dit gebied hebben juristen en leveranciers van AI-systemen dus nog werk te verzetten.
Conclusie
De impact van AI op ons leven is al groot en zal in de toekomst nog groter zijn. Vrijwel elk beroep en vakgebied zal hiermee in aanraking komen. AI zorgt ervoor dat we nog efficiënter gaan werken en dat we routinematig werk aan de AI-systemen over kunnen laten.
Elke technologische innovatie heeft voordelen en nadelen. Ook AI heeft nog genoeg uitdagingen waar volop aan gewerkt wordt.
Uiteindelijk zal AI mensen niet vervangen maar mensen zullen samenwerken met AI. Hierdoor kunnen wij ons meer richten op werk waarbij creativiteit, hoog cognitieve vaardigheden, sociale en emotionele vaardigheden voor nodig zijn. Deze vaardigheden zijn (vrijwel) niet door AI te vervangen.
Artikelen over artificial intelligence (AI)
Hoe Artificial Intelligence ondersteunt bij B2B SaaS sales en marketing
30 geweldige toepassingen van deep learning