Blogserie naar aanleiding van “Winnen met kunstmatige intelligentie”

Blog #2 – maart 2020

Kunstmatige intelligentie is een bewegend doel

Niet iedereen die het over kunstmatige intelligentie heeft, bedoelt hetzelfde. Voor sommigen is kunstmatige intelligentie een computer met de hersencapaciteiten van een mens (IQ én EQ). Voor anderen – en ook voor mij – is het geavanceerde data-analyse en daarmee veel minder eng. Waarom is er geen eenvoudige en algemeen aanvaarde definitie?

De term kunstmatige intelligentie stamt uit het jaar 1956. In die tijd was het idee een computer zodanig te programmeren dat die menselijk gedrag zou gaan vertonen. Het was een top-downbenadering: als je het gedrag van mensen in regels kunt vatten, kun je een computer die regels laten uitvoeren. Dit is echter te complex gebleken en bovendien weten we inmiddels dat menselijk gedrag niet rationeel is en dat de werking van het menselijke brein moeilijk is te ontcijferen.

Deze werkwijze is dan ook naar de achtergrond geraakt. In de jaren tachtig van de vorige eeuw werd de scope van kunstmatige intelligentie versmald tot een expertsysteem voor specifieke taken. Sindsdien is de benadering bottom-up: je traint een computer om specifieke taken uit te voeren op basis van data. Goed beschouwd is kunstmatige intelligentie dus helemaal geen intelligentie, maar slechts een onderdeel daarvan, namelijk voorspellingen maken. Als je aan je Google Home vraagt ‘wat is de hoofdstad van Drenthe’ en je krijgt als antwoord ‘Assen’, dan is het niet omdat Google Home dat werkelijk weet, maar omdat hij in staat is te voorspellen naar welk antwoord mensen die die vraag stellen op zoek zijn. Systemen met kunstmatige intelligentie worden ook wel beschouwd als voorspelmachines.

De eerste toepassingen van kunstmatige intelligentie zijn gebaseerd op algoritmes die door mensen zijn bedacht en geprogrammeerd. De machine voert aan de hand hiervan specifieke taken uit en heeft alleen een antwoord op een situatie die vooraf is gedefinieerd. Interessanter wordt het als de machine leervermogen krijgt en op basis van ervaring ook in afwijkende, maar vergelijkbare situaties de juiste beslissing kan nemen.

We komen dan op het terrein van machine learning. Als algoritmes automatisch beter worden als er meer data worden toegevoegd, spreken we van machine learning. Kort gezegd is machine learning een subset of deelverzameling van kunstmatige intelligentie.

Een machine-learningprogramma dat wordt gevoed met een groot aantal röntgenfoto’s met daarbij de symptomen die op die foto’s zijn te zien, kan op den duur die symptomen zelf gaan herkennen. Het programma gaat op zoek naar de gemeenschappelijke kenmerken van de foto’s met hetzelfde label en als je een nieuwe foto hebt, voorspelt het programma welke symptomen daarop te zien zijn aan de hand van een vergelijking met de eerder bestudeerde foto’s. Voor beeldherkenning wordt overigens vaak gebruikgemaakt van deep learning, wat weer een subset is van machine learning. Hierbij gebruik je artificiële of kunstmatige neurale netwerken om grote hoeveelheden data te analyseren. De samenhang tussen kunstmatige intelligentie, machine learning en deep learning wordt vaak weergegeven in drie concentrische cirkels.

Als we kunstmatige intelligentie algemeen definiëren als een computer die iets doet waarvoor normaal gesproken menselijke intelligentie nodig is, hebben we te maken met een bewegend doel (moving target). Lang geleden zou in deze definitie immers een rekenmachine als kunstmatige intelligentie zijn beschouwd, omdat tot dan toe alleen mensen wiskundige berekeningen konden maken. Nu wordt de rekenmachine als zodanig normaal beschouwd dat deze niet meer wordt geclassificeerd als kunstmatige intelligentie. De definitie verandert derhalve in de loop van de tijd.

Momenteel zijn autonomie en adaptiviteit de kernbegrippen in de definitie van kunstmatige intelligentie. Autonomie is het vermogen taken uit te voeren in een complexe omgeving zonder voortdurende begeleiding van een gebruiker. Met adaptiviteit of aanpassingsvermogen wordt bedoeld dat de prestaties in de loop van de tijd verbeteren doordat er wordt geleerd van ervaringen. Dit betekent dat anno 2020 kunstmatige intelligentie meestal machine learning betekent.


Blog #1 – februari 2020

Kunstmatige intelligentie is de hypefase allang voorbij

In science fictionverhalen wordt kunstmatige intelligentie vaak geassocieerd met een robot die zich als een mens gedraagt. Hij gaat zijn eigen gang, keert zich vervolgens tegen de mensheid en er is een heldendaad nodig om de wereld te redden. Een kunstmatige intelligentie die menselijk gedrag vertoont, wordt ‘strong AI’ genoemd, maar is nog heel ver weg. Een computersysteem dat op basis van data routinematige taken van mensen kan overnemen, noemen we weliswaar ‘weak AI’, maar is veel realistischer én heeft veel meer impact op organisaties, de samenleving en onszelf.

In de basis levert kunstmatige intelligentie vooral een verbetering op van de traditionele methoden van data-analyse die we kennen uit de statistiek. In die zin zou je kunnen redeneren dat we het hier over een hype hebben. Toch is er meer aan de hand. Er zijn namelijk meer methoden beschikbaar gekomen en de algoritmes voor machine learning zijn veel beter geworden, vooral door de ontwikkeling van neurale netwerken en deep learning. De rekenkracht is enorm toegenomen, waardoor analyses die voorheen een week duurden nu in minder dan een seconde kunnen worden uitgevoerd. Bovendien zijn er meer data beschikbaar dan ooit tevoren.

De ontwikkeling van de kunstmatige intelligentie is hierdoor het afgelopen decennium in een stroomversnelling gekomen. In alle organisaties is het belang van data en data-analyses groter dan ooit. De wijze waarop kunstmatige intelligentie wordt gebruikt is echter heel verschillend. Bedrijven richten zich in eerste instantie vaak op het verlagen van de kosten om daarmee de efficiency van het bestaande businessmodel te verbeteren. Als de ervaring toeneemt, ontwikkelen bedrijven een breder perspectief en richten ze zich bijvoorbeeld ook op het vergroten van de effectiviteit van de verkoop om hun marktaandeel te vergroten. De voorlopers gebruiken kunstmatige intelligentie om nieuwe producten en diensten te ontwikkelen en daarmee hun markt groter te maken of een nieuwe markt te creëren. De verschillen tussen de early adaptors en de laggerds nemen toe en het wordt voor de laatste groep steeds urgenter om aan te haken.

Het is eenvoudiger gezegd dan gedaan om toepassingen van kunstmatige intelligentie te ontwikkelen en te implementeren. Een strategie voor kunstmatige intelligentie begint ermee dat je je toekomstige businessmodel duidelijk voor ogen krijgt. Hoe zal de markt waarin je actief bent zich ontwikkelen en welke positie wil je daarin innemen? Weet je wat de concurrentie doet met kunstmatige intelligentie? En: zijn de concurrenten van nu ook de concurrenten van de toekomst of zullen nieuwe toetreders de verhoudingen in de sector fundamenteel veranderen? Wat je nodig hebt is een beeld van de kansen die kunstmatige intelligentie voor je organisatie in de volle breedte biedt, waarbij niet is uit te sluiten dat grote delen van de bestaande bedrijfsvoering moeten worden gereorganiseerd om die kansen te benutten.

Voor de implementatie heb je een digitale infrastructuur nodig die je in staat stelt data te verzamelen en te beheren op een manier die ondersteunend is aan het bedrijfsproces en die voldoet aan de wet- en regelgeving daaromtrent, zoals de Algemene Verordening Gegevensbescherming (AVG). Dit klinkt misschien ingewikkeld, maar is beslist niet de grootste barrière. Veel moeilijker is het de juiste mensen te vinden die over de technische vaardigheden beschikken en die de businessbehoefte kunnen vertalen naar dataanalyses. De beschikbaarheid van talent op het gebied van kunstmatige intelligentie is zo beperkt, dat organisaties zich moeten afvragen of zij in staat zijn dergelijk talent zelf aan te trekken en vast te houden. Vaak is uitbesteden geen keuze, maar noodzaak.

En dan komt daar de weerstand vanuit de bestaande organisatie nog bij. Hoe zorg je ervoor dat de inzichten die je dankzij kunstmatige intelligentie verkrijgt in de processen van de organisatie worden geïmplementeerd? Kunstmatige intelligentiesystemen worden in eerste instantie vaak als expertsysteem geïntroduceerd. Mensen kunnen het systeem raadplegen en vervolgens naar eigen inzicht beslissen of zij de aanbeveling van het systeem volgen. De vrijblijvendheid neemt af als in de loop van de tijd blijkt dat het systeem betere uitkomsten genereert dan mensen. Uiteindelijk wordt de werkwijze omgekeerd en worden de beslissingen die door het systeem worden voorgesteld de standaard en kijken mensen mee om in te kunnen grijpen als er iets misgaat. Het is vergelijkbaar met de ontwikkeling van de zelfrijdende auto. Als een auto autonoom rijdt, is de bestuurder toch nog verplicht op te blijven letten en de handen aan het stuur te houden.

Ook voor overheden is er alle reden om proactief met kunstmatige intelligentie aan de slag te gaan. Hier liggen immers nieuwe mogelijkheden voor economische groei. Zoals bedrijven hun eigen concurrentiepositie beschermen, beschermen overheden de internationale positie van een land, bijvoorbeeld door te investeren in onderwijs en wetenschap, door privaat ondernemerschap te bevorderen en de transitie van de arbeidsmarkt in goede banen te leiden. Bovendien wordt er naar de overheid gekeken om een antwoord te vinden op de maatschappelijke risico’s van kunstmatige intelligentie. Door zelf actief onderzoek te doen en te investeren in kunstmatige intelligentie kun je als overheid voor je land niet alleen de directe vruchten plukken, maar ook invloed uitoefenen op de manier waarop kunstmatige intelligentie wordt uitgerold en toegepast.

Om de kansen te kunnen benutten is een realistisch beeld nodig van wat kunstmatige intelligentie werkelijk is. Wie de science fiction negeert en ziet wat er nu al mogelijk is en wereldwijd gebeurt, laat zich niet leiden door onnodige angst voor de technologie en realiseert zich dat de hypefase allang voorbij is.

Comments are closed.