De laatste tijd komt de term ‘kunstmatige intelligentie’ oftewel Artificial Intelligence (AI) steeds meer voorbij in het nieuws… met vaak voorbeelden die uw wenkbrauwen doen fronsen. In sommige voorbeelden lijkt het alsof AI al een enorme sprong voorwaarts heeft gemaakt en ons op allerlei vlakken aan het inhalen is. Maar is dat eigenlijk wel zo? Wat is de impact van Artificial Intelligence vandaag de dag? En hoe kun je het nu al op een goede manier inzetten? In deze blog nemen we een kijkje in de keuken van hedendaagse AI-technieken, specifiek machine learning en één niveau lager – deep learning. Dat zijn immers de technieken waar we het meeste over horen. De blog begint misschien een tikkeltje filosofisch, maar geen zorg – we gaan daarna al vrij gauw over op hoe we toch kansen kunnen creëren met AI.

In ons werkveld – het inzetten van nieuwe technologie – komen we twee totaal tegenovergestelde stromingen tegen omtrent AI. De ene stroming – de singularity movement – gelooft in iets dat ook wel technologische singulariteit wordt genoemd. Singulariteit is een moeilijk woord voor een superintelligent systeem, wat feitelijk betekent dat het systeem slimmer is dan de mens. De beweging, die al sinds de jaren ’90 bestaat maar sinds 2005 onder leiding van Ray Kurzweil is aangezwengeld, gelooft dat een superintelligent systeem ervoor zorgt dat alle wereldproblemen worden opgelost. Honger verdwijnt, voor ziektes worden snel behandelingen gevonden, enzovoort. Dat zou natuurlijk een perfecte wereld zijn.

Maar aan de andere kant van het spectrum staat de beweging die wordt aangejaagd door onder andere Elon Musk. Zij redeneren heel rationeel over Artificial Intelligence: een AI-systeem heeft een intern gedefinieerd doel en zal altijd proberen zijn ‘winst’ (dus: hoe goed het doel bereikt is) te maximaliseren en zijn ‘verlies’ te minimaliseren. Dit rationalisme, zoals dat ook wel heet, zou er bij een superintelligent systeem voor zorgen dat de mensheid kan worden uitgeroeid, zo gelooft men. Zo’n superintelligent systeem heeft een voorsprong op de mens, kan zichzelf dus steeds sneller slimmer maken, en zal direct ageren zodra de mens het probeert uit te zetten. Oeps.

Maar ja… dit zijn hele leuke filosofische gedachtenexperimenten, maar we leven in een echte wereld. Waar we met serieuze uitdagingen kampen, zoals migratie uit angst door vervolging in politiek instabiele gebieden of klimaatverandering met op sommige plekken steeds verder toenemende droogte. Kunnen we daar AI al voor gebruiken?

AI biedt kansen als je de beperkingen kent

Het antwoord op die vraag is ja. De grootste kracht van een AI-systeem vandaag de dag is om bepaalde patronen te herkennen in grote hoeveelheden data. Om in het kader van de uitdagingen te spreken, kunnen we het voorbeeld van migratie aanhalen. In de afgelopen jaren zijn veel mensen in kleine bootjes de Middellandse Zee overgestoken in de hoop op een beter leven. Dat levert vaak enorm gevaarlijke situaties op, omdat dergelijke bootjes vaak volgepropt zijn en het weer onstuimig kan zijn. Maar ja: het patrouilleren van zo’n enorm gebied is onbegonnen werk. Wat nu?

Een AI-model kan dan een uitkomst zijn. De zee is een relatief ‘gelijkmatig’ oppervlak: veelal een blauw vlak. Het is dan best goed mogelijk om een model te trainen dat op recente satellietbeelden ‘afwijkingen’ detecteert. Oftewel: objecten die daar op dat moment varen. Het kan dan om schepen gaan, maar ook om bootjes. Door zo’n model veel voorbeelden te voeden van dergelijke bootjes kan het echt worden ingezet.

Maar AI is niet overal toepasbaar. En dat is iets wat we vandaag de dag lijken te vergeten. De hedendaags gebruikte vorm van AI, machine learning en – een niveau lager – deep learning – kent serieuze beperkingen. Afgelopen jaar heeft Gary Marcus, een professor aan New York University, het werk ‘Deep Learning: A Critical Appraisal’ uitgegeven. Daarin schetst hij een behoorlijk aantal beperkingen voor deep learning:

Hoe diep is diep? De meest complexe neurale netwerken, die het menselijk brein proberen na te bootsen, bevatten vele miljoenen minder neuronen dan het gemiddelde brein. Bovendien is het menselijk brein zodanig gestructureerd dat alle onderdelen met elkaar samenwerken. In een deep learning-model is zo’n structuur er niet. De vraag is dus: hoe diep is diep eigenlijk?

Wat is leren? Mensen leren door een verzameling logische regels op te bouwen van alle objecten rondom hen. We weten hoe we een mens kunnen herkennen op basis van deze regels: een gemiddeld mens heeft een hoofd, benen, armen, enzovoort. Dit noemen we ook wel deductie en werkt top-down: van een algemeen beeld over een mens kunnen we afleiden dat ik een mens ben (althans, dat hoop ik). Een deep learning-model werkt echter bottom-up en dus inductief: op basis van voorbeelden herkennen ‘wat een mens is’. Dat betekent dat zo’n model dus op een volstrekt andere manier werkt. Het levert een enorme honger voor data op. Waar wij op basis van één voorbeeld kunnen leren dat het gaat om een mens, heb je bij machine learning vaak duizenden voorbeelden nodig om dat goed te kunnen. Oei.

Dan nu deze :

Open vragen stellen is onmogelijk. Mensen zijn in staat om in ieder geval te proberen om antwoord te geven op het moment dat ze een willekeurige open vraag krijgen. In het geval van een machine learning-model werkt dat niet. Het is heel ‘smal’ getraind op een aantal uitkomsten. In de video hierboven zijn dat inderdaad ‘hotdog’ en ‘not hotdog’. Is natuurlijk grappig – maar zo werkt het écht.

Het overzetten van kennis is lastig. Stel nu dat je duizenden foto’s van een witte bal hebt geüpload. Een machine learning-model dat je vervolgens koppelt aan een webcam kan dus waarschijnlijk perfect herkennen dat er een witte bal in beeld is. Maar wat nu als je een rode bal in beeld laat verschijnen? Er is best een kans aanwezig dat ‘ie dan niet als bal herkend wordt. Waar mensen via deductie dus kleuronafhankelijk herkennen dat een bal een bal is, werkt dat bij de inductieve machine learning-modellen niet. Al is daar natuurlijk een heel elegante oplossing voor als kleur niet van belang is: de foto’s waarmee je het model traint én de nieuwe data die moet worden beoordeeld eerst omzetten naar grijstinten… 😊

Andere problemen. Ook de transparantie van een machine learning-model blijft een uitdaging. Hoewel er veel stappen worden gezet is het hoe achter het leerproces vaak nog een black box. Ook is het integreren van zo’n model met reeds bestaande kennis lastig. Vaak moet je het hele trainingsproces opnieuw doorlopen. En wat denken we van de regel ‘correlatie is geen causatie’ – oftewel: je kunt nog wel zo’n mooi verband vinden, maar dat betekent niet dat ‘A betekent B’ per definitie geldt. Ook daar wordt onderzoek naar gedaan, onder andere op de Universiteit Twente.

Enzovoort. Het is precies de reden waarom AI-systemen nog niet overweg kunnen met creatief, strategisch en/of empathisch werk. Daarvoor is het noodzakelijk dat mensen kennis integreren uit verschillende bronnen, kennis over één situatie kunnen gebruiken in de andere, kunnen uitleggen waarom ze iets doen en open vragen moeten beantwoorden. En tja, daar zijn machine learning-systemen nog niet goed in. Maar redundant en repetitief werk? Daar zijn ze uitermate effectief.

Gezond boerenverstand is de sleutel tot succes

‘Heb je jaren gestudeerd, wordt gezond boerenverstand ineens weer hip’ staat op een poster van de welbekende spreukenposter Loesje. En in onze ervaring is gezond boerenverstand inderdaad de sleutel tot succes bij AI-projecten, specifiek machine learning-projecten. Daarom werken we met onder meer de volgende uitgangspunten:

  1. Niet de hype volgen. Deep learning staat bovenin de Gartner Hype Cycle van afgelopen jaar. Dat betekent dat er veel rooskleurige verhalen naar buiten worden gebracht over de inzet van AI, specifiek deep learning. Maar is het eigenlijk wel zo spectaculair wat daar gebeurt? Valt vaak wel mee. Kijk door de ‘fanciness’ van de toepassing heen.
  2. Klanten ook vertellen als AI niet bijdraagt aan hun succes. Het is wel eens gebeurd dat een klant in de Gasfabriek kwam voor een augmented reality-oplossing, maar uiteindelijk een AI-project kreeg. Dat werkt andersom natuurlijk net zo goed. Op het moment dat onze inschatting is dat AI een klant helemaal niets brengt, zullen we dat ook vertellen.
  3. Succesvol AI inzetten is eerst je data op orde hebben. Vaak zien we dat bedrijven moeite hebben met hun datahuishouding doordat deze nooit is opgezet met als doel AI te gebruiken. Een eerste stap is dan het zorgen voor een uitgebreide trainingset. Liefst een trainingset die automatisch wordt uitgebreid en door mensen kan worden aangevuld met de ‘context’ en ‘labels’ die nodig zijn. Pas dan kom je ergens.

Kortom: we gebruiken gezond boerenverstand om te bepalen waar AI wel en waar AI totaal niet relevant is. Pas dan gaan we bouwen. Heeft u behoefte om eens met een frisse blik te kijken naar uw business en of daar AI toepasbaar is – en of het waarde toevoegt? Neem dan gerust contact met ons op. In de Gasfabriek, het innovatiecentrum waar wij gevestigd zijn vlak langs de A1, serveren we heerlijke koffie.

Tot snel!