This work is licensed under a
Creative Commons Attribution-NonCommercial-ShareAlike 4.0
International License.
Deze tekst is een bewerking van het artikel op Emerce door Stefan van Duin en Naser Bakhshi
Wat is AI? Wat zijn zelflerende systemen? Wat zijn Cognitieve Analytics? En hoe staan deze termen met elkaar in verhouding? Kunstmatige intelligentie (Artificial Intelligence of AI) lijkt alom aanwezig, maar het blijkt vaak nog onduidelijk wat het vakgebied inhoudt. In dit eerste artikel verschaffen we inzicht in de meest gebruikte terminologie binnen AI.
Verderop in deze cursus:
Verschillende publicaties stellen dat AI weet welke producten we willen kopen, dat het Netflix-series kan maken, kanker kan genezen en dat het uiteindelijk onze banen overneemt of zelfs de gehele mensheid wegvaagt. Het probleem met – en tegelijkertijd ook de mogelijkheid van – AI is dat de definitie van AI niet strikt is, maar juist erg breed is. Iemand uit de jaren ’80 zou het navigatiesysteem in onze auto’s waarschijnlijk als een vorm van kunstmatige intelligentie beschouwen, terwijl wij dit vandaag de dag niet meer doen. We zien hetzelfde gebeuren met spraak- en beeldherkenning, natuurlijke taalherkenning, game engines en andere technologieën die meer en meer de standaard worden en die worden toegepast in alledaagse technologie.
Aan de andere kant zijn meerdere fabrikanten van technologieën hun reeds bestaande oplossingen aan het aanpassen naar AI om te profiteren van de enorme hype in de markt om de aandacht te trekken van media. Tot voor kort zouden zelflerende modellen die de vraag van klanten voorspellen, een model dat al jaren bestaat, “datamining” worden genoemd. Nu herpositioneren bedrijven ditzelfde model als “kunstmatige intelligentie”. Dit leidt tot een grotere verwarring over wat AI nu daadwerkelijk is en het kan goed mogelijk zijn dat dit vervolgens leidt tot te hoge verwachtingen.
Over het algemeen verwijst AI naar een breed wetenschappelijk domein waarbij niet alleen wordt gekeken naar computerwetenschap, maar ook naar psychologie, filosofie, taalkunde en overige gebieden. AI houdt zich bezig met het leren van vaardigheden aan computers waarvoor normaal gesproken menselijke intelligentie is vereist. Dat gezegd hebbende, zijn er natuurlijk veel standpunten over AI en bestaan er vele definities. Hieronder gaan we verder in op sommige definities waarbij we de belangrijkste eigenschappen uitlichten.
Een aantal algemene definities:
“AI is de wetenschap en de techniek van het vervaardigen van intelligente machines, voornamelijk intelligente computerprogramma’s.” (3)
Een schaakcomputerprogramma kan een mens verslaan bij het schaken, maar datzelfde programma kan niet een moeilijk wiskundig probleem oplossen. Zo zijn eigenlijk alle huidige AI toepassingen beperkt, ofwel het kan alleen de taak verrichten waar het voor ontwikkeld is. Dit betekent dat voor ieder probleem een specifiek algoritme moet worden ontwikkeld om het probleem op te lossen. Het menselijk brein is in staat om voor alle problemen tot een oplossing te komen. Programma’s met beperkte AI zijn echter meestal veel beter in het uitvoeren van de taak waarvoor ze zijn gemaakt dan mensen. Kijk bijvoorbeeld naar gezichtsherkenning, schaakcomputers, berekeningen en vertalingen. De heilige graal van AI is Algemene AI waar één systeem vaardigheden kan leren en vervolgens elk probleem kan oplossen waar het mee te maken krijgt, precies zoals een mens kan doen. Als mens kunnen we ons specialiseren in een specifiek onderwerp, van abstracte wiskunde tot psychologie en van sport tot kunst.
Een AI-systeem combineert en gebruikt voornamelijk zelflerende en andere vormen van data-analytische methodes om vaardigheden te kunnen uitvoeren die worden beschouwd als kunstmatige intelligentie.
Bij zelflerende systemen distilleert een computer regelmatigheden op basis van trainingsdata. Als je bijvoorbeeld een algoritme wilt schrijven waarmee spam in e-mails geïdentificeerd kan worden, dan moet je het algoritme trainen door het zoveel mogelijk bloot te stellen aan voorbeelden van e-mails die handmatig gemarkeerd zijn als spam of die juist geen spam bevatten. Het algoritme “leert” om patronen te identificeren, zoals de mate waarin bepaalde woorden gebruikt zijn of de combinatie van woorden. Deze patronen bepalen de kans of een e-mail wel of niet als spam wordt gezien.
Zelflerende systemen kunnen worden toegepast op vele verschillende problemen en datasets. Je kunt een algoritme trainen om foto’s van katten in fotoverzamelingen te herkennen of om potentiële frauduleuze verzekeringsclaims te identificeren, maar ook om handgeschreven tekst om te zetten in gestructureerde tekst of om spraak om te zetten naar geschreven tekst, etc. Bij al deze voorbeelden dien je gebruik te maken van gemarkeerde trainingssets. Afhankelijk van de gebruikte techniek kan een algoritme zichzelf verbeteren door het toevoegen van een feedbackloop die laat zien in welke gevallen het algoritme fouten heeft gemaakt.
Het verschil met de heilige graal van AI echter is dat een zelflerend algoritme nooit zal begrijpen waarvoor het is gemaakt. Het zal misschien in staat zijn om spam te herkennen, maar het zal nooit weten wat spam is of begrijpen waarom we spam willen identificeren. Bovendien zal het waarschijnlijk niet in staat zijn een nieuw soort spam te herkennen, tenzij het opnieuw door iemand (een mens) wordt getraind. Zelflerende systemen vormen de basis van de meeste AI-systemen, maar waar een zelflerend systeem misschien wel intelligent lijkt, is het, in onze definitie van AI, dat niet.
Cognitieve Analytics is een onderdeel van AI dat zich bezighoudt met cognitief gedrag dat we associëren met “denken”, in tegenstelling tot perceptie (=waarnemen) en motorische controle. Met het vermogen om te denken kan een entiteit informatie verkrijgen uit observaties, vaardigheden leren en communiceren.
Een cognitief systeem is in staat om informatie te halen uit ongestructureerde gegevens door concepten en relaties in een kennisbasis te zetten. Bijvoorbeeld, in een tekst over Donald Trump kunnen de relaties in onderstaande met elkaar in verband worden gebracht door gebruik te maken van natuurlijke taalverwerking. Tachtig procent van alle bedrijfsgegevens is ongestructureerd en de huidige Cognitieve Analytics-systemen kunnen al deze gegevens doorzoeken om het antwoord op uw vraag te vinden.
Het cognitieve systeem verbetert zijn prestaties op den duur op twee belangrijke manieren. Ten eerste, door interactie met mensen en door gebruik te maken van feedback van de gesprekspartner of door interactie tussen twee mensen te observeren. Ten tweede, door gebruik te maken van alle data in de kennisbank. Nieuwe kennis kan worden verkregen door inferenties (inferentie is het generaliseren van waarnemingen, kenmerken, eigenschappen uit steekproeven naar een algemene toepassing).
Een ander belangrijk aspect van Cognitieve Analytics is het vermogen om context te gebruiken. Dankzij het gebruik van context kunnen Cognitieve Analytics-systemen betekenis uit taal afleiden. Een chatbot kan bijvoorbeeld rekening houden met de chatgeschiedenis om af te leiden wie wordt bedoeld met het woord hij:
Gebruiker: Wie is de echtgenote van Trump?
AI: Melania Trump.
Gebruiker: Hoe oud is hij?
AI: Donald Trump is 71 jaar
Figuur 4: voorbeeld van een gesprek van een cognitief systeem
Voor deze eenvoudige oefening moet het systeem zich bewust zijn van namen die mensen vertegenwoordigen, relaties tussen mensen, geslacht en het gezond verstand om daaruit af te leiden dat Trump naar Donald Trump verwijst. Al deze contextuele informatie is nodig om de juiste conclusies te trekken om beide vragen te beantwoorden.
Omdat cognitieve systemen contextuele informatie kunnen gebruiken, ongestructureerde gegevens kunnen begrijpen en kunnen redeneren over informatie, kunnen ze ook met mensen communiceren. Dit stelt het systeem in staat om te reageren op een vraag in het Engels, waarbij het niet langer een tijdrovend proces is om de vraag om te zetten in een formaat waarmee de computer kan werken. Bijvoorbeeld, een cognitief systeem voor een callcenter kan vragen van klanten over kampeeruitrustingen snel beantwoorden door informatie te gebruiken van productomschrijvingen, klantrecensies, verkoopgeschiedenis, actuele blogs en reismagazines (vb analyse software).
Cognitieve systemen kunnen communiceren door middel van vele soorten media, waaronder spraak, beeld, video, gebarentaal, grafieken of een combinatie hiervan.
AI is een belangrijke factor in het design en het in werking stellen van slimme robots en andere geautomatiseerde procestoepassingen. In zijn eenvoudigste vorm kan een robot een machine zijn die geprogrammeerd is om een eenvoudige taak uit te voeren door stapsgewijze instructies op te volgen. De robot kan een regelgebaseerde machine zijn die het systeem nadrukkelijk vertelt wat er moet worden gedaan als er zich een specifieke situatie voordoet. Een robot in een autofabriek is op een dergelijke manier geprogrammeerd en wordt nauwelijks nog als intelligent beschouwd.
Maar robotica bestaan in een veelvoud van veel meer intelligente vormen, variërend van onbemande autonome voertuigen (UAV's), drones, slimme stofzuigers tot intelligente chatbots en slimme assistenten, enz. Hoe geavanceerd robots zijn wordt duidelijk als we kijken naar robots die zijn ontworpen door Boston Dynamics en MIT’s Cheetah II. Een ander voorbeeld is Amelia: een intelligente assistent met natuurlijke taalverwerkingsmogelijkheden. Een belangrijk aspect bij robotica is dat het hardware (mechanische onderdelen, sensoren, schermen) combineert met intelligente software en gegevens om een taak uit te voeren waarvoor een zekere mate van intelligentie is vereist (bijv. oriëntatie, beweging, interactie, etcetera).
Het belangrijkste thema achter de term slimme machines is autonomie. Slimme machines zijn systemen die – tot op zekere hoogte – in staat zijn zelf beslissingen te nemen zonder dat er inbreng van mensen voor nodig is. Cognitieve Analytics-systemen kunnen, net zoals robots of eigenlijk elke vorm van AI, slimme machines worden genoemd zolang ze voldoen aan deze regel. In het geval van een robot kan autonomie bestaan uit een vermogen om te plannen waar de robot naartoe wil gaan, wat hij wil bereiken en hoe obstakels overwonnen kunnen worden. In plaats van door mensen te worden bestuurd of eenvoudigweg instructies op te volgen, zou de robot doelen op een hoger niveau kunnen bereiken, zoals boodschappen doen, gebouwen inspecteren, enzovoort. Dit wordt mogelijk gemaakt door planningsmethoden en zelfbehoudsinstincten die bovenop de vaardigheden komen die reeds vereist zijn voor een normale robot.
In het geval van een cognitief systeem zal de slimme robot proactief proberen nieuwe vaardigheden te leren, meningen te peilen en nieuwe regels van gezond verstand te leren door deel te nemen aan interacties met mensen. Hij zal vragen stellen en de antwoorden online controleren. De robot zal besluitvormers ook actief informeren over veranderingen die het heeft waargenomen. Bijvoorbeeld, als meningen van klanten op social media plotseling veranderen kan de robot zelfs op deze veranderingen reageren. Hij zou bijvoorbeeld met klanten in gesprek kunnen gaan of positieve meningen delen op de socialmediakanalen van het bedrijf.
Aangezien slimme machines zelfstandig en intelligent zijn, kunnen ze misschien met elkaar gaan communiceren. Dit leidt tot multi-agentsystemen die transacties kunnen uitvoeren om hun nut te verhogen. Tijdens het inspecteren van een gebouw kan een robot bijvoorbeeld een drone vragen om het dak van een gebouw te inspecteren. Hier wordt dus de ene gunst voor een andere verleend, zoals het vervoeren van goederen of geld.
Een cognitief systeem dat een slimme machine wordt, kan zich specialiseren in een specifiek onderwerp, waardoor het een deskundige in dat onderwerp wordt. Nu kunnen andere slimme machines het systeem om informatie vragen dat over dat onderwerp gaat en zal het systeem sneller relevante antwoorden kunnen geven dan een algemeen cognitief systeem dat niet gespecialiseerd is. Informatiemakelaars zoals deze systemen verbeteren het algemene nut van het hele netwerk van slimme machines.