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 Naser Bakhshi in samenwerking met Johan van der Veen en Thomas Heeneman.
We gaan verder in op een aantal bredere technologie-ontwikkelingen die grote stappen zetten in het toepassen van AI, waaronder trends of groeifactoren die AI dichter bij mensen en organisaties brengt.
In de hoofdstukken Inleiding en Technieken in AI, hebben we de definities en technieken waarop AI is gebaseerd behandeld. Echter, ontwikkelingen in AI staan niet op zichzelf. De technologische ontwikkelingen hebben grote invloed op de mate waarin AI toegepast kan worden. De technologie maakt AI toegankelijker en hiermee verhoogt het ook de vraag naar AI.
Een van de eerste trends die de snelle groei van AI mogelijk maakt is ‘cloud computing’. In het hoofdstuk technieken werd al uitgelegd dat AI-technieken zijn gebaseerd op complexe wiskundige modellen en dat ze grote hoeveelheden trainingsdata (voorbeelden) nodig hebben om hun intelligente vaardigheden te leren. Het bouwen, verbeteren en uitvoeren van AI-toepassingen vergt daarom enorm veel rekenkracht. Cloud-technologie kan ervoor zorgen dat dit in een flexibele en schaalbare omgeving uitgevoerd kan worden op een relatief betaalbare manier waarvoor geen enorme initiële investeringen nodig zijn.
De IT-infrastructuur van grote ondernemingen is vaak te complex en te inflexibel om op en binnen bedrijfsplatforms te experimenteren met AI-toepassingen. Met AI-clouddiensten zoals Amazon AWS AI, Microsoft Cortana, IBM Cloud / Watson, Google Cloud Machine Learning en HPE HavenOnDemand kun je snel toepassingen bouwen en uitvoeren. Dit zijn slechts voorbeelden en met cloudoplossingen zoals ‘Analytics as A Service’(AaaS), kunnen organisaties experimenteren met AI en intelligente toepassingen bouwen zonder de bestaande IT-infrastructuur aan te tasten.
Op de tweede plek van toepassingen die het versnellen van AI mogelijk maken, staat big data. Of beter gezegd: grote, snelle en/of ongestructureerde data. Hierbij kun je denken aan alle informatie die afkomstig is van beelden, tekst, sensorgegevens of andere data die gegenereerd wordt door bijvoorbeeld mobiele apparaten. Momenteel bestaat 80 procent van alle bedrijfsgegevens uit ongestructureerde data die veel sneller in omvang toeneemt dan gestructureerde data. De laatste jaren is technologie die deze data kan vastleggen, opslaan en verwerken op grote schaal beschikbaar geworden. Veel bedrijven hebben daarom geïnvesteerd in het bouwen van ‘Data Lake’-platforms om hun big data te beheren.
De mogelijkheden en toepassingen van deze ongestructureerde data is enorm en toch zijn veel toepassingen nog onaangeroerd. AI-technieken maken het mogelijk om ongestructureerde data te verwerken en te analyseren waardoor bedrijven waardevolle inzichten kunnen krijgen en hun besluitvormingsprocessen kunnen verbeteren. Het kan mogelijk patronen en complexe relaties vinden door te schakelen tussen miljarden observaties. Bijvoorbeeld bij het evalueren van verzekeringsclaims kunnen intelligente AI-toepassingen automatisch natuurlijke taal van teksten begrijpen en afbeeldingen zoals foto’s analyseren (e.g. denk aan schade aan jouw auto bijvoorbeeld dat automatisch door AI-systemen herkend wordt). Door deze technieken te gebruiken kunnen AI-toepassingen fraude mogelijk eerder ontdekken, de kwaliteit en consistentie van de claimbeoordeling verbeteren en het afhandelproces van claims bijvoorbeeld efficiënter maken. Dit is slechts een van de vele voorbeelden waarvoor AI gebruikt kan worden.
Terwijl AI aan de ene kant de oplossing is om grote hoeveelheden ongestructureerde data te analyseren, heeft AI big data ook nodig om ‘intelligent’ te worden. Zoals al in ons vorige artikel en aan het begin van dit artikel werd vermeld, moeten AI-toepassingen met veel voorbeelden getraind worden. Je kunt dit beschouwen als een persoonlijke ontwikkeling: gedurende je leven leer je van ervaringen (door voorbeelden uit je omgeving) die je in staat stellen bepaalde taken uit te voeren en jezelf te verbeteren waardoor je meer kennis opdoet. Dit kan worden verbeeld door een voorbeeld van ‘Fleet Learning’ van Tesla waar alle data van Tesla voortdurend wordt gedeeld met het centrale datasysteem, zoals kaartgegevens: waar wordt met de auto gereden, op welk tijdstip en met welke snelheid? Zodra een aanzienlijk aantal auto’s een gewijzigde toestand doorgeeft (veroorzaakt door bijvoorbeeld slechte wegomstandigheden, wegwerkzaamheden, etc.) wordt het systeem geüpdated, zodat andere auto’s kunnen leren zich voor te bereiden op de gewijzigde omstandigheden.
Om deze reden is de relatie tussen AI en big data tweeledig: big data is een vereiste voor AI en AI is de oplossing om ongestructureerde date te verwerken en er inzichten uit af te leiden.
Misschien wel de meest eenvoudige manier om intelligente toepassingen te bouwen is door applicatieprogramma-interfaces (API’s) te gebruiken. Een API is een stukje ‘out of the box’ functionaliteit dat kan worden aangeroepen vanuit een ander programma of andere app. Als jouw app bijvoorbeeld gezichtsherkenning vereist, kun je een API aanroepen in plaats van zelf een gezichtsherkenning algoritme te ontwikkelen. Veel grote technologiebedrijven bieden API’s aan op het gebied van computervisie (beeldherkenning), spraakherkenning en natuurlijke taalverwerking (natural language processing, NLP) of andere cognitieve domeinen op de cloud platforms.
Intelligente API’s zijn voorgetrainde en voorgeconfigureerde modellen die gemaakt zijn voor een bepaalde taak en dienen als toegangspoorten tot AI-toepassingen. Dit kan worden weergegeven met de Visual Recognition API van IBM bijvoorbeeld. Wanneer deze API wordt aangeroepen en een afbeelding van een auto ontvangt, zal de API de auto herkennen en misschien ook andere voorwerpen die op de afbeelding staan. De herkende voorwerpen worden met een zekere mate van betrouwbaarheid weergegeven en gedeeld met de gebruiker.
Bovendien hoeven API’s niet als opzichzelfstaande diensten gebruikt te worden. Ze kunnen dienen als bouwstenen voor gecombineerde intelligente toepassingen. Bijvoorbeeld: als je een toepassing wilt ontwikkelen waarbij gesproken tekst wordt vertaald, heb je een API nodig die spraak kan omzetten naar tekst, een API die tekst kan omzetten naar spraak en een API voor vertaling. Dankzij deze modulaire eigenschap zijn API’s erg geschikt voor een breed scala aan AI-toepassingen. De snelste en meest eenvoudige manier om een AI-toepassing te bouwen en integreren is door cognitieve API’s te gebruiken.
Hoewel API’s een geweldige manier zijn om AI-toepassingen te ontwikkelen, zijn ze zeer specifiek gericht op het verwezenlijken van een bepaalde taak. Wanneer je een machine learning-taak moet uitvoeren die niet beschikbaar is via een API kun je zelf een API bouwen. Hiervoor moet je beschikken over de vereiste domein- en programmeerkennis, data en algoritmes.
Vandaag de dag zijn er steeds meer AI-algoritmes beschikbaar als open source. Dit betekent dat ze publiekelijk toegankelijk zijn en vaak geen licentiekosten met zich meebrengen. Een gevolg hiervan is dat ontwikkelaars van AI-toepassingen kunnen vertrouwen op de kennis en het eerdere werk van een grote gebruikersgroep. Deze trend vormt daarmee de vierde versnellingsfactor van het toepassen van AI. Een voorbeeld van open source AI-software is TensorFlow van Google. TensorFlow is een open source zelflerende softwarebibliotheek met veel verschillende algoritmes en raamwerken.
Een simpele vergelijking tussen een API en het onderliggende open source framework kan worden weergegeven in het volgende voorbeeld. Met de Speech API van Google kun je toepassingen ontwikkelen die audio van de gebruiker ontvangen en dit omzetten naar platte tekst. Om dit voor elkaar te krijgen gebruikt de API van Google technieken zoals deep learning en is hij getraind door miljoenen voorbeelden. Daarnaast heeft Google ook de broncode voor het (deep learning) neurale netwerk publiekelijk toegankelijk gemaakt. Maar met enkel de broncode kan audio niet worden omgezet naar tekst. Het model dient getraind te worden met veel voorbeelden, maar kan, afhankelijk van de behoeften van de gebruiker, zeer specifiek ingesteld worden.
Een laatste opmerking over open source is dat AI-toepassingen ook een combinatie van API’s en open source technologieën kunnen gebruiken om snel toepassingen te bouwen die bestaan uit meerdere vooraf geconfigureerde modules. Hierdoor versnelt het ontwikkelingsproces en wordt het beste van beide werelden gebruikt. Alles samen genomen zullen open source AI-technologieën de gebruikersgroep en de reeks usecases voor AI vergroten en concurrentie teweegbrengen tussen grote commerciële AI-leveranciers. Tegelijkertijd verpakken enkele grote leveranciers open source AI-code in een commerciële toepassing en voegen daar onder meer support, onderhoud en training aan toe.
De laatste belangrijke versnellingsfactor voor AI is het Internet of Things (IoT). Hiermee worden alle (mobiele) apparaten of sensoren bedoeld die verbonden zijn met het internet en met elkaar. Al deze apparaten samen genereren een enorme hoeveelheid semigestructureerde data die de AI-toepassingen kan ‘voeden’ en verbeteren. Een aantal voorbeelden hiervan zijn: zelfrijdende auto’s, woningen met slimme thermostaten, slimme pacemakers die realtime inzichten van de patiënt doorsturen naar de arts of een parkeergarage die je auto kan herkennen en jouw toegang biedt.
Naar gelang steeds meer en meer apparaten verbonden zijn met het internet, is er een standaardisatie van gegevensstromen, data formaten en –diensten nodig, zodat deze apparaten goed op elkaar kunnen reageren. Standaardisatie in IoT is nog steeds in ontwikkeling. Twee belangrijke bouwstenen voor standaardisatie op het gebied van AI zijn het JSON-dataformaat en de REST-principes voor API’s.
JSON (JavaScript Object Notation) is een dataformaat dat gemakkelijk te schrijven en te begrijpen is voor ontwikkelaars en die eenvoudig te genereren en te verwerken is voor computers. REST staat voor Representational State Transfer en is een sofwarearchitectuur/-benadering voor webdiensten die een eenvoudige evolutie van door API-aangedreven diensten mogelijk maakt.
Nu er steeds meer data wordt gegenereerd door IoT-apparaten en de ontwikkeling en integratie eenvoudiger is geworden dankzij gestandaardiseerde formaten, komen er steeds meer AI-oplossingen op de markt die gebaseerd zijn op deze standaarden.
Recente technologische trends zijn de drijfveer achter de brede toepassing van AI. Met de cloud als platform en API’s als bouwstenen voor intelligente toepassingen, wordt AI toegankelijk voor meer mensen en organisaties dan ooit tevoren. De toename van gestructureerde en vooral ongestructureerde data creëert mogelijkheden voor AI-technologieën die steeds intelligenter kunnen worden en hiermee de organisaties een concurrerend voordeel kunnen geven als zij op de juiste wijze toegepast worden. Bovendien kunnen open source AI-technologieën op maat gemaakte AI-oplossingen snel ontwikkelen door voorgebouwde modules en de kennis van het publiek te gebruiken. Ten slotte zal IoT de standaardisatie verder aansturen waardoor nog meer data beschikbaar wordt en apparaten beter met elkaar worden geïntegreerd.
Wij geloven dat door de recente technologische trends die in dit hoofdstuk beschreven staan, de tijd aangebroken is voor de organisaties om AI voorbij de experimentele fase te trekken en gericht te investeren in volwaardige AI oplossingen.