Wat is kunstmatige intelligentie?

Voor wie het nieuws volgt ziet het overal om zich heen: kunstmatige intelligentie en toepassingen ervan duiken steeds meer op in de wereld om ons heen. Bijna elke dag kun je in de nationale en internationale media berichten lezen met titels als: ‘Bots als je nieuwe collega’, ‘Inzet kunstmatige intelligentie in bedrijfsleven groeit met 162% per jaar’, ‘‘Kunstmatige intelligentie gaat nu echt het verschil maken’.

Definitie kunstmatige intelligentie

Maar wat is kunstmatige intelligentie eigenlijk? Mijn definitie is: ‘kunstmatige intelligentie is het concept dat machines taken kunnen uitvoeren op een manier die wij mensen als ‘slim’ zouden beoordelen omdat we vinden dat ze toebehoren aan menselijke intelligentie.’ Het is een goede definitie omdat het een uitspraak doet over de manier waarop we er naar kijken vanuit het perspectief van de menselijke intelligentie. Het zegt ook iets over de tijdelijkheid van het begrip. Sommige toepassingen die we na verloop van tijd beschouwen als ‘normaal’ noemen we gek genoeg na verloop van tijd geen ‘kunstmatige intelligentie’ meer.

Wikipedia zegt “In de computerwetenschap wordt kunstmatige intelligentie, ook wel machine intelligentie genoemd, aangetoond door machines, in tegenstelling tot de natuurlijke intelligentie die door mensen en dieren wordt getoond”.

Kunstmatige intelligentie om ons heen

We zijn op weg naar een nieuw tijdperk met dank aan kunstmatige intelligentie. Slimme algoritmes die met ons meedenken, ons helpen, het werk efficiënter kunnen maken en sneller en accurater data kunnen verwerken. Patronen kunnen herkennen uit grote onoverzichtelijke hoeveelheden data. Gezichten, spraak en tekst kunnen herkennen als ware het mensen. Slimme computersystemen die menselijke ‘vaardigheden’ beginnen te bezitten en intelligentie toevoegen aan producten, processen en diensten.

En dat is geen toekomstdenken, maar realiteit. Er is enthousiasme over de recente kwalitatieve toename van kunstmatige intelligentie en daarbij tekenen zich de contouren van een maatschappij met een vaste rol zich steeds meer af.

En vergis je dus niet: in het heden wordt kunstmatige intelligentie ook al veel toegepast in de wereld om ons heen. Bijvoorbeeld om internetzoekmachines te laten draaien, je suggesties te doen op Netflix en Amazon, spam uit e-mails te filteren, e-mailtjes automatisch te laten beantwoorden, vertaalprogramma’s op het internet te laten functioneren, spraakopdrachten te herkennen, deepfakes te maken, stemmen te klonen, creditcardfraude op te sporen of zelfrijdende auto’s te besturen. In deze gevallen zijn het niet mensen, maar algoritmes die de handelingen uitvoeren.

We zien steeds meer om ons heen dat slimme software in staat is om waar te nemen, te leren, te handelen in zich aan te passen aan de echte wereld. En kunstmatig intelligente software is steeds beter in staat om taken van ons over te nemen die wij lang als het domein van mensen hebben beschouwd.

Toegevoegde waarde van kunstmatige intelligentie

Neil Jacobstein, kunstmatige intelligentie-expert bij de Singularity University, een denktank en opleidingsinstituut op het gebied van exponentiële trends, vat het als volgt samen. ‘De toegevoegde waarde van is evident. Het verandert het hele speelveld van innovatie en er vindt tevens een synergie plaats met vele andere sectoren, zoals robotica, blockchain en internet-of-things. De meerwaarde zit in velerlei aspecten. Zo is het in staat menselijke vaardigheden te versterken of beter te maken. Dus toegevoegde waarde te leveren aan wat wij als mensen kunnen. En dat niet alleen. kunstmatige intelligentie zorgt er ook voor dat we heel accuraat voorspellingen kunnen doen en dat processen sneller kunnen verlopen. Het helpt complexe problemen snel op te lossen en om de kwaliteit van producten te laten toenemen.’

Geschiedenis Kunstmatige intelligentie

Kunstmatige intelligentie als concept begint eigenlijk met de vraag wanneer een systeem intelligent is. Computerpionier Alan Turing (1912-1954) zocht naar dit antwoord en ontwikkelde de naar hem genoemde Turing Test (uit 1950). Hiermee wilde hij op eenvoudige wijze laten zien wat intelligentie is, als alternatief voor het maken van een ellenlange lijst van waarschijnlijk tegensprekende kwalificaties voor intelligentie. Een computer zou volgens hem intelligent zijn als deze niet van een mens te onderscheiden is.
Dit werd onderzocht door mensen schriftelijke vragen aan de computer te laten stellen. De menselijke ondervrager kon daarbij niet zien van wie of wat de antwoorden kwamen. Voor hem of haar was het dus niet zichtbaar of het antwoord kwam van een mens of een computer. Als de ondervrager niet in staat was aan te geven of de antwoorden van een computer of een mens kwamen, was de computer geslaagd. Er bestaat verschil van mening over de vraag of er al computers zijn die slagen voor de Turing Test.

Een mijlpaal in het ontstaan van kunstmatige intelligentie was een conferentie aan Dartmouth College in Hanover, New Hampshire (VS), in 1956. Hier waren grote namen in het vakgebied aanwezig. Tijdens deze conferentie spraken deze oprichters over het creëren van ‘intelligentie in machines’.
In hetzelfde jaar 1956 presenteerde Arthur Samuel een dam-applicatie op tv, waaraan hij al vier jaar had gewerkt. Omdat computers toen nog schaars waren, maakte hij het in de avonduren op computers van IBM die nog in testfase waren. Met zijn dam-applicatie ontkrachtte hij het idee dat computers niet méér kunnen dan wat ze verteld wordt, want het programma versloeg al snel zijn maker.

Rule-based kunstmatige intelligentie

De dam-applicatie is een van de eerste voorbeelden van een rule-based kunstmatige intelligentie system. ‘Rules based kunstmatige intelligentie’ behoort inmiddels bij de ‘klassieke’ stroming. De moderne technieken zijn onder andere machine learning. Daar kom ik straks op. Eerst nog even over die rule-based kunstmatige intelligentie. Dit zijn systemen die functioneren door het opvolgen van vooraf bedachte regels. Bijvoorbeeld het commando: als A gebeurt, doe dan B. Hoe complexer de situatie waarin de computer zit, hoe meer mogelijke situaties en reacties er zijn waarmee hij te maken kan krijgen.

En een computer zal in een complexere situatie verder vooruit moeten denken, bijvoorbeeld in de situatie: als A gebeurt, doe dan eerst B en vervolgens C. In een spelsituatie zal hij zelfs ook moeten bedenken wat zijn tegenstander waarschijnlijk gaat doen. Een overzicht van alle mogelijke situaties en de daaropvolgende acties wordt ook wel een beslisboom genoemd. Het is de basis van een ‘rule based system’. “Als A gebeurt, doe dan B en wanneer C gebeurt, doe dan E,F en G”

Beperkingen van Rule-based 

Het ideaal is natuurlijk een kunstmatig intelligent-systeem dat de wereld om zich heen begrijpt en dat niet regel voor regel moet worden geprogrammeerd. Dat is immers niet te doen en niet schaalbaar. Het kost veel tijd en menskracht om de computer instructies te geven voor iedere situatie. De wereld is niet voorspelbaar. Het is grillig en a-logisch soms.

Het is tevens lastig dat het systeem wel goed werkt in gebieden waar regels en definities glashelder zijn, zoals wiskunde of schaken, maar niet waar dat niet het geval is. Dit is ook een zwakte van het rule based systeem. Wanneer het systeem bijvoorbeeld zinnen zou moeten vertalen, wordt het alweer veel lastiger omdat woorden niet enkel de betekenis hebben uit het woordenboek, maar ook in een andere context vaak iets heel anders betekenen. Bank betekent in de ene zin een meubelstuk en in de andere zin een financiële instelling. Een beslisboom met voorbeelden met als-dit-dan-dat is dan minder handig. Sterker nog: rule based werkt niet, want het aantal variaties in de wereld is simpelweg te groot.

Machine learning

Rules based kunstmatige intelligentie behoort inmiddels tot de klassieke manier van kunstmatige intelligentie. De moderne kunstmatige intelligentie-technieken laten computers hun eigen regels samenstellen op basis van extreem veel data. In plaats van computers te vertellen hoe ze bijvoorbeeld een kat moeten vinden in een plaatje, laat men het systeem gewoon heel veel voorbeelden zien van katten. Vervolgens wordt bekeken of de computer uit deze grote hoeveelheden data kan distilleren op basis waarvan iets wel of geen kat is. Of een hond. Of een ananas. Vergelijk het met wanneer je een kind wilt leren te praten. Je geeft het geen woordenboek, maar je geeft steeds het goede voorbeeld. Je wijst naar een poes en zegt ‘poes’, net zo lang tot het kind woord en object permanent met elkaar verbindt. Zo train je een kind om te praten. Het leren van voorbeelden noemt men ook wel machine learning.

Zelflerend vermogen van intelligente computers

Machine learning staat centraal in de stormachtige ontwikkeling van kunstmatige intelligentie van de afgelopen jaren. Deze techniek stelt computersystemen in staat zélf te leren. Daarbij worden een enorme hoeveelheden rekenkracht en trainingsgegevens gebruikt. Machine learning (ML) is te omschrijven als het ‘zelflerend vermogen van intelligente computers’. De zelflerende systemen worden met data gevoed. Ze kunnen daarna zelf zaken detecteren, herkennen, inzichten te genereren en voorspellingen doen.

Patronen herkennen

Met ML software kun je patronen herkennen uit grote hoeveelheden data. Deze kennis kun je toepassen op nieuwe data, zonder dat het systeem expliciet geprogrammeerd wordt om iets te doen. Kortom, het systeem is in staat zelf te leren. Het eenvoudigste voorbeeld is wanneer je een ML systeem voedt met 10.000 foto’s van een kat. Het systeem herkent hoe een kat eruit ziet op plaatje 10.001. Machine learning is een toepassing van kunstmatige intelligentie die we zien in computervision, tekstherkenning en gezichtsherkenning.

Beperkingen van kunstmatige intelligentie

Deze positieve geluiden nemen niet weg dat ik gezond kritisch wil blijven. We hevelen steeds meer van onze cognitieve taken over naar slimme computersystemen. Systemen die ons voeden met de uitkomsten van soms moeilijk te herleiden beslissingen. Waar we informatie in stoppen, maar niet precies weten hoe de antwoorden tot stand komen. En dat is belangrijk, want je wilt niet alleen een antwoord kunnen rechtvaardigen of beargumenteren. In onze beslissingen zitten ongemerkt ook onze morele overwegingen, vooroordelen en ethisch besef.  Het is dus ook zinnig om niet alleen te kijken naar de groeispurt of de bestaande mogelijkheden, maar ook om te kijken naar de beperkingen.

Boek Jarno als spreker

Context

Kunstmatige intelligentie-systemen kunnen nog geen context geven aan de wereld. Ze kunnen nog niet een betekenis geven aan een gesprek of echt abstract denken. Google Translate snapt niks van zijn eigen vertaling. En wanneer een kunstmatige intelligentie-systeem op een foto een persoon herkent in een spiegel, snapt het systeem niet dat het kijkt naar een reflectie. Een aantal producten en diensten wekken wel de indruk dat ze menselijke intelligentie hebben, maar vaak beperken hun mogelijkheden zich tot een afgekaderd domein.

Een voorbeeld: een zelfrijdende auto is op dit moment erg goed in het herkennen van verkeersborden, bewegwijzering, lijnen op de weg, zebrapaden en andere auto’s. Wanneer er echter een meneer in een oranje hesje aan de kant staat te zwaaien naar de auto, zal een menselijke bestuurder vlug snelheid minderen. Immers: hij herkent direct een wegwerker die waarschuwt voor een naderend probleem.

Voor een algoritme is dit veel lastiger te bepalen: Je moet de wegwerker herkennen en onderscheid kunnen maken tussen het zwaaien met een hand in de betekenis van een begroeting en in de betekenis van een waarschuwing. Wij mensen zijn goed in contextueel begrip: het algoritme van een zelfrijdende auto is daar nog minder goed in.

Persoonlijke assistent

Ondanks de beperkingen beleeft kunstmatige intelligentie een ware groeispurt. Het is kwalitatief steeds beter in staat om menselijke vaardigheden te vervangen. Slimme computersystemen bezitten vaardigheden die we tot dusver beschouwden als enkel weggelegd voor mensen. Omdat kunstmatige intelligentie menselijke vaardigheden krijgt, is zij in staat te functioneren als persoonlijke assistent.

We naderen een tijd waarin technologie steeds beter in staat wordt om situationeel of contextueel bewust te zijn.  Het wordt normaal dat we gebruik gaan maken van en in gesprek gaan met kunstmatige intelligentie in de vorm van conversational interfaces, chatbots, virtuele persoonlijke assistenten en intelligent agents. Technologie die uiteindelijk beter gaat snappen wie wij zijn, wat we doen, waarom we dat doen en wat we willen. Ons inzichten verschaft en in het meest ideale geval voorspellende capaciteiten heeft en daar naar handelt.

Over een paar jaar zal kunstmatige intelligentie zijn binnengedrongen in ons werk, in de huiskamer en op bijna iedere app op onze smartphone. Het is dan zo gewoon als elektriciteit uit het stopcontact. Een slimme technologie die waarneemt, begrijpt, handelt en leert en ons gaat helpen in het dagelijkse leven: de digitale butler.

De toekomst van kunstmatige intelligentie

Wat zijn de contouren van een wereld waarin mens en dier niet meer de enige entiteiten zijn die beschikken over cognitieve vermogens? Wat zijn de actieve gebieden waar kunstmatige intelligentie op dit moment succesvol wordt toegepast? Welke digitale butlers zijn er en wat doen ze? Wat voor impact gaat kunstmatige intelligentie op de arbeidsmarkt hebben?
En wanneer sterkere computerchips een verdere versnelling gaan geven aan kunstmatige intelligentie en de mogelijkheden van kwantumcomputers contour krijgen, volgt er dan een symbiotische samenvoeging van menselijke en artificiële intelligentie? Of loopt het zo’n vaart niet? En wanneer algoritmes steeds meer voor ons gaan beslissen. Hoe zit dat dan met privacy, ethiek, aansprakelijkheid, transparantie en de macht van grote internetbedrijven?

Over de nadelen van kunstmatig intelligente software schreef ik dit artikel. Wil je meer weten over kunstmatige intelligentie? Lees dan eens mijn blogs, mijn boeken of huur mij in voor een lezing over kunstmatige intelligentie, machine learning, persoonlijke assistenten en alle toepassingen van kunstmatig intelligente software.