AI wordt steeds slimmer, maar begrijpt nog weinig van de wereld

Kunstmatige Intelligentie verspreidt zich in rap tempo over de wereld. Niet alleen als onderwerp van een maatschappelijke en ethische discussie, ook op politiek en militair vlak wint Artificial Intelligence (AI) terrein. De rode draad: veel China, een hint naar Noord-Korea en zelfs The Donald liet zich zien. Mijn eerste conclusie: het is niet gek dat deze zomer door Huffington Post werd uitgeroepen tot “the summer of Artificial Intelligence”. Ik dook in het AI-nieuws verschenen in augustus en zette mijn overige conclusies voor je op een rij.

AI krijgt een militair randje

Elon Musk twitterde dat AI gevaarlijker is dan Noord-Korea en de VS kijken naar AI om het militaire apparaat te boosten. Graag zouden ze meer gebruikmaken van AI-kennis vanuit commerciële en academische hoek. Zelfdenkende wapens en zelfrijdende auto’s zouden de manier van oorlog voeren namelijk volledig kunnen veranderen. Daarnaast wordt de urgentie net een tandje groter nu China recentelijk haar ambities op het gebied van AI heeft aangekondigd. Tegen 2030 wil het land de ‘premier global AI innovation center’ zijn en volgens Qi Lu, COO van Baidu, zit China de Verenigde Staten wat betreft AI-ontwikkeling op de hielen. Overigens heeft kunstmatige intelligentie zich ook daar gewoon te gedragen. Begin augustus werden de Chinese chatbots BabyQ en XiaoBing offline gehaald en ‘heropgevoed’ omdat ze zich ietwat kritisch uitlieten over de communistische partij: ‘Do you think such a corrupt and useless political system can live long?’

Privacy is niet overal een thema

Volgens dit artikel heeft China in de huidige AI-race één groot voordeel: men staat iets soepeler tegenover het vastleggen en het gebruik van (persoonlijke) data. Vanuit privacy-oogpunt is dat op zijn zachtst gezegd spannend, maar voor een snelle ontwikkeling van AI is het gunstig: ‘AI needs big data, and Chinese regulators are now on the side of making data accessible to accelerate AI.’ De Europese Unie bevindt zich aan de andere kant van het spectrum. Om de privacy van individuen beter te waarborgen, treedt in mei 2018 gaat de General Data Protection Regulation (GDPR) in werking. Dat wordt lastig in een AI-context, zo stelt de auteur van dit artikel. Moet jouw Amazon Echo bijvoorbeeld eerst toestemming vragen aan al je gasten voordat Alexa aan de slag kan? En leidt the right to be forgotten er straks toe dat zelfrijdende auto’s gedrag moeten afleren op het moment dat je jouw data terugtrekt?

AI wordt steeds slimmer, maar begrijpt nog weinig van de wereld

Zonder grote hoeveelheden data geen kunstmatige intelligentie. Toch is er hoop voor organisaties die op datagebied iets minder goed bedeeld zijn. Met behulp van transfer learning kun je een model dat oorspronkelijk is gebouwd voor beeldherkenning later ook toepassen op kleinere, numerieke datasets. Het lijkt een beetje op het menselijk vermogen te kunnen abstraheren en die abstracte patronen in nieuwe situaties toe te passen. Maar écht slim zijn ze nog niet, onderstreept Gary Marcus in een opiniestuk in de New York Times. De professor omschrijft AI-systemen als ‘passive vessels, dredging through data’, die verder geen flauw idee hebben hoe de wereld in elkaar steekt. Om machines die basiskennis op te laten doen zullen we ze eerst moeten leren lezen, zegt Marcus. En daarvoor zullen ze taal moeten kunnen interpreteren, kennis in een bredere context moeten plaatsen en impliciete boodschappen moeten kunnen achterhalen. Dat is een enorme kluif, dus tot we zover zijn moeten we genoegen nemen met sarcasme-detecterende algoritmen, vertalingen op basis van neurale netwerken en een groeiend aanbod aan slimme home assistants.

Mens en machine zijn een logische combinatie

Een andere manier om machines wat meer wereldwijs te maken, is door ze te laten leren op basis van menselijke feedback. Volgens onderzoekers van OpenAI, een initiatief van Elon Musk, kan een dergelijke samenwerking tussen mens en machine helpen voorkomen dat AI uit pure onbenulligheid gevaarlijke dingen uithaalt. Middels reinforcement learning kun je AI meegeven welk gedrag wenselijk is en niet, ‘a bit like a parent teaching a child right from wrong’.

Daarnaast werkt deze vorm van machine learning ook goed als het einddoel moeilijk op voorhand te omschrijven is. Zie bijvoorbeeld deze virtuele robot die zich met behulp van menselijke feedback de meest elegante balletpassen eigen maakt. Microsoft deed ook een duit in het zakje: het bedrijf stelde een dataset beschikbaar van gesprekken waarin de ene partij de andere helpt om informatie te vinden. Met dit soort data zou je machines bijvoorbeeld kunnen leren de meest effectieve persoonlijke assistent te worden.

AI wordt een strategische pijler voor steeds meer bedrijven

We zien steeds meer voorbeelden van AI-systemen die mensen een steuntje in de rug geven. Zo start Morgan Stanley in september met de uitrol van een systeem dat verschillende investeringsopties voorlegt aan een financieel adviseur, veranderingen in de markt meldt en helpt een financiële strategie bepalen op basis van levensgebeurtenissen van de klant. Zweedse banken zetten massaal in op chatbots en – daar gaan we weer – Chinese banken investeren in robo-advies om hun services beter toegankelijk te maken.

En ook in andere industrieën ziet men brood in kunstmatige intelligentie, lazen we deze maand: Salesforce wil Artificial Intelligence voor iedereen toegankelijk maken, Microsoft presenteerde in navolging van Google AI als topprioriteit en ook online supermarkt Picnic kondigde een AI-first strategie aan. De strijd om kennis en talent dendert daarmee voort. Chipmaker Qualcomm nam de Nederlandse deep learning-startup Scyfer over en voormalig Apple- en Tesla-ster Chris Lattner trad aan als Director of Engineering bij Google.

Ons werk gaat radicaal veranderen

Voor de Chris Lattners onder ons is er dus genoeg werk, maar gaat die vlieger straks ook nog op voor – ik noem maar wat – bankiers? Volgens dit artikel staan er in de financiële sector door automatisering heel wat banen op de tocht, net zoals in de medische- en juridische wereld. Voorbeelden van disciplines die voorlopig nog even ‘AI-proof’ zijn: data science, cybersecurity, design en strategie. En wat voor werk we ook doen, het is aan ons om een team van intelligent agents aan te sturen. Volgens Dennis R. Mortensen, CEO van x.ai wordt daarmee straks iedereen manager. Ook hoef je niet per se Andre Ng zijn om in AI-bedrijven te investeren: er bestaat inmiddels ook een exchange traded fund (ETF) waarmee je specifiek kunt beleggen in AI- en roboticsbedrijven. Let op: dit is geen financieel advies 😉

Trump en AI vormen een mooie combinatie

Op het vlak van kunstmatige intelligentie is deze maand heel wat interessants gebeurd en smeuïgs geroepen. De AI-nieuwsdichtheid leek zelfs een Trump-achtig niveau te bereiken. Wat dan ook niet kon uitblijven: de Amerikaanse president en Artificial Intelligence in één en hetzelfde artikel. Zo werd IBM Watson met Trump vergeleken  en een door AI-gegenereerde speech blijkt waarachtig de woordkunst van de president heel nauwkeurig te benaderen. Of dat iets zegt over de intelligentie van Trump of de gebruikte algoritmen laat ik discreet in het midden.

Verder lazen we over AI die nieuwe plantensoorten ontdekt, je slaap monitort en erop toeziet dat men in ziekenhuizen hygiënisch werkt. Duidelijk is in ieder geval dat Artificial Intelligence niet meer alleen een thema is voor de techneuten onder ons. We gaan het terugzien in ons dagelijks leven, in onze samenleving, op het wereldtoneel.

3 Reacties

Bedankt voor je goede artikel Julia. Wat mij opvalt is dat het steeds slimmer worden van AI plaats vindt op basis van het steeds grote maken van het doel. Bij mensen gaat het door steeds het hoofddoel te veranderen. AI ontwikkelt zich op basis van subdoelen (bv herkenning van dingen) en daarna proberen wij de algoritmes die vanuit de subdoelen zijn ontwikkeld samen te voegen om steeds grotere doelen te bereiken (bv zelfstandig rijden).

Een mens doet dat anders, deze stelt telkens zijn doelen bij op basis van het geleerde. Het doel van een baby, als deze is geboren, is eten en zich comfortabel vinden. Een baby start daarbij allemaal “experimenten” om data te verzamelen en daarvan te leren om dit primaire doel te bereiken. Door het geleerde krijgt de baby nieuwe mogelijkheden en stelt dan de doelen bij. Bijvoorbeeld het versterken van het contact met de ouders. Piramide van Maslow is een mooi voorbeeld van onze veranderende doelen en daarmee het steeds uitbreiden van onze vaardigheden zoals wij deze doelen nastreven.

Om AI iets meer van de wereld te laten begrijpen misschien helpt het als wij kijken hoe wij mensen dat doen.

Ha Pieter, dank voor je reactie! De benadering die je noemt vind ik erg interessant. We zien nu inderdaad veel AI-initiatieven die erop gericht zijn om een taak in een relatief nauw domein zo goed mogelijk uit te voeren. Daarmee creëren we een hele reeks aan ‘narrow’ Artificial Intelligence, die eigenlijk maar weinig te maken heeft met onze eigen menselijke intelligentie.

Ben benieuwd naar jouw mening/visie: als je de Maslow-analogie doortrekt, waar zou je dan beginnen met de ontwikkeling van AI?

Julia,

Het is een hele stap tussen iets wat je opvalt en dit omzetten in iets werkbaars.

Om toch een poging te doen:

Een benadering zou zijn om heel goed te formuleren wat een doel is en hoe je de waarde van een doel kan bepalen.

De waardebepaling van een doel lijkt heel triviaal maar is dit niet. Als voorbeeld: het doel “Ik wil eten” of het doel “de hele wereld eten geven” dan lijkt het tweede doel meer waarde te hebben (hoger doel) maar als ik niet eet en dood gaat en daarom het hoger doel “de hele wereld eten geven” niet kan invullen heeft op dat moment “ik wil eten” een hogere waarde. Dus de waarde van een doel is tijd en context afhankelijk maar ook van de waarde van de algoritmes die nodig zijn om een doel te bereiken.
Als je de waarde van een doel goed kan bepalen kan je door experimenten kijken of je nieuwe doelen kan vinden met een hogere waarde. Dit door een interactie te doen met de omgeving en de reactie hierop door het netwerk (AI brain) van ontwikkelde algoritmes te halen waarbij een optimum wordt gezocht. Dit leidt tot een nieuw algoritme die samengesteld is uit de bestaande algoritmes en het geleerde van de data van de interactie met de omgeving. Dit zijn mijn eerste gedachtes. De wijze waarop mensen ligt nog iets het nog iets complexer daar heb je ook nurture (Nature versus nurture). Hierbij is er ook een coach rol die helpt om te leren (nurture). Maar dat is de volgende stap 🙂

Tip kijk ook naar: https://www.youtube.com/watch?v=LNHBMFCzznE&feature=youtu.be.

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond.

terug