Hoe creëren we een rooskleurige AI-toekomst?

Wat is AI nou eigenlijk? Wat kunnen we met AI, maar wat zouden we er ook vooral niet mee moeten doen? En welke rol hebben de data scientists van de toekomst in de huidige ontwikkelingen van AI? Artificial Intelligence is het wondermiddel dat al sinds de eeuwwisseling als buzzword in Austin bij SXSW gonst.

Eigenlijk is AI al een stuk ouder, in 1956 werd de term voor het eerst gebruikt door John McCarthy met de letterlijke vertaling “Kunstmatige Intelligentie”.  Zoals het met veel trends gaat, zit er een bepaald patroon in: het begint met het ontstaan van de trend, wat zo simpel kan zijn als wat geroezemoes. Als de trend vervolgens wordt opgepikt door een groter gezelschap kan dit omslaan tot laaiend enthousiasme en hoge verwachtingen. Wat vaak een kritische tegenreactie en een trend-dip door desillusie creëert.

Figuur 1: trendverloop – Gartner Hype Cycle

In figuur 1 zie je deze zogenaamde Gartner Hype Cycle. In veel sessies bij SXSW werd aangegeven dat AI zijn peak al heeft gehad en daarbij langzaam aan het afdalen is naar een trend-dip. Verschillende redenen werden genoemd, zoals: het begrip Artificial Intelligence en de misvattingen van wat AI wel kan maar ook wat AI (nog) niet kan.

Machine Learning vs AI

‘’Als de code geschreven is in R of Python is het waarschijnlijk Machine Learning, maar wanneer de code geschreven is in PowerPoint is het waarschijnlijk AI.’’ Dit wordt vaak als uitleg gegeven, maar laten we beginnen met een versimpelde definitie van AI en de bijkomstige buzzwords: Machine Learning en Data Science. In de SXSW-sessie “Data Science Unicorns and Silver-bullet AI” omschreef David Robinson, Chief data Scientist bij Datacamp deze termen als volgt: “Data Science is het creëren van inzichten, Machine Learning is het creëren van voorspellingen en Artificial Intelligence is het creëren van acties ”.

Vaak worden AI en Machine Learning door elkaar heen gebruikt. De meeste modellen zoals ze nu worden gemaakt zijn Machine Learning, maar Machine Learning is eigenlijk niets meer dan een statistisch model. Deze statistische modellen worden vaak algoritmes genoemd. Waarbij een algoritme op basis van eigenschappen van de input voorspelt wat de output gaat zijn, en daarmee een tool is die makkelijker een patroon voor je vindt. Leuker kunnen we het niet voor je maken, wel makkelijker. Hopelijk.

Image recognition met AI

Oké, we hebben nu een duidelijke definitie van AI en Machine Learning, maar om deze kracht bij te zetten geef ik een voorbeeld. Hieronder zie je twee plaatjes van honden. Kan je uitleggen waarom je ziet dat het honden zijn? Ze zijn harig, maar er zijn meer eigenschappen waardoor we herkennen dat het een hond is.

   

Met Machine Learning schrijven we een code om de hond te vinden op basis van de eigenschappen die we hebben. Bij AI kunnen we de plaatjes en de output (= een hond) eigenschappen meegeven en leert het algoritme vervolgens een hond te herkennen op basis van de aangegeven eigenschappen.

AI kan je zien als een instrument, zodra je weet wanneer je het kan inzetten en hoe je het moet spelen kan je prachtige muziek maken. Maar ongeoefend en zonder techniek kan het snel herrie worden en is het wellicht beter om het instrument niet te bespelen. Daarnaast heeft ook niet elke situatie een geheel orkest nodig.

Wanneer een algoritme de boutique-reeksen ontdekt…

In de AI-wereld is men al een tijdje bezig om teksten te vertalen met behulp van algoritmes. Denk aan Google translate waarbij de vertalingen tegenwoordig een stuk beter zijn dan een paar jaar geleden. Inmiddels vertaalt AI ook foto’s en plaatjes  en zetten we daarvoor algoritmes in. Het doel is om op basis van het plaatje een passende tekst schrijven. Bizar om te zien hoe foutloos sommige teksten zijn, hilarisch om te zien welke fouten deze algoritmes soms nog maken.

 

Wat is hier gebeurd? Het algoritme was zelflerend en had nieuwe trainingsdata gekregen, ditmaal kwamen de plaatjes en teksten uit romantische boeken. Hierdoor veranderde de interpretatie van het algoritme. De plaatjes waarin twee halfnaakte mensen elkaar aanraken veranderde van sumoworstelaars naar een romantische omhelzing. Dat wordt niet helemaal een passende tekst bij de foto…

AI is biased

Zowel de data als het algoritme zijn biased en dit is één van de belangrijkste uitdagingen met AI. Vanaf een bepaald moment is er door iemand binnen de organisatie besloten om specifieke data op te slaan. Daarmee is onbewust ook gekozen om andere specifieke data niet op te slaan. Je data heeft een auteur, namelijk de persoon die heeft besloten om deze data te verzamelen. Het is belangrijk om je data niet als ‘de waarheid’ te gaan zien, want zo behandel je een artikel van een auteur toch ook niet? Met biased data wordt dus ook je algoritme biased.

De Decision Scientist

Dus wat hebben we dan exact nodig om een rooskleurige toekomst te creëren voor en met AI? Zoals al eerder beschreven is AI eigenlijk gewoon een tool en “a fool with a tool…” is nog steeds een fool. Dus de rol van de data scientist moet veranderen. Waar we eerst de bestuurder waren van de auto en de algoritmes bestuurden, verandert onze rol langzaam naar de plaats van de bijrijder – de navigator van de auto. Wij gaan het algoritme niet meer sturen, maar wij gaan het wel voeden met de juiste beslissingen. Moeten we afslaan, nog langer rechtdoor of misschien moeten we even stoppen? De data scientist rol zal transformeren naar de rol van de decision scientist, waar men de beslissingen maakt om de goede kanten van AI te optimaliseren en de gevaren van AI te beperken.