Artificial Intelligence (AI) is een enorme hype. Een breed begrip met veel termen en definities. Naar aanleiding van de AI Bingo geven wij inzicht in zestien AI-buzzwords.
Robotic Process Automation (RPA) gaat over het automatiseren van standaardprocessen of repetitieve werkzaamheden aan de hand van vooraf geïnstalleerde regels. Bijvoorbeeld, als een burger het contactformulier van de gemeente invult en deze categoriseert als klacht kan RPA het binnengekomen bericht direct doorsturen naar de juiste afdeling. Daardoor hoeft een mens die berichten niet meer te scannen en door te sturen. Dat scheelt tijd en reduceert de kans op menselijke fouten. Eén van de belangrijkste kenmerken van RPA is dat de software niet zelf nadenkt en geen menselijke logica kan gebruiken. In andere woorden: RPA is dom. AI gaat juist om intelligentie. Toch worden RPA en AI regelmatig binnen dezelfde context gebruikt. In het voorbeeld hierboven zou AI een binnengekomen bericht zelf scannen en herkennen dat het om een klacht gaat. Vervolgens kan AI ook herkennen dat de klacht over een lantaarnpaal gaat, op een bepaald adres en dat de klacht is dat deze lantaarnpaal al enige tijd defect is. We zien heel veel praktisch nut in RPA als technologie. Maar het is geen AI.
Natural Language Processing (NLP) gaat over het begrijpen en steeds vaker ook het produceren van de menselijke taal. Het is een samenspel van computerwetenschap, AI en computationele linguïstiek. Door vele (veelal gelabelde) teksten te lezen maakt NLP een “corpus” van taal. NLP kent vele toepassingen die we dagelijks gebruiken. Denk aan tools voor het vertalen van teksten en spraakgestuurd werken met Siri, Alexa en Google Assistent. We zien veel nut in deze toepassingen. In de zorg en overheid werken we steeds meer samen, wisselen we gegevens met elkaar uit en maken we datagedreven beslissingen. Dat vraagt iets van de manier waarop we omgaan met het gestructureerd vastleggen van deze gegevens. In de zorg worden gegevens vaak ongestructureerd, in vrije tekstvelden, vastgelegd. NLP zou deze vrije tekstvelden kunnen interpreteren en structureren.
Low-code en no-code AI gaat over platforms waarop gebruikers met geen tot weinig ervaring in of kennis van programmeren tóch een AI-product in elkaar kunnen klikken en slepen. Een soort blokkendoos. In de afgelopen jaren is een stevige groei zichtbaar in het aanbod van low-code en no-code platformen. De vraag naar data scientists groeit onverminderd door en het aanbod blijft schaars. De platformen bieden een toegankelijke en laagdrempelige ingang voor organisaties die willen experimenteren met AI. Het is snel omdat je bestaande modellen direct kunt gebruiken en bovendien is het gemakkelijk schaalbaar. Maar wat er onder de motorkap van low-code en no-code platformen gebeurt is vaak niet transparant waardoor het vertrouwen niet altijd even hoog is. Ook is er vaak beperkt ruimte voor maatwerk en moet je het doen met de mogelijkheden die je worden aangereikt op het platform.
Waardevolle AI houdt zich bezig met het omzetten van AI-technologie in waarde voor patiënten, burgers en zorgverleners. Waardevolle AI richt zich dus op wat je ermee kunt en niet wat er allemaal technologisch mogelijk is met data. Is er dan ook waardeloze AI, vragen wij ons af? Daar kennen wij ook wel voorbeelden van. Eigenlijk bij elke vorm van AI moet je je afvragen of het wel waardevol is. Er is heel veel AI dat niet bijdraagt aan iets zinvols maar een nuttig experiment is. AI mag ook gewoon leuk zijn. Maar je haalt er mogelijk meer waarde uit als je van te voren goed hebt nagedacht over waarvoor en voor wie je het doet.
Machine Learning (ML) wordt soms als synoniem gebruikt voor AI, maar is een subonderdeel van AI.
Synthetic AI heeft twee verschillende definities. Gartner gebruikt het als verzamelterm voor AI die niet per se vergelijkbaar is met menselijke intelligentie. Een voorbeeld hiervan is Steroid AI, waarbij een AI een taak uitvoert met veel meer rekencapaciteit dan onze hersenen. Een tweede definitie wordt meer in het onderzoek gebruikt, om aan te geven dat het gaat om AI die geen imitatie of simulatie is, maar een echte eigen vorm van intelligence. Dus niet eenzijdige puntoplossingen. Het is voornamelijk een filosofisch of academische term waar we nu in de praktijk geen rekening mee hoeven houden.
Ethische AI gaat op hoofdlijnen om twee zaken: AI ‘voor het juiste’ inzetten (de capaciteiten van AI gebruiken om de wereld te verbeteren) en AI op de juiste manier inzetten (zorgen dat wat je met AI doet, ook doet waar het voor bedoeld is). Een grote zorg rondom de inzet van AI die leeft is of we AI echt kunnen vertrouwen? In de praktijk zien we voorbeelden van beide vormen waarin het misgaat. AI vergroot vooroordelen die in de data zitten. Als je niet goed oplet, kan het zomaar zijn dat je onbewust een AI-toepassing ontwikkelt of inzet die een bepaalde groep benadeelt. Vooroordelen (ook wel bias genoemd) zijn vaak impliciet en vaak is onethische AI onbewust. Het is dus belangrijk om de ethiek naar het bewuste te halen, zodat je een concrete keuze kunt maken of je deze AI wel wil ontwikkelen en/of inzetten. De Ethische Validatie Algoritmes (EVA) helpt deze zaken in kaart te brengen.
Bij Autonome AI gaat het om AI die volledig zelfstandig kan functioneren. Een sprekend voorbeeld hiervan is volledig zelfstandig rijdende auto’s, Tesla’s is hierin al best ver. Volledig autonoom is het echter nog niet, ongebruikelijke situaties kunnen zelfrijdende auto’s nog niet herkennen en op acteren. Tesla baas Elon Musk denkt dat we in 2022 nog de volledige vorm van autonomie gaan bereiken. Hij zegt echter al negen jaar op rij dat we ‘volgend jaar’ full self-driving hebben. Wij hebben dus onze twijfels wanneer het full self-driving er is, aangezien AI-toepassingen vooralsnog puntoplossingen zijn die niet kunnen generaliseren naar nieuwe of onbekende situaties.
Deep Fakes kennen we tegenwoordig allemaal wel. Het is een techniek voor het samenstellen van beelden op basis van AI. De techniek die eronder ligt heet generative adversarial networks; een vorm van deep learning. In het hart van de deep fake ligt de zogenaamde autoencoder: een neuraal netwerk dat een bepaalde afbeelding (bijvoorbeeld een gezicht) als input vertaalt naar een soort vage representatie (waar zitten de ogen, hoe zitten de wenkbrauwen) en zichzelf traint om die representatie weer terug te vertalen naar de originele afbeelding. Bij een deep fake is er sprake van twee autoencoders die naast elkaar worden getraind op basis van twee verschillende afbeeldingen. De twist is dat de encoders dezelfde representatiekenmerken gebruiken. Autoencoder A weet hoe je gezicht A genereert en autoencoder B weet dat voor gezicht B. Door vervolgens de decoders met elkaar te switchen wordt het ene gezicht gegenereerd met de gezichtskenmerken van het andere gezicht en vice versa. We kennen natuurlijk hilarische – maar ook zorgwekkende – ontwikkelingen met betrekking tot deep fakes. Het wordt ook steeds gemakkelijker om ermee aan de slag te gaan door middel van apps. Het onderscheid tussen wat echt is en wat nep is staat daarmee steeds meer onder druk. Er zitten ook nuttige toepassingen van de techniek achter de deep fake. Zo kun je bijvoorbeeld een generative adversarial network een extra conditie meegeven als input zodat het netwerk een bepaald type afbeelding genereert. Bijvoorbeeld op basis van heel veel plaatjes van steden op het internet kan een netwerk leren hoe een stad eruit ziet. Geef het netwerk een potloodschets als input mee en het visualiseren van een nieuw stadsplan, of verschillende stadsplannen wordt zo een stuk makkelijker Online zijn er al veel modellen en representaties beschikbaar die je kunt gebruiken.
Mensgerichte AI richt zich op hoe AI kan bijdragen aan de vorming van onze samenleving. Het kijkt daarmee in het bijzonder naar de ethische, juridische en sociale kansen van AI-systemen en diensten voor de mens en maatschappij. Een opmerkelijke term omdat mensgerichte focus vaak gaat over het betrekken van mensen, inspraak, medezeggenschap, waardering en sociale aspecten. Daar tegenover staat een taakgerichte focus: overzicht van wat er moet gebeuren, SMART-doelstellingen, niet meesleuren door emoties en het behalen van deadlines. Zowel een mensgerichte als taakgerichte focus kennen valkuilen. Mensgericht kan zorgen voor vrijblijvendheid, achterblijvende resultaten en uitstel van beslissingen. Taakgericht kan juist de mens uit het oog verliezen en door de harde aanpak commitment en vertrouwen van mensen verliezen. Een resultaatgerichte AI zou een goede combinatie van de twee kunnen bieden waarbij er aandacht is voor zowel het feit dat de resultaten moeten worden behaald als dat het vertrouwen en commitment van mensen nodig is om dit te bereiken.
Reinforcement Learning is een gebied van machine learning dat zich bezig houdt met hoe intelligente agenten acties moeten ondernemen in een omgeving met als doel een cumulatieve beloning te maximaliseren. Dat wil zeggen welke actie levert mij op de uiteindelijke termijn de beste beloning. Dat is met name handig voor robots, autonome voertuigen, spelletjes spelen en het maken van simulaties om hieruit de beste strategie te bepalen. In de basis werkt reinforcement learning door te belonen en te straffen. De agent doet een actie welke de omgeving beïnvloedt, de omgeving reageert en geeft een beloning terug. Afhankelijk van die beloning verandert het neurale netwerk door de parameters te beïnvloeden en daarmee het resultaat een klein beetje te verbeteren. Door op deze manier miljoenen situaties na te spelen wordt het netwerk steeds beter en dus ook de acties die de agent kiest. Op die manier kun je een computer binnen enkele dagen trainen tot wereldkampioen schaken. De basis hierachter? Wiskunde uit de jaren 50. We vinden Reinforcement Learning interessant, maar soms is het te groot als je een wat kleiner probleem wil oplossen. Het kan niet multitasken en kost best veel rekentijd. En in het geval het fysieke robots betreft kan het ook een dure aangelegenheid zijn.
Symbiose is het fenomeen dat ontstaat wanneer twee organismen samenleven en daar voordeel uit ontstaat. In de context van AI zou dat betekenen dat de mens en/of AI profiteren van elkaar. Symbiose in de natuur kent drie vormen.
Het is dus maar net de vraag welke vorm van symbiose optreedt tussen mens en AI. De huidige volwassenheid van AI is naar ons beeld nog nét onvoldoende om de mens er écht beter van te maken: we moeten de AI nog echt aan de hand meenemen en er zelf veel in stoppen voor de waarde die we ervoor terugkrijgen.
Transcendent AI is een subspecificatie van Symbiotic AI. Het gaat om het idee dat er synergie ontstaat tussen de mens en de AI. Het overstijgt als het ware het kunnen van de mens, denk aan brain-computer integraties waarbij een chip in jouw hoofd ervoor zorgt dat jij beter zicht hebt. Er worden basale prototypes ontwikkeld maar het echte werk is voorlopig nog science fiction. Het is op dit moment een vorm van AI die nog niets toevoegt aan de daadwerkelijk nuttige wereld van AI.
Explainable AI, ofwel uitlegbare of transparante AI, heeft te maken met het vertrouwen in AI. We vinden het moeilijk om vertrouwen te hebben in een computer als we niet weten wat het doet. Veel AI-toepassingen tot nu toe kun je kenmerken als een ‘black box’: het trekt conclusies of doet voorspellingen op basis van data enhet is niet duidelijk hoe het tot stand gekomen is. De meeste neurale netwerken zijn een ‘black box’. Zelfs de ontwikkelaars weten niet hoe de AI precies tot zijn conclusies komt. Het voordeel is dat de AI dan ook met disruptieve of out-of-the-box resultaten kan komen. Daartegenover staat het nadeel dat er zorgen zijn over juridische gevolgen van een verkeerde conclusie, wie is aansprakelijk voor een nadelig gevolg?
Als reactie op deze black box, is de explainable AI ontstaan, waarbij er bij de ontwikkeling van een AI-toepassing aandacht wordt gegeven voor de uitlegbaarheid van het model. De AI zou dan transparant moeten zijn in hoe het tot een bepaalde conclusie is gekomen. Zo durft de mens er sneller een beslissing op te nemen. Het nadeel is dat er sneller een slechter resultaat uit komt omdat de disruptieve en out-of-the-box resultaten niet snel meer mogelijk zullen zijn.
Explainable AI gaat dus om de balans tussen transparantie en resultaat. We moeten ervoor waken dat de focus op uitlegbaarheid niet ten koste gaat van het nut van de AI. Op twee manieren kun je een middenweg hierin vinden.
Internet of Things (IoT) is de term voor een netwerk van apparaten met sensoren, die data verzamelen en deze ook kunnen communiceren. De term is enigszins ongelukkig omdat het niet afhankelijk is van het publieke internet, het kan ook om andere communicatienetwerken gaan. Ook wanneer er bijvoorbeeld via bluetooth gecommuniceerd wordt tussen apparaten, telt het als ‘Internet of Things’. IoT is nu al overal in ons dagelijkse leven, in de vorm van fitness trackers of slimme thermostaten. IoT zelf is geen AI, maar biedt wel veel mogelijkheden wanneer het in combinatie met AI gebruikt wordt.
Denk aan een slimme koelkast. Wanneer deze een camera heeft waarop je op je smartphone kan zien of je nog boter in huis hebt, is het IoT. Een apparaat heeft een sensor en communiceert dit via het internet op je smartphone. Er zit nog niets intelligents in. Wanneer je er AI aan toevoegt met bijvoorbeeld beeldherkenning, kan je slimme koelkast je actief melden dat er geen boter in je koelkast is en dat je die echt nog even moet aanschaffen.
IoT wordt dus interessanter wanneer een bepaalde vorm van AI wordt toegevoegd om patronen te herkennen en voorspellen. Als term zal IoT steeds meer overbodig worden, omdat we gewend raken aan apparaten die kunnen communiceren.
Super Intelligence is het idee dat kunstmatige intelligentie de mens op alle vlakken voorbij gaat en zelfs gaat overheersen. Een tussenstap richting super intelligence is general intelligence, waarbij de AI functioneert zoals de mens op alle vlakken. Nu zitten we nog in narrow intelligence, een puntoplossing die één specifieke taak even goed of beter dan een mens kan uitvoeren, maar die niet verder te generaliseren is. Super intelligence is daarmee nog erg ver weg.
Dit artikel gaat in op Lifecycle Management van AI-modellen, op de betrokken stakeholders, de activiteiten en uitdagingen die daarbij komen kijken en gaat dieper in op configuratiebeheer van AI-modellen, monitoring, responsible AI en governance.
Lees verder
