Kunstmatige Intelligentie: Vier gebieden waar u in het voordeel bent

NIEUWS / AI TECHNOLOGIE

“Zullen machines mensen vervangen?” Het was 1940 en Franklin D. Roosevelt maakte zich in een debat met de president van MIT zorgen over de invloed van machines op de werkloosheid. Zestien jaar later, op de Dartmouth conferentie, wordt Kunstmatige Intelligentie (AI) officieel opgenomen in het pantheon van wetenschappelijke disciplines.

“Zullen machines mensen vervangen?” Het was 1940, en Franklin D. Roosevelt, in een debat met de president van MIT, maakte zich zorgen over het effect van machines op de werkloosheid. Zestien jaar later, op de conferentie in Dartmouth, Kunstmatige intelligentie (AI) treedt officieel toe tot het pantheon van wetenschappelijke disciplines. Deze keer zullen robots de mensen zeker vervangen. Het is slechts een kwestie van jaren, misschien van maanden... Zestig jaar later zijn onze professionele collega's nog steeds van vlees en bloed, en onze ambities zijn eindelijk naar beneden bijgesteld. Het nieuwste voorbeeld: de bestuurderloze auto, die we vier jaar geleden voor 2020 voorspelden. Een advies: houd uw rijbewijs nog minstens tien jaar vast.

Ja, het is waarschijnlijk dat op een dag een artificial intelligence alles net zo goed zal kunnen als een mens, zoals Geoffrey Hinton, winnaar van de Turing Toekenning 2019, voorspelt. Maar het is geen kwestie van maanden, zelfs niet van jaren... Een halve eeuw? Een paar honderd jaar? Meer? Het zou onvoorzichtig zijn om zelfs maar te proberen te raden.

Onderzoekers worden geconfronteerd met verschillende grote obstakels die ervoor zorgen dat AI in een “zwak” stadium blijft. Op dit moment kunnen algoritmen “specifieke” problemen oplossen waarvoor we ze getraind hebben (bijvoorbeeld spelletjes), zintuiglijke data kort interpreteren (vocale en visuele herkenning) en zelfs stemmen, teksten of afbeeldingen genereren, zoals Samsung en anderen onlangs hebben aangetoond. “Deep learning”, dat gebaseerd is op netwerken van kunstmatige neuronen, heeft ons de afgelopen jaren een sprong vooruit gebracht. Maar het feit dat een AI in staat is om de wereldkampioen Go of een mens in schaken te verslaan, maakt hem niet zomaar “krachtig”. Probeer AlphaGo maar eens te vragen om uw boodschappenlijstje uit het hoofd te leren om uzelf ervan te overtuigen: u zult niet terugkomen van de supermarkt met veel - of niets - in uw tas. Er wordt zelfs geschat dat het intellectuele quotiënt van de huidige artificial intelligence gelijk zou zijn aan dat van een vierjarig kind (een resultaat dat met een korreltje zout moet worden genomen, aangezien de geteste AI specifiek was geprogrammeerd voor de competenties die in de test werden geëvalueerd). Niettemin geruststellend voor President Roosevelt.

Vier belangrijke gebieden worden nog niet beheerst door dit “vierjarige kind”, waar wij mensen aanzienlijke voordelen op hebben:

• Autonoom programmeren en aanpassen. Stelt u zich een schoonmaakrobot voor die in een park schoonmaakt. Als zijn batterij bijna leeg is, zal hij niet in staat zijn om zijn eigen plan te genereren om zichzelf op te laden. De programmeurs zullen een systeem hebben moeten integreren zodat hij de oplaadzone weet te vinden en daarheen kan gaan. En als die zone op een dag buiten gebruik is, zal hij niet weten hoe hij zich zelfstandig moet aanpassen, tenzij een dergelijk geval stroomopwaarts is voorzien door de makers van het algoritme - daar waar een menselijke agent geen probleem zou hebben met het bedenken van een noodplan als de broodjeszaak in het park gesloten zou zijn. Met andere woorden, in een onzekere omgeving hebben onze artificial intelligence's niet echt veel intelligentie. Het is waar dat de combinatie van de huidige AI-technieken “deep learning” en “reinforcement learning” onze robot in staat stelt om over zijn omgeving te leren en zelfs over de veranderingen die daarin plaatsvinden, maar alleen in gesloten omgevingen met vaste en bekende regels, zoals op het bord van een Go- of schaakspel bijvoorbeeld - niet op een snelwegennet, waar het onverwachte op elk moment kan gebeuren.

• Het vermogen om met minder voorbeelden te leren. Stelt u zich deze zelfde robot eens voor, in ditzelfde park. Om de naderende hond als potentieel gevaar te herkennen, had de robot miljoenen foto's met en zonder honden moeten verwerken voordat hij operationeel werd. Want vandaag de dag hebben onze algoritmen, hoe intelligent ze ook zijn, een enorme hoeveelheid voorbeelden nodig om te kunnen herkennen wat een hond, een boom of een tafel is. Een vierjarig kind heeft geen duizenden of miljoenen voorbeelden van honden nodig om er één te herkennen. Een onderzoeksbenadering, “transfer learning” genaamd, zou onze robot in staat stellen om de omgeving waarin hij zich bevindt, hoe divers die ook is, te leren herkennen aan de hand van een kleiner aantal voorbeelden.

• Op uitleg gebaseerd leren. Vandaag de dag worden AI-algoritmen uitsluitend afgeleid van voorbeelden, maar kunnen ze niet profiteren van een conceptualisatie van wat ze geleerd hebben. We kunnen een kind vertellen dat een panter een grote kat is en dat een boot geen benen heeft, anders zou hij lopen. Het kind zou dus panters herkennen en niet verwachten dat het een foto zou zien van een boot die een korte broek draagt. Een machine kan dit niet; die weet niet hoe ze een panter moet herkennen tenzij ze al talloze voorbeelden heeft gezien, en ze zal zich nooit storen aan een foto van een catamaran die rondflaneert.

• Verklaarbaarheid van resultaten. Voor het grootste deel zijn mensen in staat om, wanneer hen dat gevraagd wordt, op zijn minst gedeeltelijk uit te leggen waarom ze een bepaalde beslissing hebben genomen in plaats van een andere. De meest geavanceerde AI's zijn erg slecht in het uitleggen hoe ze een probleem hebben opgelost. Dit is zorgwekkend nu ze steeds meer hulp bieden aan bankiers, verzekeraars en artsen. Moderne deep learning-algoritmen bestaan uit miljoenen kunstmatige neuronen die onderling georganiseerd zijn, en zodra ze getraind zijn, gaan ze over in de “black box” modus: zelfs degenen die ze ontworpen hebben, kunnen de resultaten van hun werking niet gemakkelijk interpreteren. Dit is zowel praktisch (ze kunnen snel zeer complexe problemen oplossen) als uiterst problematisch: hoe kunt u tegenover uw klant rechtvaardigen dat een lening wordt geweigerd op basis van een algoritme? En hoe kunt u begrijpen dat deze bestuurderloze auto ervoor gekozen heeft om een zeer gevaarlijke manoeuvre uit te voeren, met het risico op materiële of zelfs menselijke schade? Zelfs als het de juiste beslissing is, hoe kan men dan vertrouwen hebben in een artificial intelligence als deze een diagnose stelt die tegengesteld is aan die van een deskundige arts?

Door deze belemmeringen zijn de huidige artificial intelligence's “zwakke” AI's waar mensen het voordeel van hebben. Vooral omdat onderzoekers geconfronteerd worden met het probleem van theoretische formalisering van de gebruikte algoritmen. Er bestaan bepaalde stellingen, maar onze expertise berust nog steeds voornamelijk op empirische kennis en niet altijd op onfeilbare wiskundige theorieën. We gaan met vallen en opstaan te werk, we gaan vooruit, we passen aan, om uiteindelijk onze doelen te bereiken. Want als machines het soms moeilijk vinden om mensen te begrijpen, vinden mensen het ook moeilijk om de werking van hun machines te begrijpen.