De zomer van de kunstmatige intelligentie

Volgens de Huffington post dit jaar geen komkommertijd, maar de zomer van de kunstmatige intelligentie. AI domineert de redactionele kolommen van de Amerikaanse techbladen en omdat het aantal slimme algoritmes en toepassingen exponentieel lijkt te groeien is er elke dag wel iets nieuws te melden. Gezien de innige banden van AI met zowel vision als robotica, de hoogste tijd om in een dossier eens wat dieper op dit veelomvattende fenomeen in te gaan.

In the summer of 2017 bezoek ik 3 (5 als je de doorreizen meetelt) landen: Duitsland, Hongarije en Kroatië. En hoewel ik in het mooie Regensburg – mijn eerste tussenstop – prima zonder Google translate kan, vindt hier toch een bijzondere AI-ontmoeting plaats. Mijn Zuid-Afrikaanse Airbnb-buurman stelt me er namelijk voor aan Alexa: een door Amazon ontwikkelde persoonlijke assistent voor de digitale wereld. Alexa kan op commando lichten aan en uit doen, je stereo bedienen, maar ook moppen tappen, of antwoorden geven op vele prangende vragen die ze na het stellen op het internet opzoekt. Nu had ik al weleens van Alexa gehoord, en was ik me ook bewust van het bestaan van Siri (Apple) en Cortana (Microsoft). Maar haar als ‘wildvreemde toespreker’ aan het werk te zien en horen, raakte een snaar. Een snaar die later ook door de spraakherkenning capaciteiten van Google Translate – Hongaars en Servo-Kroatisch zijn niet mijn sterkste talen – nog een aantal maal beroerd werd. Spraakherkenning is met flinke sprongen vooruitgegaan. En dat geldt ook voor vele andere AI-gebieden.

Wat is kunstmatige intelligentie?

Intelligentie is een arbitrair begrip. Hetzelfde geldt voor kunstmatige intelligentie. Behoorde OCR – Optical Character Recognition – enkele decennia geleden nog tot dit gebied, tegenwoordig associeert niemand de ingeburgerde technologie nog met het vakgebied. Kunstmatige intelligentie is dan ook eigenlijk een verzameling van disciplines die zich bezighouden met het nabootsen van intelligente cognitieve functies van mensen met machines of systemen zoals het oplossen van problemen en leren. Anno 2017 vallen hieronder zaken als spraak- en beeldherkenning, complexe strategische spellen als schaken en go, autonome besturingen voor bijvoorbeeld zelfrijdende auto’s en het doen van precisie voorspellingen over bijvoorbeeld de financiële markten, productiesystemen of productiemiddelen. Om al deze toepassingen mogelijk te maken, is het onderzoeksveld van AI een ware lappendeken. Er wordt gekeken naar de onderliggende wetenschap van probleemoplossing, kennisrepresentatie, plannen, leren, leren, taal, sociale intelligentie, perceptie en creativiteit.

De oorsprong

De oorsprong van kunstmatige intelligentie is ouder dan de weg naar Rome. Vele filosofen en wiskundigen uit de oudheid hielden zich bezig met ‘formal reasoning’. De Victorianen voegden hier een gedachtengoed vol ‘kunstmatige wezens’ als robots aan toe en net voor de Tweede Wereldoorlog publiceerde Allen Turing een belangrijk onderzoek wat het tijdperk van rekenen met enen en nullen met Turing Machines inleidde. Formeel vertrekpunt lijkt echter een conferentie in Darthmouth in 1956, waar een onderzoeksgroep werd opgericht die zich toelegde op slimme zelflerende algoritmes en hiermee snel furore maakte. Hun computers wonnen met dammen en losten ogenschijnlijk onoplosbare algebraproblemen op. Overheden trokken hun portemonnee voor de belofte dat in 20 jaar machines al het werk konden doen dat mensen deden. Maar de grote resultaten bleven uit en met het aanbreken van de jaren tachtig, ging de geldkraan dicht en verdween het vakgebied naar een achtergrond die later de AI-winter gedoopt zou worden. Hoewel onderzoek en het vinden van nieuwe toepassingen nooit helemaal stopte, duurde deze winter tot aan de voelbare effecten van de wet van Moore. Computers werden krachtiger, de databerg groeide en deep learning deed er zijn voordeel mee. In 2017 is het dan eindelijk weer eens zomer.

Zelflerende algoritmes

Een discipline waar dankzij de siliconen revolutie de zon al enkele jaartjes schijnt is visiontechnologie. Sterker nog, de allereerste editie van Vision & Robotics in 2009 bevat een uitgebreid artikel over de beeldverwerking van euromuntjes, classificatie en neurale netwerken. Het herkennen van (natuur)producten, mensen of gedrag op basis van een juiste interpretatie van een clustertje pixels, zonder vastomlijnde programmaregels raakt dan ook de kern van visiontechnologie. Natuurlijk is het in het voortraject belangrijk zo betrouwbaar mogelijke pixelinformatie te hebben, wat eisen stelt aan hardware en fotonen. Maar in een ongestructureerde wereld weten wat je ziet? Dan heb je kunstmatig intelligente algoritmes nodig. Voor patroonherkenning bijvoorbeeld. Deze vorm van machine learning (de termen worden nogal eens door elkaar gebruikt), kijkt naar patronen in data. Inputvariabelen krijgen een label toegekend op basis van statistische analyse, waarbij het systeem eerst is ‘getraind’ door eerst voldoende juiste en foute voorbeelden te geven. Een speciale vorm van machine learning is deep learning. Bij deze vorm wordt gebruik gemaakt van meerdere analyselagen, waarbij de output van de ene laag de input van de volgende is. Het gebruik maken van een dergelijk neuraal netwerk (een topologie die lijkt op die van het brein), heeft als voordeel dat met een hiërarchisch model van afgeleide kenmerken gewerkt kan worden. Er kan dus een veel preciezer onderscheid gemaakt worden tussen de bestudeerde datasets (m.a.w. dit is een zwart witte bordercollie van 3-5 jaar oud met een rode frisbee in zijn mond, i.p.v. dit is een hond) alleen. Het leren? Dat kan met ‘supervised’ data (de trainers vertellen het systeem wat het ziet), maar ook met ‘unsupervised’ data, waardoor het systeem met de tijd steeds slimmer wordt.

Groot lerarentekort

Omdat veel sectoren kunstmatige intelligentie omarmen, ontstaat er vraag naar nieuwe medewerkers. En dat zijn lang niet alleen maar knappe koppen die op de AI-afdelingen van tech-giganten als Facebook en Google werken aan nieuwe toepassingen voor kunstmatige intelligentie, stelde The Economist onlangs. Als voorbeeld noemt het Britse weekblad zelfrijdende auto’s. Om autonome auto’s te leren om verkeersborden en voetgangers te herkennen, moeten de algoritmes van dergelijke voertuigen worden gevoerd met video’s van verkeersborden en voetgangers. Die beelden moeten eerst handmatig worden getagd: een mens van vlees en bloed moet de verkeersborden en voetgangers stuk voor stuk aanwijzen. Een typisch gevalletje supervised learning waar duizenden werknemers voor nodig zijn. Volgens Elon Musk, naast PayPal, Tesla, SpaceX en Hyperloopoprichter ook de initiatiefnemer van OpenAI, is het sowieso een goed idee dat mensen de machine opvoeden en we ze niet unsupervised zelf al hun kennis laten opdoen. Dit voorkomt niet alleen onbenullig gevaarlijk gedrag, maar middels reinforcement learning kun je AI leren welk gedrag wenselijk is en niet. Een soort ouderschap 4.0? En dat terwijl menig ouder het stiekem best OK vindt als hun kind geen automatische jaknikker is…

Kunstmatige wereldpolitiek

Op de grens van Zuid- en Noord-Korea staan al heel wat jaren autonome robots van Samsung om alles wat beweegt aan flarden te schieten. Opvoedkundig intelligent of niet, AI lijkt steeds meer onderdeel te worden van militaire programma’s. Ook Poetin liet in dit verband recentelijk van zich horen en al eerder deelde China haar ambities voor 2030 (zie ook Dossier China, Vision & Robotics #1 2017). Volgens Qi Lu, COO van Baidu, zit China de Verenigde Staten wat betreft AI-ontwikkeling op de hielen. Overigens heeft ook kunstmatige intelligentie goed naar het regime te luisteren. 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?’ Ander Chinees verschil is de privacy. De partij staat iets soepeler tegenover het vastleggen en het gebruik van (persoonlijke) data. Voor een snelle ontwikkeling van AI is dat niet ongunstig: ‘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 de General Data Protection Regulation (GDPR) in werking. Volgens Julia Krauwer van ABN Amro wordt dat lastig in een AI-context. 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?

Strategische pijler

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. 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. Zo zie je, ook in de AI-bedrijfsnieuws rubriek geen tijd voor komkommers, maar volop zomer.

Liam van Koert

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *