Artificial Intelligence (AI)
& Machine Learning
AI en machine learning klinken spannend, maar wat is het precies? In dit artikel komen we alles over AI te weten: van de historie tot aan de toepassingen in het dagelijkse leven.
Waarom kunnen we niet meer leven zonder AI en machine learning? Wordt het zo langzamerhand niet echt nodig dat iedereen meer te weten komt over Artificial Intelligence en zich daar zelf een mening over vormt. Doemdenkers en beelden uit films als Startrek met robots met vergevorderde AI vormen vaak het beeld van AI bij mensen.
In dit artikel proberen we een normaal beeld te schetsen over kunstmatige intelligentie en machine learning: wat is het, hoe werkt het en wat zijn de voor- en/of nadelen.
Dit behandelen we:
Wat is AI precies?
(De betekenis van AI)
AI klinkt spannend, maar wat is het precies? In dit hoofdstuk komen we van alles over AI te weten. Maar laten we beginnen met een definitie.
Definitie van AI
AI is de combinatie van machine learning, gedrag (behaviour) en statistische analyse.
Andreas Kaplan en Michael Haenlein definiëren artificiële intelligentie als
Het vermogen van een systeem om externe gegevens correct te interpreteren, om te leren van deze gegevens, en om deze lessen te gebruiken om specifieke doelen en taken te verwezenlijken via flexibele aanpassing.
Maar de meest gebruikte definitie van kunstmatige intelligentie is
kunstmatige intelligentie is kennis van kunde. Het omvat geavanceerde algoritmes en methodes, die op basis van aanwezige data, over de toekomst of verdere ontwikkeling, tot goede voorspellingen kunnen komen.
De kunstmatige intelligentie zal volgens de kenners in ieder geval een belangrijk onderdeel worden van het leven, het economische en politieke systeem.
Niet alleen in Nederland, maar wereldwijd zal kunstmatige intelligentie in steeds meer sectoren een rol gaan spelen.
Voorbeelden van AI in 2022 in Nederland
Buienradar
Het gebruik van buienradar om de regen te voorspellen. Foto van Greyman.co.
Autonome voertuigen
Autonome voertuigen of voertuigen die gedeeltelijk autonoom rijden. Een voorbeeld hiervan is Tesla.
AI Robot
Een artificial intelligence robot die iedereen op afstand kan besturen.
AI in de zorg
Gezondheidsapparaten die zelf medicijnen leveren en diagnoses geven aan medische professionals.
Smart Watches
Maar ook smart watches die weten wat voor soort sport je aan het doen bent en tegenwoordig zelfs hartafwijkingen kunnen constateren.
Muziek & film aanbevelingen
Of het nou om Spotify, Netflix of Apple Music gaat, zowel alle streaming platforms gebruiken AI om de perfecte films en muziek aan te bevelen voor jou.
Machine learning: een vorm van AI
Wat is machine learning?
Machine learning is een vorm van kunstmatige intelligentie die computers in staat stelt zelf te leren door gegevens te analyseren.
Het is anders dan bij traditioneel programmeren, waarbij mensen code moeten schrijven die de computer vertelt wat hij moet doen.
Bij machine learning krijgt de computer toegang tot gegevens en “leert” hij zelf hoe hij dingen moet doen.
Hoe werkt machine learning?
De modellen die door machine learning-algoritmen worden gecreëerd, kunnen zichzelf verbeteren naarmate ze aan meer gegevens worden blootgesteld.
Machine learning wordt gebruikt op verschillende gebieden, zoals bij het gebruik van zoekmachines, het stellen van medische diagnoses, computervisie, natuurlijke taalverwerking en voorspellende analyses.
Het doel van machine learning is om de computersystemen, waarmee we elke dag werken, slimmer en efficiënter te maken.
Waar wordt machine learning voor gebruikt?
Enkele van de vele toepassingen van machine learning zijn.
- Automatisch sorteren van e-mail om zo de juiste prioriteit aan te kunnen geven.
- Fraude-opsporing en eventueel zelfs het voorspellen ervan.
- Voorspellen van aandelenkoersen en daar eventueel geautomatiseerd op reageren.
- Spraakherkenning en dit omzetten naar tekst zodat dit beter verwerkt kan worden.
- Tekstanalyse om daaruit nieuwe inzichten ‘boven tafel te krijgen’.
- Gezichtsherkenning bijvoorbeeld voor het ontsluiten van een telefoon.
- Medische diagnose om bijvoorbeeld kanker vast te kunnen stellen.
De 3 types van machine learning
Er zijn drie hoofdtypes van machinaal leren: supervised, unsupervised, en reinforcement learning.
Supervised learning
Bij supervised learning krijgt de machine een set van trainingsgegevens en is dan in staat om van die gegevens te leren en te generaliseren.
Het doel van leren onder toezicht is een model te bouwen dat voorspellingen kan doen over nieuwe gegevens.
Je zou bijvoorbeeld met supervised learning een model voor machinaal leren kunnen bouwen dat foto’s van dieren opneemt en vervolgens voorspelt om wat voor soort dier het gaat.
Supervised learning is de meest toegepaste manier van machine learning heden ten dage.
Voorbeelden van supervised learning
Voorbeelden van deze modellen zijn decision tree, lineaire regressie en logistische regressie.
Unsupervised machine learning
Bij unsupervised learning krijgt de machine gegevens, maar wordt haar niet verteld wat ze ermee moet doen.
Ze moet zelf patronen en structuur in de gegevens zien te vinden. Het doel van leren zonder toezicht is verborgen patronen en inzichten in gegevens te vinden.
Je kunt leren zonder toezicht bijvoorbeeld gebruiken om gegevenspunten te clusteren op basis van hun gelijkenis.
Dit geeft je een manier om datapunten te groeperen, zelfs als je van tevoren niet weet welke groepen er bestaan.
Het geeft nieuwe inzichten maar je moet jezelf wel de vraag stellen of er bij die clustering een causaal verband is. Vaak is het een correlatie, maar de vraag is of er echt ‘een verband is’?
Voorbeelden van unsupervised machine learning
Voorbeelden zijn onder meer clustering, dimensionality reductie en patroon herkenning met associatieregels.
Reinforcement learning
Reinforcement learning is leren waarbij de machine interacteert met zijn omgeving om te leren hoe hij een doel kan bereiken. De machine krijgt een aantal regels en moet dan met vallen en opstaan leren welke acties tot het doel zullen leiden.
Je zou bijvoorbeeld reinforcement learning kunnen gebruiken om een robot te leren lopen. De robot zou verschillende strategieën uitproberen en dan feedback krijgen over of hij al dan niet succesvol was.
Het doel van reinforcement learning is om de optimale manier te vinden om een doel te bereiken en daar steeds van te blijven leren.
Het verschil tussen AI en machine learning
Artificiële intelligentie (AI) en machine learning (ML) worden vaak door elkaar gebruikt, maar er is een subtiel verschil tussen de twee.
AI is de ‘umbrella term’
Artificial intelligentie is een breder begrip dat verwijst naar elk systeem dat taken kan uitvoeren waarvoor gewoonlijk menselijke intelligentie nodig is, zoals besluitvorming, natuurlijke taalverwerking en beeldherkenning.
Machine learning is een subcategorie van AI
Machine learning daarentegen is een subcategorie van AI die erop gericht is computers het vermogen te geven om van gegevens te leren en hun prestaties in de loop van de tijd te verbeteren zonder expliciet geprogrammeerd te worden.
Met andere woorden, algoritmen voor machine learning stellen computers in staat automatisch hun eigen prestaties te verbeteren.
Dit doen ze door op gegevens gebaseerde voorspellingen of beslissingen te nemen. Dit wordt ook wel het trainen en gebruik van machine learning modellen genoemd.
Het verschil tussen AI en machine learning samengevat
Het verschil tussen beide is dat kunstmatige intelligentie kan worden gezien als een doel of een bestemming (een uitkomst), terwijl machine learning een middel is om daar te komen!
Alle aspecten van AI uitgelegd
Supervised machine learning en unsupervised machine learning zijn twee groepen die elkaar uitsluiten.
Ook reinforcement learning kent haar eigen deelgebied. In de tekening hieronder worden de verschillende aspecten van AI weergegeven.
Neural netwerken (Neural network)
Een neuraal netwerk is een vorm van kunstmatige intelligentie die is geïnspireerd op de manier waarop de hersenen werken.
Zij bestaat uit een groot aantal met elkaar verbonden verwerkingsknooppunten, of neuronen, die kunnen leren om inputpatronen te herkennen.
De toepassingen van neural networks
Neurale netwerken worden gebruikt voor uiteenlopende taken, zoals spraakherkenning, beeldherkenning en automatische vertaling.
Zij worden ook gebruikt in veel toepassingen waarvoor conventionele algoritmen niet geschikt zijn, zoals het opsporen van fraude of het doen van voorspellingen over beurskoersen.
Door hun vermogen om te leren en zich aan te passen, zijn neurale netwerken een van de krachtigste hulpmiddelen geworden in de kunstmatige intelligentie.
Wat is deep learning?
Deep learning is een “diep” neuraal netwerk dat vele lagen neuronen en een enorme hoeveelheid gegevens omvat.
Dit geavanceerde type kan complexe, niet-lineaire problemen oplossen en is verantwoordelijk voor doorbraken in AI, zoals natuurlijke taalverwerking (NLP).
Hoe past het in kunstmatige intelligentie en wat maakt deep learning zo bijzonder?
Deep learning past in de bredere categorie van kunstmatige intelligentie (AI).
AI omvat allerlei activiteiten, waarbij machines kunnen worden gebruikt om taken te automatiseren, waarvoor anders menselijke intelligentie nodig zou zijn zoals patroonherkenning, zoeken, plannen, probleemoplossing en natuurlijke taalverwerking.
Deep learning is een subset van machine learning, dat zelf weer een subset van AI is.
Deep learning algoritmen
Algoritmen voor machine learning worden gevoed door data. Hoe meer data ze hebben, hoe beter ze kunnen leren.
Deep learning algoritmen gaan nog een stap verder door gebruik te maken van neurale netwerken.
Neurale netwerken zijn computersystemen die zijn geïnspireerd door de hersenen en het zenuwstelsel van mensen. Ze zijn opgebouwd uit eenheden, neuronen genaamd, die in verschillende lagen met elkaar verbonden zijn.
Diepe neurale netwerken hebben vele lagen, vandaar de naam diep oftewel deep learning.
Deep learning successen bij o.a Google
Deep learning algoritmen zijn de afgelopen jaren verantwoordelijk geweest voor enkele van de indrukwekkendste verwezenlijkingen in AI.
Zij zijn bijvoorbeeld gebruikt bij Google ‘s AlphaGo-programma, dat een wereldkampioen in het Go-spel versloeg en in autonome rijsystemen.
Ze worden ook gebruikt om nieuwe medische diagnose-instrumenten te ontwikkelen en om de nauwkeurigheid van weersvoorspellingen te verbeteren.
De noodzaak van datakwaliteit bij AI
Datakwaliteit speelt een essentiële rol bij AI.
Maar waarom is datakwaliteit essentieel?
Als AI modellen getraind worden met data, dan is het belangrijk om te begrijpen waar die data vandaan komt, dat datakwaliteit niet alleen over de data-input gaat maar ook over het verwerken van data. Denk aan databasebeheer, databehandeling en de documentatie er van.
Datakwaliteit begint bij metadata management
Bij metadata management is het belangrijk om te weten wat je leert bij het datamodel. Metadata is informatie over data die bijkomende informatie geeft, zoals de herkomst of vernoemingen van klassen en clustering . Zo kan metadata management helpen om te weten welke datakwaliteit goed genoeg is.
Zeker bij het trainen van machine learning modellen is data datakwaliteit belangrijk. Datakwaliteit zorgt ervoor dat je goede modellen kunt trainen, die de data correct interpreteren. Goede data maakt de kans op ‘discriminerende modellen’ minder groot.
Voorbeelden van meetbare datakwaliteit
- De kans op dataverlies
- De verwerkingssnelheid, databytes per seconde (MB/seconde)
- Het percentage data dat goed genoeg is om verwerkt te worden
- De kans op correcte interpretatie van data door een model
- Het percentage fouten gebaseerd op metadata management controle
De geschiedenis van Artificial Intelligence oftewel kunstmatige intelligentie
Kunstmatige intelligentie zou kunnen worden beschouwd als de oudste vorm van vernoemde taal.
De eerste stappen in AI
In de vorige eeuw werden de eerste, en fundamentele, stappen in AI al gezet. In de jaren 20 verscheen het woord ‘Robot’ voor het eerst in een verhaal van Karel Čapek.
AI in de 50s
In 1950, heeft Alan Turing, een Engelse wiskundige en pionier van theoretische informatica en kunstmatige intelligentie, het onderwerp AI op de kaart gezet in zijn beroemde artikel ‘Computing Machinery and Intelligence’. Naar hem is ook de test genoemd (Turing test) die aangeeft in hoeverre machinelearning echt als Artificial Intelligence wordt gezien.
AI in de 60s
In 1965 wordt de term AI als eerste genoemd, tijdens de Dartmouth conference. Eliza, gecreëerd door Joseph Weizenbaum, was een van de eerste chatbots. Hoewel ze sommige gebruikers voor de gek kon houden door te denken dat ze eigenlijk met een mens spraken, slaagde ze niet voor de Turing test.
AI in de 70s & 80s
In de jaren 70 en 80 van de vorige eeuw werd er weinig geïnvesteerd en die tijd wordt ook wel omschreven als de ‘AI winter’. AI leeft vooral door in film en muziek.
Ai in de 90s
IBM’s met haar Deep Blue schreef in 1997 geschiedenis door als eerste ooit een machine te ontwikkelen die een wereldkampioen schaken kon verslaan.
AI in de 21e eeuw
Het begin van de 21e eeuw konden er weer investeringen worden gedaan, doordat hardware en software snel in capaciteiten toe namen. De combinatie van investeringen en betere hardware zorgde voor een exponentiële groei. De eerste spraakherkenningssoftware kwam op de markt door Google (2008) en er werd gestart met onderzoek naar autonoom rijdende auto’s.
De groei en het gebruik versnelde en het is ondertussen normaal om tegen een telefoon of speaker te praten en daar vragen aan te stellen. Denk aan een voice-assistent zoals Siri van Apple.
De eerste humanoïde
In 2016 maakten we kennis met Sophia, de eerste humanoïde robot waar je gesprekken mee kon voeren. Sinds die tijd heeft AI een nog verdere vlucht genomen en worden we omringt door zelfrijdende auto’s, computers die voor je denken en systemen die ‘pro-actief’ fraude op kunnen sporen. Niet alles van AI is dan ook positief. Het maakt sommige mensen zelfs bang.
