Alles wat je altijd al wilde weten over kunstmatige intelligentie, machine learning en deep learning – maar niet durfde te vragen

  • Wat is kunstmatige intelligentie?
  • Wanneer machines zichzelf nieuwe trucs leren – de basis van machine learning
  • Deep learning bootst na hoe het menselijk brein begrijpt

Of het nu gaat om beeldherkenning, voorspellende analytics of extreme personalisatie, de big data revolutie en de kunstmatige intelligentie (KI) die dit mogelijk maken verstoren de status quo. En of je nu een techliefhebber bent of een marktleider die wil innoveren, de groeiende rol van KI, machine learning en deep learning zal je vast niet ontgaan zijn. De meesten van ons weten wel dat de door het Internet of Things gegenereerde data op de een of andere manier in verband staat met kunstmatige intelligentie en dat KI met die data aan de slag kan om inzichten te genereren. Maar wat het verder allemaal kan doen of hoe het precies werkt is voor veel mensen abacadabra.

Uit een recente Sage-enquête bleek zelfs dat bijna de helft van de ondervraagde consumenten geen idee had wat KI eigenlijk betekent of hoe de technologie werkt, zelfs niet op het meest eenvoudige niveau. En voor bedrijven die de kracht van KI willen inzetten zodat werknemers meer tijd hebben voor zinvol, waardetoevoegend werk of om grote datasets te filteren en analyseren, is het van cruciaal belang om een duidelijk beeld te hebben van wat deze opmerkelijke technologie eigenlijk is (en wat het niet is).

In het kort kunnen we zeggen dat KI de wereld razendsnel verandert en ongekende mogelijkheden biedt. Jason Hong, van het Human Computer Interaction Lab aan Carnegie Mellon University, vergelijkt het effect met de introductie van de auto. “Automobielen waren een directe vervanging voor paarden, maar leidden op middellange en lange termijn tot vele andere toepassingen, zoals trucks voor grootschalige transporten, verhuiswagens, minibusjes, cabriolets… Op dezelfde manier zullen KI-systemen op korte termijn een directe vervanging zijn voor routinematige taken, maar op middellange en lange termijn zullen we toepassingen zien die net zo ingrijpend zijn als auto’s”.

Wat is kunstmatige intelligentie?

Maar voordat je je een voorstelling kunt maken van wat KI voor je kan betekenen, moet je eerst weten wat het is. Calum McClelland schrijft voor Medium dat kunstmatige intelligentie een term is die wordt gebruikt voor machines die in staat zijn om “taken uit te voeren die kenmerkend zijn voor menselijke intelligentie”. Hij doelt hier niet op scifi maar op iets eenvoudigers. Veel dingen die onze hersenen automatisch doen – van het begrijpen van gewone taal en herkennen van gezichten tot het sorteren van bijvoorbeeld bewijsmateriaal, kunnen met de juiste technologie gesynthetiseerd worden. Maar dat is nog lang geen nagebootste menselijke intelligentie, eerder een vorm van zeer specifiek, zeer slim computergebruik. KI is in feite de overkoepelende term voor dit soort slimme systemen.

Kunstmatige intelligentie, machine learning & deep learning
Calum McClelland schrijft voor Medium dat kunstmatige intelligentie een term is die wordt gebruikt voor machines die in staat zijn om “taken uit te voeren die kenmerkend zijn voor menselijke intelligentie”.

En deze gerichte, specifieke intelligentie is de technologie achter de dingen die we in ons dagelijks leven gebruiken. Google Maps maakt bijvoorbeeld gebruik van KI om de verkeersdrukte te voorspellen. Hiervoor filtert het systeem real-time data om te ontdekken waar files staan en een alternatieve route voor te stellen. En voor degenen die Siri of Alexa gebruiken – de technologie die jouw stemopdrachten herkent en interpreteert – is ook een vorm van geavanceerde KI die natuurlijke taalverwerking of natural language processing (NLP) wordt genoemd. Een ander voorbeeld is het opsporen van fraude. Banken gebruiken kunstmatige intelligentie om patronen in je koopgedrag te identificeren. Als het systeem iets afwijkends opmerkt, worden bijvoorbeeld ongebruikelijke aankopen als mogelijke fraudegevallen ‘gevlagd’ of gemarkeerd. Zo zijn er nog veel meer voorbeelden van praktische toepassingen van KI te noemen. En hoewel we dit soort technologieën wel herkennen, staan we er niet altijd bij stil dat we met kunstmatige intelligentie te maken hebben.

KI is nu al een groot onderdeel van ons leven en het feit dat het in staat is om enorme gegevensstromen te begrijpen en beelden te herkennen betekent dat we er steeds meer mee te maken krijgen. Zo maken wetenschappers aan Harvard University gebruik van de kracht van KI voor repetitieve precisie en beeldherkenning om een slimme microscoop te leren bacteriën in bloedmonsters te herkennen. De microscoop is al 95 procent nauwkeurig en wordt elke dag, al lerende, steeds beter.

Machines die zichzelf nieuwe trucs leren – de basis van machine learning

En juist dat vermogen om te leren maakt KI zo indrukwekkend. Een algoritme programmeren om iets te doen is één ding. Een intelligent systeem programmeren om iets zelfstandig te leren doen is iets heel anders, en dat is waar het bij machine learning om draait. Machine learning, ook wel bekend als automatisch leren of machinaal leren, is een benadering van KI, of zoals McClelland zegt, “gewoon een manier om kunstmatige intelligentie te bewerkstelligen”.

KI’s vermogen om gigantische datasets te analyseren, spraakopdrachten te begrijpen en beelden te herkennen en sorteren is verbluffend. Machine learning is een manier om een slim systeem zover te krijgen dat het deze taken uitvoert. In plaats van een systeem hard te coderen – het te programmeren met de capaciteit om deze taken uit te voeren – is het waardevoller om machines te bouwen die je kunt leren om te leren. Het hard coderen van een complex proces is namelijk onpraktisch en vaak zelfs onmogelijk.

Ingenieurs en computerwetenschappers bouwen dus complexe systemen die heel snel kunnen worden getraind en extreem goed worden in wat ze doen. McClelland schrijft: “Bij deze training gaat het erom dat je het algoritme enorme hoeveelheden data voert en het zichzelf laat aanpassen en verbeteren”. In de radiologie kun je een slim algoritme bijvoorbeeld honderdduizenden röntgenfoto’s van gebroken en gezonde botten laten zien, waarna het de verschillen met verbazingwekkende snelheid en nauwkeurigheid kan onderscheiden. Dat klinkt misschien als scifi, maar het deep learning healthcarebedrijf Enlitic gebruikt kunstmatige intelligentie bijvoorbeeld al sinds 2014 als diagnostisch hulpmiddel bij medische beeldvorming.

Deep learning bootst na hoe het menselijk brein begrijpt

Er zijn verschillende manieren om een zelflerend systeem te bouwen. Deep learning, ook bekend als diep gestructureerd leren of hiërarchisch leren, is slechts één benadering van machine learning, één manier om een slim systeem te ontwerpen dat getraind kan worden om een complexe taak uit te voeren. Wat het uniek maakt, is dat het de manier waarop het menselijk brein werkt nabootst. Daarbij maakt het gebruik van artificial neural networks (ANNs) of kunstmatige neurale netwerken om menselijk begrip na te bootsen. Net als het menselijk verstand leren deze systemen uit ervaring, en zodra ze met afbeeldingen zijn getraind, zijn ze klaar om aan de slag te gaan.

Een voorbeeld: op een radiologie-afdeling van een ziekenhuis wil een team van artsen de röntgenfoto’s van een patiënt onderzoeken op tekenen van een breuk. Ze uploaden de foto’s naar een goed voorbereid, logicagestuurd netwerk – kunstmatige intelligentie die voor het verwerken van informatie gebruik maakt van deep learning. Zodra het systeem de röntgenfoto’s ‘ziet’, begint het ja/nee en waar/niet waar vragen te stellen om de gegevens te sorteren op bruikbare inzichten. Deze ANNs doen wat onze hersenen automatisch en onbewust doen. Ze stellen eerst basisvragen voordat ze verder gaan naar het volgende niveau van analyse.

Digitale illustratie van een menselijk brein met blauwe printplaattechniek op de achtergrond
Deep learning, ook bekend als diep gestructureerd leren of hiërarchisch leren, is slechts één benadering van machine learning, één manier om een slim systeem te ontwerpen dat getraind kan worden om een complexe taak uit te voeren.

Dit leren wordt ‘diep’ genoemd omdat de werking ervan gelaagd is, en in elke fase, van laag naar hoog, worden verschillende delen van het proces afgerond, variërend van algemeen naar specifiek. De laagste analyseniveaus zouden bijvoorbeeld de contouren van een bot in een röntgenfoto kunnen identificeren en controleren welk lichaamsdeel het beeld vertegenwoordigt. De lagere niveaus sturen de bevindingen als het ware door naar de hogere niveaus waar met elke volgende stap een soort gelaagde ‘taart’ gevormd wordt van verfijnde analyse. In het midden zijn deze ANNs op zoek naar tekenen van letsel. En bovenaan zijn die gegevens zo gestructureerd dat ze een probabilistisch antwoord kunnen produceren – bijvoorbeeld “deze röntgenfoto laat met 98 procent zekerheid een samengestelde breuk van de fibula van de patiënt zien”.

Deze indrukwekkende technologie is overal aanwezig. Of we het nu hebben over het begrijpen van natuurlijke spraak, het herkennen van foto’s op social media, het filteren van klantgegevens om kooppatronen te ontdekken of het herkennen van kanker in een mammogram, deep learning – als een vorm van machinaal leren – stelt KI in staat een revolutie teweeg te brengen in onze manier van werken en leven.

Gratis e-books voor 13 sectoren.

De wereld verandert in snel tempo en dat heeft grote impact op all sectoren. Daarom hebben we voor maar liefst 13 sectoren een compact e-book ontwikkeld. Daarin vind je de laatste trends op een rij, onderbouwd met interessante statistieken.
Dit blog is geschreven door Richard van Hooijdonk

Dit blog is geschreven door Richard van Hooijdonk

Trendwatcher, futurist en internationaal topspreker Richard Van Hooijdonk neemt je mee naar een inspirerende toekomst die leven, werken en ondernemen drastisch gaat veranderen.

Alle Lezingen