Wat is artificial intelligence?

Door de snelle ontwikkeling van chiptechnologie kan AI veel meer gegevens opslaan, verwerken en analyseren dan een menselijk brein. Met brute rekenkracht benadert het daarentegen nog lang niet alle menselijke capaciteiten. 

Een AI-systeem dat het complete menszijn kan nabootsen, de zogenaamde general artificial intelligence, staat nog heel ver van ons vandaan. Taakspecifieke artificial intelligence echter niet meer. We vinden het al in allerlei producten. Wel moet dergelijke AI-technologie geschikt worden gemaakt voor een bepaalde markt of bepaald werkveld. Er wordt bijvoorbeeld veel verwacht van AI in het onderwijs, maar vooralsnog zien we dat nog maar in beperkte mate terug in concrete onderwijsproducten.

Hoe werkt AI?

AI bestaat in de kern uit 2 bestanddelen: een zelflerend algoritme en data. Een algoritme is een reeks van instructies die leidt tot een bepaald resultaat. In computers nemen die de vorm aan van een computerprogramma.

Een algoritme dat we dagelijks tegenkomen en gebruiken, is bijvoorbeeld een recommender system. Streaming videodiensten doen op basis van ons kijkgedrag aanbevelingen over andere video’s die we mogelijk interessant vinden. Om die aanbevelingen te kunnen doen, is data nodig. Ons eigen kijkgedrag en dat van anderen in dit geval. Data is de grondstof die AI laat werken. Door meer data te analyseren kan het algoritme betere aanbevelingen doen.

Artificial intelligence (AI) of kunstmatige intelligentie in 2 minuten uitgelegd © RTL Z

Lerend vermogen

Een belangrijk verschil tussen programma’s die AI gebruiken en andere programma’s, is het lerend vermogen. Denk aan een schaakprogramma. We kunnen deze programmeren met alle mogelijke strategieën, beslissingen en regels. Het eindproduct blijft qua mogelijkheden beperkt tot wat programmeurs hebben verteld over effectieve strategieën.
Bij een AI-schaakprogramma bedenken we niet alle stappen van tevoren, maar maken we een algoritme dat in staat is om te leren van data. We voeden het met miljoenen schaakpartijen die mensen hebben gespeeld. Het algoritme analyseert alles en haalt daar zelf strategieën, regels en beslissingen uit. Voor mensen is het onmogelijk om zoveel gegevens te analyseren, maar een AI-programma kan dat wel. Nadat het algoritme getraind is, kan het in de vorm van een computerprogramma schaken tegen mensen.

Momentopname

Programma’s die getraind zijn met AI, leren niet per se constant. Het is als het ware een momentopname van alle opgedane kennis en ervaringen tot dan toe. De werking ervan is zo goed of slecht als de kwaliteit van het algoritme dat door mensen is bedacht en de data waarmee het is getraind.
Het algoritme neemt beslissingen op basis van wat het heeft geleerd voordat wij het uiteindelijk als programma gebruiken. Uiteraard verzamelt het programma ook weer nieuwe gegevens doordat we er gebruik van maken. Om de AI nog beter te maken, moeten deze gegevens eerst weer verwerkt worden en kan er een nieuwe momentopname worden gemaakt. Zo’n nieuwe momentopname is vergelijkbaar met een software-update.

Vormen van AI

Er is niet één specifieke vorm van AI. De verschillende vormen van AI gebruiken diverse benaderingen, ieder met zijn eigen kracht en mogelijkheden. AI-producten en -diensten gebruiken één of meerdere vormen van AI. We bespreken hier de 4 meest gebruikte vormen.

Supervised machine learning

Bij supervised machine learning is van tevoren bekend wat de juiste uitkomst is en leren we het algoritme wat de relaties zijn tussen gegevens. De gebruikte gegevens zijn allemaal door mensen gelabeld. Zoals we in een spreadsheet bijvoorbeeld boven elke kolom aangeven wat daarin staat.

Het algoritme hoeft niet zelf uit te zoeken wat de gegevens betekenen en welke bij elkaar horen. Door het algoritme steeds meer gegevens te voeden, worden de resultaten steeds nauwkeuriger. Denk aan het bepalen van de verkoopprijs van een huis. Door een algoritme veel historische gegevens te geven van verkochte huizen met uiteindelijke verkoopprijs, perceeloppervlakte, locatie en andere kenmerken leert het de relaties daartussen steeds beter kennen. En kan het daardoor nauwkeuriger een verkoopprijs bepalen.

Getekende plaat van een robot die leert wat de relaties tussen gegevens zijn bij de koop van een huis. Locatie, prijs, aantal kamers, energielabel
Bij supervised machine learning is de juiste uitkomst van tevoren bekend en leren we het algoritme wat de relaties zijn tussen gegevens © Kennisnet

Unsupervised machine learning

Bij unsupervised machine learning programmeren we niet wat de juiste uitkomst is en welke gegevens precies relevant zijn, maar vragen we een algoritme zelf gegevens te clusteren door patronen te vinden in een dataset.

Dergelijke algoritmes kunnen we gebruiken als we niet zelf alle gegevens willen of kunnen classificeren, of omdat we juist nieuwe verbanden en clusters willen ontdekken.

Een praktijkvoorbeeld is een videodienst die andere video’s aanbeveelt waarvan de kans groot is dat wij ze ook interessant vinden. Hiervoor willen we niet van tevoren zelf allerlei categorieën bedenken, maar we willen dat het systeem deze bepaalt, blijft herkennen en actueel houdt.

Illustratie van een robot die gegevens clustert door zelf patronen te vinden in een dataset
Bij unsupervised machine learning vragen we een algoritme zelf gegevens te clusteren door patronen te vinden in een dataset © Kennisnet

Reinforcement learning

Bij reinforcement learning leert het algoritme een taak uit te voeren door het krijgen van beloningen voor acties die een juiste uitkomst opleveren. Dit soort algoritmes kunnen we gebruiken als er weinig data beschikbaar is.

Vergelijk het met het trainen van een hond: als hij iets goed doet, geven we een beloning en anders niet. Zo leert het algoritme wat gewenste acties zijn die bijdragen aan het behalen van een een bepaald doel.

Dit soort algoritmes worden bij zelfrijdende auto’s gebruikt zodat ze, lerend van de bestuurder, steeds beter beslissingen nemen. Of bij robots om stappen te leren zetten, en met vallen en opstaan te leren hoe groot de juiste stap moet zijn.

Illustratie van een robot die taken uitvoert en bij de juiste actie een beloning krijgt
Bij reinforcement learning leert het algoritme een taak uit te voeren door het krijgen van beloningen voor acties die een juiste uitkomst opleveren. © Kennisnet

Deep learning

Deep learning gebruiken we bij zogenaamde ongestructureerde data, zoals afbeeldingen, video’s of geluidsopnamen. In vergelijking met de andere vormen heeft deze vorm veel meer data nodig, maar het levert dan mogelijk nog accuratere resultaten op.

Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens.

Zo kunnen we bijvoorbeeld een AI-systeem maken dat dieren herkent. Door heel veel voorbeelden van verschillende vogels te geven, leert het systeem kenmerken te herkennen. Een laag van het algoritme analyseert bijvoorbeeld de vorm van het object. Door het herkennen van vleugels en een snavel weet het dat het hier om een vogel gaat.

Een andere laag analyseert de kleur van de vogel en herkent dat het om een gele vogel gaat. Een volgende laag zou op basis van de combinatie van deze kenmerken ook de specifieke soort vogel kunnen herkennen, bijvoorbeeld een gele parkiet.

Als we het algoritme dan een nieuwe vogel laten zien, die niet in de trainingsset zat, kan het de vogel alsnog herkennen aan de hand van de kenmerken.

Illustratie met 4 platen waarop beelden, onderwerpen, kenmerken en kleuren te zien zijn. Op basis daarvan kan AI weten dat het om een gele parkiet gaat
Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens © Kennisnet

Robots bestuurd door AI – vooral voor fysieke arbeid en specifieke taken

Regelmatig zien we indrukwekkende filmpjes van robots die moeiteloos over allerlei obstakels navigeren of allerlei vragen beantwoorden. Daardoor zijn er hooggespannen verwachtingen. Betekent dit dat robots bestuurd door AI, binnenkort allerlei werkzaamheden kunnen overnemen? Nee. Robots lijken slim, maar zijn dat niet. 

Een lopende robot functioneert alleen in een gecontroleerde omgeving. Als we een dergelijke robot buiten op de stoep zouden zetten, kan hij absoluut niet functioneren en een gevaar voor ons mensen vormen. Onlangs stelden Britse parlementariërs een pratende robot vragen. Door de uitgebreide antwoorden is denkbaar dat de robot de vragen snapte en op een willekeurige vraag antwoord kan geven. In werkelijkheid waren de antwoorden voorgeprogrammeerd. Zowel voor fysieke als cognitieve interactie met onze complete, complexe werkelijkheid zijn robots momenteel dus nog niet geschikt.

Illustratie met robots die specifieke taken uitvoeren in aanvulling op mensenhandelen
Robots die volledig kunnen handelen als een mens liggen nog mijlenver van ons vandaan. Wel kunnen ze specifieke taken uitvoeren en daarmee mensen aanvullen © Kennisnet

Samenwerking tussen mensen en robots

Robots die volledig kunnen handelen als een mens liggen nog mijlenver van ons vandaan. Wel kunnen ze specifieke taken uitvoeren en daarmee mensen aanvullen.

Zo rijden robots in magazijnen van grote online warenhuizen rekken naar de menselijke orderpicker toe. De magazijnrekken kunnen dan dichter op elkaar staan omdat er geen ruimte nodig is voor mensen. De orderpicker pakt de bestelde spullen vervolgens met de hand uit een rek, want robots zijn niet zo goed in het vastpakken van allerlei soorten objecten met verschillende vormen of gewicht. Wat voor mensen heel intuïtief is, kan voor robots erg ingewikkeld zijn.

Robots worden ook ingezet bij operaties, waardoor het menselijke werk in de operatiekamer verandert van aard. De chirurg snijdt niet meer zelf, maar stuurt vanachter een scherm de robot aan. Incisies worden zo kleiner en preciezer, met minder littekenweefsel als gevolg. Bovendien wordt de communicatie tussen de chirurg en zijn assistenten veel belangrijker, omdat ze fysiek verder van elkaar verwijderd zijn. Maar na de operatie staat er geen robot aan het bed om te vertellen hoe de operatie ging. Want hoewel robots heel goed de illusie kunnen wekken dat ze ons begrijpen en empathie kunnen simuleren, is dat nog steeds het werk van een mens met inlevingsvermogen.

Vooral waar fysiek werk zwaar is, of heel precies moet worden uitgevoerd, vullen robots het werk van mensen aan. Daarom is het van belang dat onder andere in het beroepsonderwijs nadrukkelijk aandacht wordt besteed aan robotica. Want robots zullen in toenemende mate invloed hebben op ons werk en leven. Maar niet voor die taken waar onze menselijke vermogens en krachten een belangrijke rol spelen. Als studieobject in het funderend onderwijs zijn robots interessant. Ze zullen zeker een rol spelen in toekomstige beroepen van leerlingen. Maar een robot voor de klas is voorlopig nog toekomstmuziek.

Meer lezen

Wilt u meer lezen over artificial intelligence in het onderwijs?

Lees dan ook:

Deel Artificial intelligence uitgelegd

Delen
  • LinkedIn
  • Twitter
  • Facebook
  • E-mail