- Uitleg
- |
- Artificial intelligence
- |
- po
- vo
- mbo
Zo werkt artificial intelligence
Artificial intelligence (AI) is het vermogen van computers om taken uit te voeren waarvoor mensen hun intelligentie inzetten. Denk aan interacteren met de omgeving, analyseren, redeneren, problemen oplossen en voorspellen. Je vindt artificial intelligence in voice assistants op een smartphone of zelfrijdende auto’s. Maar ook in programma’s die zonder tussenkomst van een mens een verantwoording schrijven over de jaarcijfers van een bedrijf. In dit artikel leggen we uit hoe AI werkt en welke mogelijkheden het biedt voor het onderwijs.
Door de redactie
Artificial intelligence bestaat uit twee bestanddelen: een algoritme en data. Een algoritme is een reeks van instructies die leidt tot een bepaald resultaat. Dit klinkt heel abstract, maar de aanbevelingen om verder te kijken van een streaming videodienst als Netflix zijn gebaseerd op een algoritme. Aan de hand van ons kijkgedrag leert Netflix wat we interessant vinden en doet op basis daarvan een aantal aanbevelingen. Om die aanbevelingen te kunnen doen, is data nodig. In dit geval ons eigen kijkgedrag én dat van anderen. Data is de grondstof die algoritme laat werken. Door meer data te analyseren kan het algoritme betere aanbevelingen doen.
Artificial intelligence heeft onderhoud nodig
Zelf kunnen leren betekent niet dat alles vanzelf gaat. 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. Als de trainingsdata niet wordt vernieuwd blijft het algoritme niet leren. Het algoritme neemt beslissingen op basis van wat het heeft geleerd voordat wij het uiteindelijk als programma gebruiken. Je kunt het programma zo doorontwikkelen dat het ook weer nieuwe gegevens verzamelt tijdens het gebruik. Door die gegevens te verwerken, kan er een nieuwe momentopname worden gemaakt. Zo verbeter je de artificial intelligence.
Vormen van artificial intelligence
Artificial intelligence kent verschillende verschijningsvormen:
Supervised machine learning
Bij supervised machine learning helpen we de artificial intelligence bij het leren. Van tevoren is bekend wat de juiste uitkomst is en wat de relaties zijn tussen gegevens. De gebruikte gegevens zijn allemaal door mensen gelabeld. Denk aan een spreadsheet waar boven elke kolom staat aangeven wat daarin staat. Het algoritme hoeft niet zelf uit te zoeken wat de gegevens betekenen en welke bij elkaar horen. Door het algoritme met 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 de uiteindelijke verkoopprijs, perceeloppervlakte, locatie en andere kenmerken leert het de relaties daartussen steeds beter kennen. Daardoor kan het nauwkeuriger een verkoopprijs bepalen.
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. We vragen het algoritme om dat zelf te doen door gegevens te clusteren en zo patronen te vinden in een dataset. Unsupervised machine learning wordt gebruikt als gegevens niet geclassificeerd zijn of om juist nieuwe verbanden en clusters te ontdekken. Denk bijvoorbeeld weer aan de aanbevelingen die YouTube of Vimeo doet. Hiervoor zijn niet van tevoren allerlei categorieën bepaald, het systeem doet dat zelf, blijft ze herkennen en houdt ze actueel.
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 bepaald doel.
Dit soort algoritmes wordt bijvoorbeeld bij zelfrijdende auto’s gebruikt. Ergens tegenaan botsen is geen goede uitkomst. Op tijd stil staan voor een boom wel. Zo leert de auto steeds beter beslissingen nemen. Hetzelfde geldt voor robots die leren lopen. Vallen is geen goede uitkomst. Een volgende stap kunnen zetten is dat wel. Zo leert een robot letterlijk met vallen en opstaan hoe groot de juiste stap moet zijn.
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 data zoals afbeeldingen, video’s of geluidsopnamen. In vergelijking met de andere vormen van artificial intelligence heeft deep learning veel meer data nodig om verbanden te leggen en patronen te zien, 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 artificial intelligence-systeem maken dat aan de hand van een aantal lagen vogelsoorten leert herkennen:
- Door het systeem te voorzien van veel voorbeelden van verschillende vogels te geven, leert het welke kenmerken bij vogels horen.
- 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 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.
Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens.
© Kennisnet
Generatieve AI
Generatieve AI is een vorm van artificial intelligence waarmee iemand automatisch teksten, afbeeldingen, audio en andere content kan genereren. Deze AI-vorm staat op dit moment sterk in de belangstelling, onder meer door de populariteit van ChatGPT. Generatieve AI combineert verschillende soorten kunstmatige intelligentie.
Toepasbaarheid voor het onderwijs
Artificial intelligence wordt her en der in het onderwijs al gebruikt. Dit zal in de toekomst nog verder toenemen. Daarnaast kan artificial intelligence steeds completer het leerproces van een leerling volgen. Op basis van analyses en voorspellingen kan het gerichte feedback geven en aanpassingen voorstellen in de leerroute. Op deze manier kan het leraren steeds beter ondersteunen bij het nemen van beslissingen met betrekking tot het leerproces en de ontwikkeling van leerlingen.
Daarnaast zijn er verschillende toepassingen denkbaar in het onderwijs waar artificial intelligence duidelijk meerwaarde biedt. Zo zijn er verschillende toepassingen die gebruikmaken van spraak- en tekstherkenning. Bijvoorbeeld tools die leerlingen ondersteunen bij het leren van een vreemde taal door gesproken tekst te analyseren. Artificial intelligence in chatbots maakt het mogelijk om vragen te beantwoorden over lesstof of – door het stellen van vragen – te achterhalen in hoeverre leerlingen bepaalde lesstof begrijpen. Met vakoverstijgende dashboards wordt steeds meer geëxperimenteerd. Deze dashboards kunnen overzicht bieden door de voortgangs- en resultaatinformatie uit verschillende leermiddelen en omgevingen bij elkaar te brengen. Met learning analytics wordt al wat langer gewerkt. Zowel binnen adaptieve leermiddelen in het onderwijsproces, als in zogenaamde instellingsdashboards. Daarin wordt informatie over de organisatie en bedrijfsvoering geanalyseerd en gepresenteerd. Taakspecifieke robots worden in transport, zorg, veiligheid en andere sectoren al breed toegepast. In scholen is de robot vooral nog een studieobject, aangevuld met experimenten gericht op de inzet van de robot als onderwijsmiddel. In het beroepsonderwijs is robotica een belangrijk onderwerp omdat ze taken van mensen overnemen en leerlingen ermee moeten leren (samen)werken.
Aandachtspunten en tips
De mogelijkheden van artificial intelligence zijn veelbelovend. Toch zijn er ook kanttekeningen bij deze trend en andere zaken om rekening mee te houden.
Artificial intelligence is zo goed als de trainingsdata die wordt gebruikt
Wat voor veel processen en softwaresystemen die met data werken geldt, geldt ook voor artificial intelligence: garbage in, garbage out. Ofwel, als we ergens rommel in gooien, komt er ook rommel uit. Dat geldt ook voor algoritmen en artificial intelligence. Wanneer een algoritme getraind wordt met data die onvolledig, onjuist, of simpelweg niet representatief is, dan kunnen we natuurlijk ook niet verwachten dat de uitkomsten van dat algoritme juist zijn. Zo blijkt dat veel voice assistants mannenstemmen beter kunnen verstaan dan vrouwenstemmen, omdat ze er meer mannenstemmen in de trainingsdata zaten.
Inzicht in beslissingen
Zorgvuldig omgaan met de data die wordt gebruikt bij training en analyse is belangrijk. Maar zorgvuldig omgaan met de conclusies en aanbevelingen van artificial intelligence-systemen is minstens zo essentieel. Artificial intelligence-systemen gaan namelijk steeds meer adviezen geven en voorspellingen doen, bijvoorbeeld over hoe leerlingen het komende jaar, of zelfs in hun loopbaan, zullen presteren. Deze beslissingen kunnen grote impact hebben op leerlingen. Het is daarom van belang om te weten hoe een artificial intelligence systeem tot de beslissing komt. Meer hierover lees je in het artikel Verantwoord inzetten van artificial intelligence.
Goed omgaan met de gebruikersdata
Niet alle soorten gegevens mogen zomaar gebruikt worden voor profilering, personalisering of analyses over groepen leerlingen. Een school is volgens de wet verantwoordelijk voor het zorgvuldig omgaan met deze gegevens. Meer over het veilig omgaan met gegevens lees je op aanpakibp.kennisnet.nl.
Mogelijkheid versus wenselijkheid
In de toekomst worden voorspellingen op basis van historische gegevens en leerresultaten alleen maar nauwkeuriger. Maar het gevaar is dat we niet – of juist blind – gaan vertrouwen op het advies van artificial intelligence-systemen. De vraag is of we dat moeten willen. Dat het straks wellicht mogelijk is om artificial intelligence een schooladvies te laten geven, betekent niet automatisch dat het wenselijk is. Bij adviezen die bepalend zijn voor een mensenleven moet goed kunnen worden onderbouwd hoe dat advies tot stand is gekomen. Zowel het advies van het systeem als het advies van de leraar. Een vraag die daar weer mee samenhangt: in hoeverre kunnen we het ons nog veroorloven om af te wijken van het artificial intelligence-advies zonder in de problemen te komen met leerlingen, ouders of schoolleiding. Gebruik het sturingsmodel waardevol digitaliseren om de ethische discussie te helpen vormgeven.
Machines die slimmer zijn dan wij?
Als het gaat om intelligente machines bestaan er doemscenario’s – al dan niet verfilmd – over machines die slimmer zijn dan wij en zo de wereld overnemen. Prominente figuren als Elon Musk achten het niet uitgesloten dat machines de mensheid echt voorbij streven in algemene intelligentie. Is deze angst gegrond? De meeste wetenschappers en artificial intelligence-experts verwachten dat het zo’n vaart niet zal lopen. Het feit dat een artificial intelligence-programma ons kan verslaan met schaak, go! of jeopardy wil niet zeggen dat het ons in algemene menselijke intelligentie op korte termijn kan evenaren.
Artificial intelligence is niet als los product te koop
Besef dat artificial intelligence niet als los product te koop is. Het is een verzameling van methodieken en technologieën die onder dit begrip vallen en van elkaar verschillen. Bijvoorbeeld in de mate van complexiteit en in de toepassingen waarvoor ze geschikt zijn. Is een school van plan om leermateriaal of onderwijssoftware aan te schaffen dat intelligent gedrag vertoont? Vraag leveranciers dan naar wat zij nu eigenlijk specifiek in hun product gebruiken, wat zij weten over de effectiviteit ervan en welke randvoorwaarden nodig zijn om de technologie goed in te zetten.