- Wat is kunstmatige intelligentie precies?
- Hoe werken algoritmes?
- Wat is het doel van kunstmatige intelligentie?
- Verschillende soorten kunstmatige intelligentie uitgelegd
- Subdomeinen binnen kunstmatige intelligentie
- Welke voordelen biedt kunstmatige intelligentie ons?
- Ethische overwegingen en risico’s
Hoewel kunstmatige intelligentie al een onderdeel is van bijna elk aspect van ons dagelijks leven, weten veel mensen nog vrij weinig van deze technologie; hoe het ons leven en onze bedrijven kan veranderen en welk effect het heeft op onze maatschappij.
Wat is kunstmatige intelligentie precies?
Kunstmatige intelligentie is de simulatie van natuurlijke intelligentie in machines die zijn geprogrammeerd om te leren en menselijke denkpatronen na te bootsen. We kunnen kunstmatig intelligente machines trainen om te leren van verschillende ervaringen en om allerlei taken uit te voeren. Simpel gezegd: kunstmatige intelligentie combineert computerwetenschap met krachtige datasets waardoor wij deze technologie kunnen gebruiken om verschillende problemen op te lossen. AI werkt op een intelligente en intentionele manier en kan beslissingen nemen waar normaal gesproken een menselijk kennisniveau voor nodig is. Kunstmatige intelligentie omvat ook de deelgebieden machine learning en deep learning, waarbij algoritmes worden gebruikt. Met algoritmes kunnen expertsystemen worden gemaakt, die voorspellingen doen of classificaties maken op basis van input.
Hoe werken algoritmes?
Simpel gezegd: een algoritme is serie stap-voor-stap instructies om een probleem op te lossen. Computeralgoritmes werken via input en output. Ze pakken de input en passen elke stap op die informatie toe om output te genereren. AI-algoritmes zijn ontworpen om beslissingen te nemen die veelal zijn gebaseerd op real-time gegevens. Algoritmes combineren informatie uit verschillende bronnen door sensoren, digitale gegevens of input van remote devices te gebruiken. Maar ze combineren niet alleen; algoritmes analyseren ook direct het materiaal en handelen op basis van de inzichten die zij uit deze gegevens verkrijgen. Ze komen tot conclusies die zijn gebaseerd op die directe analyse. Mensen hebben algoritmes ontworpen met een bepaalde intentie. En door aanzienlijke verbeteringen in opslagcapaciteit, verwerkingssnelheden en analysetechnieken kunnen de huidige algoritmes hun analyse en besluitvorming steeds meer verfijnen.
Machine learning-technologie zoekt naar onderliggende trends in de data die voorbereid en onderzocht wordt. Wanneer deze tech iets detecteert dat relevant is voor een praktisch probleem, kunnen softwareontwerpers deze kennis combineren met data-analyse om inzicht te krijgen in specifieke uitdagingen. Bij big data-analyse worden zeer geavanceerde analysetechnieken op zeer grote, uiteenlopende datasets toegepast, waaronder gestructureerde, semigestructureerde en ongestructureerde gegevens uit verschillende bronnen en van verschillende omvang – van terabytes tot zettabytes.
Met ‘big data’ omschrijven we datasets waarvan we de omvang of het type met traditionele relationele databases niet kunnen vaststellen, beheren en verwerken. Kenmerken van big data zijn onder meer een groot volume, een hoge snelheid en een grote verscheidenheid. De verschillende gegevens zijn bijvoorbeeld afkomstig van sensoren, apparaten, video/audio, netwerken, logbestanden, transactietoepassingen, het web en social media. Veel van deze gegevens worden in real time en op zeer grote schaal gegenereerd. Big data-analyse maakt niet alleen efficiëntere en snellere besluitvorming mogelijk, maar bijvoorbeeld ook modellering en voorspelling van toekomstige resultaten en verbeterde business intelligence.
Tijdens het verzamelen en analyseren van informatie en het nemen van beslissingen leren AI-systemen en passen ze zich aan. En om doeltreffend te kunnen blijven is het ook van belang dat kunstmatige intelligentie zich voortdurend aanpast. Denk bijvoorbeeld aan omstandigheden die betrekking hebben op het milieu, finance, het verkeer of militaire operaties. AI doet dit door deze veranderingen in de algoritmes te integreren en vervolgens beslissingen te nemen over manieren om zich aan de nieuwe omstandigheden aan te passen.
Wat is het doel van kunstmatige intelligentie?
Kunstmatige intelligentie maakt veel van onze dagelijkse taken eenvoudiger, biedt ons veel meer mogelijkheden en helpt ons om snel geavanceerde beslissingen te nemen, gebaseerd op de best mogelijke gegevens. Wanneer we met een filosofische blik kijken, zien we dat we dankzij AI een zinvoller leven kunnen leiden zonder zware arbeid. Daarnaast kan deze technologie het complexe web van onderling ‘connected’ mensen, bedrijven en zelfs hele landen dusdanig laten functioneren dat iedereen er baat bij heeft. Kunstmatige intelligentie wordt ook wel gezien als de ‘laatste uitvinding van de mens’ – een creatie die baanbrekende instrumenten en diensten mogelijk maakt waardoor de manier waarop wij ons leven leiden fundamenteel verandert. AI kan ons helpen een eind te maken aan strijd, ongelijkheid en menselijk lijden. Dit klinkt allemaal veelbelovend, maar zover zijn we voorlopig nog niet.
Vele aspecten van ons moderne leven zijn gebaseerd op kunstmatige intelligentie. Denk bijvoorbeeld aan zoekmachines op het internet, online bankieren of belangrijke recente ontwikkelingen op het gebied van beeldherkenning en automatische vertalingen. In het bedrijfsleven wordt de technologie gebruikt om bedrijfsprocessen efficiënter te maken, taken die veel middelen vergen te automatiseren en ramingen te doen op basis van feiten in plaats van onderbuikgevoelens.
Andere manieren waarop AI wordt gebruikt zijn onder andere:
- Zoeken binnen data en die zoektocht optimaliseren zodat alleen de relevantste resultaten worden getoond;
- Als-dan-redeneringen – deze kunnen worden toegepast op het uitvoeren van een reeks opdrachten die zijn gebaseerd op specifieke parameters;
- Het herkennen van belangrijke patronen in grote datareeksen om unieke inzichten te verkrijgen;
- Toegepaste modellen voor het voorspellen van toekomstige resultaten.
Een voorbeeld hiervan is het voorspellende zoekalgoritme van Google. Op basis van gebruikersgegevens uit het verleden voorspelt dit algoritme wat je als volgende zoekopdracht in de zoekbalk zal typen, waardoor je optimale zoekresultaten krijgt. Ook Netflix doet dit: de streamingdienst gebruikt jouw gegevens uit het verleden om aanbevelingen te doen over films die je mogelijk wilt zien, met als doel om de kijktijd te verlengen. Facebook maakt naast gegevens uit het verleden ook gebruik van gezichtsherkenningstechnologie. Op basis van gezichtskenmerken stelt de social mediagigant vervolgens automatisch voor welke vrienden je bijvoorbeeld in jouw foto’s kunt taggen.
Verschillende soorten kunstmatige intelligentie uitgelegd
Hoewel alle kunstmatige intelligentie meestal wordt omschreven als AI of artificial intelligence, zijn er eigenlijk drie soorten: artificial narrow intelligence (ANI), artificial general intelligence (AGI) en artificial super intelligence (ASI). Maar wat zijn de verschillen tussen die drie soorten?
Artificial narrow intelligence (ANI) kan één taak extreem goed uitvoeren
Dit is het enige type AI dat momenteel wordt gebruikt, bijvoorbeeld in applicaties als Siri en technologie voor natuurlijke taalverwerking. ANI excelleert in het uitvoeren van enkelvoudige taken door menselijke intelligentie na te bootsen, zoals de AI die wordt gebruikt in spraakassistenten en spraakherkenningssoftware. In zeer specifieke contexten lijkt dit type AI sterk op het menselijk functioneren; soms kan ANI het menselijk functioneren zelfs overtreffen. Dat kan echter alleen met een beperkte reeks parameters en in gecontroleerde situaties, zoals bijvoorbeeld tijdens een schaakspel.
Artificial general intelligence (AGI) voert intellectuele taken uit zoals mensen dat doen
AGI bevindt zich in feite op het niveau van het menselijk denken. Het is nog wel een theoretisch concept, aangezien het duizenden samenwerkende en met elkaar communicerende ANI-systemen zou moeten hebben om het menselijk redeneren na te bootsen. Dit type AI kan veelzijdiger functioneren dan ANI en op diverse taken worden toegepast. AGI kan zichzelf verbeteren door te leren en lijkt qua capaciteiten het meest op het menselijk brein.
Artificial super intelligence (ASI) overtreft de menselijke intelligentie
ASI evenaart het menselijk denken en overtreft het vervolgens zelfs. Dit AI-concept is veel geavanceerder dan enig ander AI-systeem, zelfs geavanceerder dan ons menselijk brein. ASI kan abstracties overwegen die mensen niet kunnen bevatten. Het neurale netwerk van ASI – dat uit miljarden neuronen bestaat – kan de eigen capaciteiten razendsnel verbeteren en prestaties leveren die wij nu nog niet eens kunnen bevatten. Naast het uitvoeren van elke denkbare taak zou dit type AI zelfs emoties kunnen ervaren en relaties kunnen hebben.
Subdomeinen binnen kunstmatige intelligentie
Om te begrijpen hoe kunstmatige intelligentie precies werkt én een idee te krijgen van hoe en waar het kan worden toegepast – en in welke (werk)gebieden en sectoren – moeten we ons onderdompelen in de verschillende subdomeinen van AI.
Machine learning
Machine learning leert een machine conclusies te trekken en besluiten te nemen op basis van ervaringen uit het verleden. Daar komt geen mens meer aan te pas. De machine identificeert patronen en analyseert en evalueert gegevens uit het verleden om de betekenis van deze datapunten te bepalen en automatisch mogelijke conclusies te trekken. Machine learning bespaart tijd en helpt bedrijven efficiënter en nauwkeuriger tot beslissingen te komen. Het is het proces achter vele diensten die we vandaag de dag gebruiken, zoals de aanbevelingssystemen van Netflix, Spotify en YouTube, zoekmachines als Google en Baidu, social mediakanalen als Facebook en Twitter en spraakassistenten als Siri en Alexa.
Deep learning
Deep learning wordt gebruikt om machines te leren wat voor mensen automatisch en natuurlijk is. Je kunt deep learning zien als een manier om voorspellende analyses te automatiseren. Door data continu via een bepaalde logische structuur te analyseren, proberen deep learning-algoritmes conclusies te trekken zoals mensen dat zouden doen. Daartoe gebruikt deep learning een gelaagde structuur van algoritmes, de zogenaamde ‘neurale netwerken’. In tegenstelling tot machine learning, vereist deep learning voor het verwerken van data geen menselijke interventie. Daardoor kunnen wij machine learning op interessantere manieren opschalen. Zo kunnen deep learning-algoritmes automatisch vertalen, wat erg nuttig kan zijn tijdens reizen of zakendoen in het buitenland, maar ook bij overheidsprocessen en besluitvorming.
Neurale netwerken
Neurale netwerken werken eigenlijk hetzelfde als menselijke neuronen: een reeks algoritmes legt de relatie tussen verschillende onderliggende variabelen vast en verwerkt de gegevens – bijna zoals het menselijke brein dat ook doet. Neurale netwerken worden onder andere voor prognoses en marktonderzoek gebruikt, bijvoorbeeld voor verkoop- en beursvoorspellingen, maar ook bij fraudedetectie en risicoanalyse. Neurale netwerken worden getraind met specifieke gegevens waarmee ze kunnen leren en hun nauwkeurigheid gaandeweg verbeteren. Nauwkeurig afgestemde leeralgoritmes kunnen zeer krachtige hulpmiddelen zijn bij kunstmatige intelligentie en computerwetenschap. Zo kunnen ze gegevens bijvoorbeeld snel classificeren en clusteren. Taken waar mensen uren over doen, bijvoorbeeld op het gebied van spraak- of beeldherkenning, kunnen neurale netwerken binnen enkele minuten voltooien. Een van de bekendste voorbeelden van een neuraal netwerk is het zoekalgoritme van Google.
Neuro Linguïstisch Programmeren (NLP)
NLP is de wetenschap van lezen, begrijpen en interpreteren van taal door een machine. Zodra een machine begrijpt wat de gebruiker wil communiceren, kan de machine op de juiste manier reageren. De meeste NLP-technieken maken gebruik van machine learning om inzichten te ontlenen aan menselijke taal. Een veelgebruikt voorbeeld van NLP is spamdetectie, waarbij een algoritme kan bepalen of een e-mail spam is of niet door de onderwerpregel of de inhoud van een e-mail te analyseren. Enkele andere toepassingen van NLP die veel worden gebruikt zijn spraakherkenning, vertalen van teksten en sentimentanalyse. Amazon gebruikt NLP bijvoorbeeld om klantbeoordelingen te interpreteren en de klantervaring te verbeteren en Twitter gebruikt NLP om tweets te scannen op terrorisme-gerelateerd taalgebruik. Veel mobiele apparaten zijn tegenwoordig uitgerust met spraakherkenningstechnologie, waardoor ze spraakgestuurd kunnen zoeken (bijvoorbeeld met Siri) of autocorrectie kunnen inschakelen om tekstberichten efficiënter te maken. Andere voorbeelden zijn chatbots op de e-commerce-websites, messaging-apps als Messenger en Slack en taken die via spraakassistenten of virtuele assistenten worden uitgevoerd.
Computer vision
Computer vision is een gebied binnen AI dat computers traint om de visuele wereld te interpreteren te begrijpen. Om een digitaal beeld van een camera of een videobestand te kunnen interpreteren, splitsen computer vision-algoritmes het beeld op in verschillende componenten en bestuderen ze alle componenten van dat beeld. Op die manier kan de computer leren over beelden, deze classificeren en ‘reageren op wat het ziet’. Of we ons er nu bewust van zijn of niet, we maken elke dag gebruik van deze technologie. Het zit bijvoorbeeld in de gezichtsherkenningstechnologie van beveiligings- en bewakingsbedrijven of in surveillancesystemen van winkels. Zelfrijdende auto’s gebruiken computer vision om verschillende objecten op de weg te herkennen. Het wordt ook steeds meer gebruikt om fraude te helpen voorkomen of ziekten te diagnosticeren.
Cognitive computing
Ook cognitieve computersystemen beïnvloeden elk aspect van ons leven, van sport en entertainment tot reizen, fitness en gezondheid. Een cognitief computersysteem leert op basis van interacties en resultaten in plaats van simpelweg informatie uit te braken. Wat betreft snelheid en nauwkeurigheid kunnen cognitieve computersystemen nu al wedijveren met ons menselijk vermogen, bijvoorbeeld door vragen op natuurlijke manier te beantwoorden. Om dit mogelijk te maken navigeert het systeem door de complexiteit van natuurlijke taal en verwerkt en analyseert vervolgens grote hoeveelheden gestructureerde en ongestructureerde data. Het systeem kan deze data sorteren om vervolgens gepersonaliseerde en specifieke aanbevelingen te doen, ondersteund door bewijsmateriaal. In de gezondheidszorg maakt men bijvoorbeeld gebruik van supercomputer IBM Watson, een cognitief systeem dat informatie uit eerdere medische rapporten, medische publicaties, diagnostische instrumenten en historische gegevens verzamelt en analyseert. Met al deze informatie kunnen artsen behandelingsopties aanbieden die op gegevens zijn gebaseerd.
Welke voordelen heeft kunstmatige intelligentie voor ons?
Kunstmatige intelligentie is een belangrijk deel van ons dagelijks leven geworden. Van onze smartphones en GPS-navigatiesystemen tot mobiel bankieren, fraudepreventie en aanbevelingen voor muziek en films – we kunnen ons een leven zonder AI nauwelijks meer voorstellen. Laten we eens kijken naar de vele voordelen van kunstmatige intelligentie.
Meer efficiëntie
Een van de belangrijkste voordelen van AI-systemen is dat zij mensen de mogelijkheid bieden efficiënter te zijn. AI kan bijvoorbeeld ingezet worden om herhalende taken sneller uit te voeren, maar ook om veel grotere, complexere taken met relatieve eenvoud af te ronden. Hoe AI ook wordt toegepast, AI-systemen zijn niet gebonden aan menselijke beperkingen en kunnen oneindig doorgaan. AI wordt vaak gebruikt om alledaagse, eentonige en tijdrovende taken uit te voeren die mensen eigenlijk niet interessant of leuk vinden. Verzekeringsmaatschappijen gebruiken AI bijvoorbeeld om claims sneller en in grotere hoeveelheden te verwerken dan een mens ooit zou kunnen. Daardoor houden mensen tijd over om zich op belangrijkere zaken te richten.
Lagere foutmarges
Het menselijk brein kan zich maar een beperkte tijd op één taak richten; uiteindelijk treedt er altijd concentratieverlies op. Als we moe worden nemen we minder goede beslissingen dan als we fris en wakker zijn. Bij repetitieve taken is ook de kans op fouten groter; wanneer eenzelfde taak steeds wordt herhaald verliezen mensen namelijk eerder hun concentratie. AI-systemen hoeven zich daarentegen helemaal niet te concentreren. Ze zijn geprogrammeerd om door te werken tot wij besluiten dat ze mogen stoppen. AI-systemen verkleinen het risico op menselijke fouten aanzienlijk en produceren consequent uiterst nauwkeurige resultaten.
24/7 beschikbaar
Volgens het US Bureau of Labour Statistics werken Amerikanen gemiddeld 8,8 uur per dag. Of ze ook die hele tijd productief zijn is echter een heel ander verhaal. Computers gaan niet achter hun bureau vandaan voor koffie- of rookpauzes of om bij te praten met collega’s. En ze pakken zeker niet om 17.00 hun spullen om naar huis te gaan. Digitale oplossingen als chatbots, bijvoorbeeld, kunnen vragen van klanten op elk moment van de dag – of nacht – beantwoorden.
Gepersonaliseerde ervaringen
Met technologie als een aanbevelings-engine kun je suggesties laten doen die gebaseerd zijn op de voorkeuren van de klant. Deze aanbevelingen kunnen worden gebruikt om een zeer gepersonaliseerde gebruikerservaring te creëren – iets dat veel bedrijven al toepassen. Gepersonaliseerde ervaringen zijn zeer doeltreffend omdat het de gebruiker het gevoel geeft speciaal te zijn. Platforms die de klantbetrokkenheid willen verbeteren kunnen de aanbevelingsalgoritmes aanpassen door specifieke content voor te stellen.
Verdiepende data-analyse
Moderne bedrijven hebben een berg aan gegevens, maar halen ze er ook alles uit wat erin zit? Het handmatig analyseren van gegevens is een uiterst tijdrovende bezigheid, maar AI-systemen kunnen grote hoeveelheden data met een enorme snelheid verwerken en analyseren. AI-systemen kunnen snel relevante informatie vinden, trends signaleren, beslissingen nemen en aanbevelingen doen op basis van gegevens uit het verleden. Zo kunnen algoritmes de effectiviteit van marketingmateriaal razendsnel analyseren, de voorkeuren van klanten zeer efficiënt identificeren en – op basis van dat klantgedrag – nauwkeurig bruikbare inzichten genereren.
Minder risico
AI-concepten, en met name die van cognitive computing, bevatten geavanceerde technologie waarmee complexe of onduidelijke situaties kunnen worden aangepakt. AI wordt steeds vaker gebruikt voor het verbeteren van zakelijke beslissingen en prestaties, ook in combinatie met traditionele analyses en menselijke denkprocessen. Omdat we bij risico’s over het algemeen te maken hebben met onduidelijke en onwaarschijnlijke gebeurtenissen en situaties, kan cognitive computing uitermate geschikt zijn voor gebruik bij risicomanagement. Aangezien cognitieve capaciteiten traditionele analyses aanzienlijk kunnen verbeteren om risico-indicatoren te helpen opsporen, maken steeds meer organisaties gebruik van big data om preventiever te kunnen handelen.
Minder vooroordelen in besluitvorming
Hoewel we menselijke vooroordelen nooit volledig kunnen uitsluiten, is het bij AI wel mogelijk om vooroordelen te identificeren en te elimineren. Dat kan door stappen te zetten om uitdagingen op het gebied van rechtvaardigheid en vooringenomenheid aan te pakken. We kunnen AI dusdanig ontwerpen dat het aan onze specifieke eisen voldoet. Bovendien is er onder experts die met AI werken al een beweging op gang gekomen waarin de ontwikkeling van ethische en eerlijke AI-ontwerpprincipes wordt gepropageerd. Voorbeelden daarvan zijn The Future of Life Institute en Open AI. Een van de belangrijkste principes is dat AI zó moet worden ontworpen dat we het kunnen controleren en dat we eventuele vooroordelen kunnen opsporen en elimineren. En mocht de technologie niet aan de gestelde eisen en normen voldoen, moeten we deze verbeteren voordat het in productie genomen wordt.
Ethische overwegingen en risico’s
Kunstmatige intelligentie wordt steeds belangrijker – niet alleen in ons dagelijks leven, maar ook in een groot aantal sectoren, waaronder de gezondheidszorg, retail, de maakindustrie en zelfs de overheid. De technologie brengt echter ook grote uitdagingen en ethische problemen met zich mee, zoals vooroordelen (bias), discriminatie, toenemend toezicht, nepnieuws, privacyschending en meer.
Privacy en toestemming
Wij nemen in goed vertrouwen aan dat alle gegevens die bedrijven en organisaties verzamelen afkomstig zijn van volwassenen. Die hebben daar toestemming voor gegeven en een weloverwogen beslissing kunnen nemen over het gebruik van hun (privé-)gegevens. Maar helaas is dat vaak helemaal niet het geval. Veel bedrijven die data verzamelen verkopen dit door aan derden, waardoor het vrijwel onmogelijk is om bij te houden wat er met jouw (persoonlijke) informatie gebeurt. En wat het zo mogelijk nog erger maakt is het feit dat dat veel van de meest privacygevoelige analysetools – zoals aanbevelings-engines, zoekalgoritmes en adtech-netwerken – worden aangestuurd door beslissingen op basis van algoritmes en machine learning. En naarmate AI zich verder ontwikkelt neemt ook het vermogen toe om privégegevens te gebruiken op manieren die voor ons steeds onbegrijpelijker en grensoverschrijdender zijn.
Deepfakes en nepnieuws
Op het internet zijn al op grote schaal neurale netwerken te vinden die hyperrealistische foto’s of video’s kunnen maken of iemands stem feilloos kunnen imiteren. En hoewel er veel mogelijkheden zijn om deze deepfakes voor goede doeleinden te gebruiken – zoals in het nieuws, de entertainmentsector of het onderwijs – kunnen ze ook tot problemen en chaos leiden. Denk daarbij aan de verspreiding van misinformatie, toenemende criminele identiteitsfraude en zelfs politieke spanningen. Deepfakes kunnen bovendien enorme problemen veroorzaken op het gebied van zelfbeschikking en identiteit. Zo kunnen ze gebruikt worden om video’s te maken waarin iemand dingen doet die hij of zij nooit heeft gedaan. En als een video eenmaal online staat verlies je alle controle over hoe de content wordt geïnterpreteerd of gebruikt.
Discriminatie en vooroordelen
Een andere toenemende uitdaging is dat machine learning-systemen de menselijke vooroordelen en maatschappelijke ongelijkheden van de data waarmee ze worden getraind kunnen codificeren. Er zijn al meerdere real-life voorbeelden van de negatieve gevolgen van het gebrek aan variëteit in trainingsdata. Zo bleek uit een onderzoeksartikel van MIT en Microsoft uit 2018 dat gezichtsherkenningssystemen van grote techbedrijven bij het identificeren van mensen met een donkere huidskleur aanzienlijk hogere foutpercentages lieten zien. Dit probleem werd toegeschreven aan het feit dat de trainingsdatasets voornamelijk uit beeldmateriaal van witte mannen bestonden. En zo zijn er nog meer onderzoeken waarin onvoldoende gevarieerde trainingsdata de resultaten scheeftrekken. Zo haalde Amazon in 2018 de krantenkoppen toen het bedrijf stopte met het gebruik van een machine-learning-wervingstool die mannelijke sollicitanten als ‘de betere keuze’ identificeerde.
Verantwoording
Stel je een medische instelling voor die een AI-systeem gebruikt om kanker te diagnosticeren en een patiënt een vals-positieve diagnose geeft. Of een risicobeoordelingssysteem voor criminelen waardoor een onschuldige in de gevangenis belandt. Wie – of wat – moet in deze gevallen verantwoordelijk gehouden worden voor deze grove fouten? Toen een autonome Tesla tijdens een testrit op een willekeurige voetganger in reed, kreeg Tesla de schuld – niet de menselijke testrijder die in de auto zat, en zeker niet het algoritme. Maar wat als de technologie door tientallen verschillende mensen is ontwikkeld en ook nog eens door de klant is aangepast? Kunnen we dan nog steeds de ontwikkelaar verantwoordelijk houden? En als het gaat om een medische of gerechtelijke fout waarin kunstmatige intelligentie een rol speelt, wie of wat is dan verantwoordelijk?
AI is een ‘black box’
Kunstmatige intelligentie en modellen voor machine learning worden steeds vaker gebruikt om ons te vertellen welke sollicitant we moeten aannemen of helpen ons te bepalen wie schuldig is aan een misdrijf en naar de gevangenis moet. Ze beslissen of dat plekje op jouw borst kwaadaardig is of welk militair doelwit moet worden gebombardeerd. Hoe nauwkeurig deze technologie over het algemeen ook is, het probleem is dat we niet altijd kunnen verklaren op welke wijze de beslissingen ervan tot stand komen. Het is vrijwel onmogelijk om het immense web van algoritmische beslissingen te doorzoeken om dat te achterhalen – en dat is problematisch. Stel je voor dat je niet kunt onderbouwen waarom de ene verdachte twee jaar gevangenisstraf krijgt voor een misdrijf, terwijl een andere voor precies hetzelfde misdrijf slechts drie maanden krijgt. AI deelt niet expliciet hoe en waarom het tot conclusies komt. Het enige dat we weten is: “het algoritme heeft besloten”. En zolang we deze sluier niet kunnen afnemen zal er een zekere mate van onbehagen blijven bestaan over het vertrouwen dat we stellen in AI.
AI in verkeerde handen
AI helpt ons onze kennis van de menselijke genetica uit te breiden, wat tot medische doorbraken leidt. Ook helpt AI ons met het bestrijden van fraude en cybercriminaliteit, het maken van autonome robots en voertuigen en veel meer. Het werkelijke potentieel van kunstmatige intelligentie kunnen we nog lang niet bevatten. Maar hoe nobel onze bedoelingen met het gebruik van technologie ook zijn, er zullen altijd mensen zijn die er – voor eigen persoonlijk gewin of om andere redenen – misbruik van maken. En kunstmatige intelligentie is daarop geen uitzondering. Zo maken hackers bijvoorbeeld al gebruik van AI voor uitgekiende phishing-en cyberaanvallen op nietsvermoedende doelwitten. Het kwaadwillige gebruik van AI, zoals het vervalsen van gegevens, stelen van wachtwoorden of saboteren van computersystemen of kritieke infrastructuur, kan op vele manieren tot onbeschrijfelijke chaos leiden.
Dr. Peter Stone van de Universiteit van Texas Austin zegt: “Als iemand vandaag alle verkeerslichten in een stad tegelijk op groen zou zetten zou dat rampzalig zijn. En het feit dat ons elektriciteitsnet vrij gecentraliseerd is maakt ons kwetsbaar voor grootschalige black-outs. De juiste respons zou zijn: strengere veiligheidsmaatregelen en ‘redundancy’ – het voorzien in back-up-capaciteit – en decentralisatie van besluitvorming.”
Zal AI onze banen overnemen?
De toekomst van werk staat voor de deur. Volgens een rapport van het World Economic Forum (WEF) kunnen robots, automatisering en kunstmatige intelligentie tegen 2025 wereldwijd 85 miljoen banen vervangen. Maar wanneer we kijken naar de ontwikkeling van de arbeidsmarkten en de economie zien we dat er juist 97 miljoen nieuwe banen zullen ontstaan, met name in de techsector, de zorgeconomie en op het gebied van contentcreatie. Belangrijke vaardigheden die voorlopig alleen voor mensen weggelegd zijn omvatten onder meer adviseren, communiceren, managen, redeneren en beslissingen nemen. Naar verwachting zal er steeds meer vraag zijn naar personeel voor functies in bijvoorbeeld productontwikkeling, cloud computing, cloud engineering, data en kunstmatige intelligentie. Ook komen er waarschijnlijk meer banen in de duurzame groene en blauwe economie. Wat we zeker eten is dat de aard van werk door AI sterk zal veranderen. De vraag is alleen in welke mate en hoe snel dat zal gebeuren.
Een laatste overweging
Kunstmatige intelligentie wordt al gebruikt om aan te bevelen waar je naar moet kijken of luisteren, wat je moet kopen, om te begrijpen wat je tegen jouw virtuele assistenten Siri of Alexa zegt, om te herkennen wie en wat er op een foto staat en om creditcardfraude op te sporen. Kunstmatige intelligentie is niet iets waar we in de toekomst mee zullen moeten concurreren – we moeten eerder denken aan een scenario waarin mens en machine met elkaar samenwerken. Als we gemechaniseerde of gecomputeriseerde precisie en snelheid kunnen combineren met menselijke interactie, nieuwsgierigheid en intuïtie, zijn de mogelijkheden eindeloos. Wel zullen we ons ook bewuster moeten worden van de beperkingen en de uitdagingen die AI met zich meebrengt en manieren moeten vinden om deze technologie verantwoord en veilig – en altijd in ieders voordeel – in te zetten.
