7 manieren waarop AI ons leven beter kan maken

Beeld: Afbeelding gegeneerd door het AI-programma Stable Diffusion met de opdracht 'draw a laughing elephant on a bike'

In de gezondheidszorg geldt vaak: hoe vroeger de dokters erbij zijn, hoe eenvoudiger en succesvoller de behandeling. Doordat AI de mens overklast in het vinden van verbanden, laat de technologie ons toe om de sprong te maken naar voorspellende gezondheidszorg. Door gezondheidsdata uit verschillende bronnen (zoals het patiëntendossier, inzichten uit de patiëntenpopulatie, gegevens uit smartwatches) te combineren, kunnen AI-algoritmes detecteren dat je een verhoogde kans loopt om ziek te worden, nog voor je de aandoening in kwestie hebt. Lang voor een dokter iets zou kunnen zien op een scan, dus. Vandaag al worden algoritmes ontwikkeld die hartritmestoornissen, epilepsie en slaapapneu kunnen voorspellen, of migraine-triggers en stress kunnen detecteren. Daarmee kan een arts sneller ingrijpen en kopen we kostbare tijd voor de patiënt. We kunnen zo ook het aantal beroertes, infarcten en embolieën -en dus ook bijbehorende kosten voor de maatschappij-drastisch naar beneden brengen

Behalve verbanden vinden, is AI ook sterk in het detecteren van afwijkingen. Dat kan helpen om beter te kijken naar medische beelden, en nauwkeuriger in te grijpen tijdens operaties. Op die manier kan AI de arts helpen om de medische ingreep accurater te verrichten, met minder impact op gezond weefsel, waardoor de patiënt potentieel sneller zou kunnen herstellen, en de kans op succes kan verhogen. Concreet zou AI een belangrijke rol kunnen gaan spelen in het verhogen van het succes van cataractoperaties, of het beter opvolgen van en adequater handelen bij droge ogen door defecte klieren in het ooglid nauwkeuriger in kaart te brengen. Een hyperspectrale camera, die gegevens over het materiaal in beeld genereert, kan AI een chirurg dan weer ‘superogen’ geven, die het zuurstofgehalte in cellen kunnen ‘zien’, en zo haarfijn het onderscheid kunnen maken tussen zieke en gezonde cellen. Dat zal een revolutie betekenen voor de precisiechirurgie.

Kan de dokter dan maar beter op zoek naar ander werk, nu AI zoveel medische toepassingen kent? Absoluut niet. Het zal zaak zijn om de kennis en kwaliteiten van de dokter en AI te combineren. Hybride AI is een beloftevolle piste voor medische toepassingen: in plaats van AI-algoritmes in het wilde weg te laten leren, vertrekken ze van medische inzichten die al algemeen aanvaard zijn. AI kan zich dan focussen op wat we nog niet weten, en de dataset uitkammen via machine learning. Door daar nieuwe verbanden te identificeren, bijvoorbeeld tussen bepaalde indicatoren en ziektes, krijgt de expert inspiratie om verder onderzoek te verrichten, en kan hij weer slimmer worden. Zo ontstaat een wisselwerking die de medische wetenschap – en uiteindelijk ook de patiënt - vooruithelpt.

Een probleem met AI –zeker in de medische context – is de zogenaamde ‘black box’, het idee dat AI niet kan uitleggen hoe het tot een bepaalde conclusie komt. Als artsen het oordeel van AI willen kunnen vertrouwen, dan moeten ze begrijpen hoe dat tot stand gekomen is. Explainable AI laat toe om de voorspellingen door AI terug te leiden tot de input en de expertise die eraan ten grondslag liggen. Blijkt er een ‘bias’ in het model geslopen te zijn, dan kan een arts nieuwe expertise of andere data toevoegen. Wat de medische toepassingen uiteindelijk nodig zullen hebben, is trustworthy AI, waar je deze hybrid AI en explainable AI inzet om veiligheid, privacy, ethiek, en verantwoordelijkheid in kaart te brengen en te faciliteren.

De auto van de toekomst is veiliger dan ooit. Hij scant via sensoren constant in en rond de wagen, anticipeert op gevaar en is permanent geconnecteerd met het andere verkeer en de weginfrastructuur. Hij zal ook in toenemende mate autonoom rijden. Voor elk van die functies is AI cruciaal.

Zo krijgt de auto signalen van camera-, radar- en (uiteindelijk) lidartechnologie binnen. Maar: het zou eindeloos veel rekenkracht vergen om al die gegevens tegelijkertijd te verwerken. Bovendien mag er quasi geen vertraging zitten op het signaal van de sensor (een voetganger steekt over) en de actie (remmen). Het komt er dus op aan om de diverse signalen op een slimme en energiezuinige manier te combineren. Dit noemen we ‘sensorfusie’. Zo heeft het bijvoorbeeld minder zin om ‘s nachts, of bij dichte mist camerasensoren op de weg te richten. Door alleen bruikbare data te verwerken, kan de energieconsumptie van de sensorsystemen fors naar beneden. Samen kunnen de sensoren een hoogwaardig 360°-inzicht bieden op wat er in en rond een auto gebeurt, ongeacht de weg- en weersomstandigheden.

Ook om het gedrag van andere weggebruikers te voorspellen - denk bijvoorbeeld aan een fietser die rechtsaf zal slaan, en eerst subtiel naar links uitwijkt – zijn zelflerende AI-algoritmes cruciaal. Die informatie kan ervoor zorgen dat de auto beter kan anticiperen op gevaar.

Tot slot zal de auto van de toekomst een onderdeel vormen van geconnecteerd verkeer, waar infrastructuur zoals verkeerslichten en alle weggebruikers met elkaar verbonden zijn en informatie uitwisselen in twee richtingen. Hulpdiensten onderweg naar een noodgeval krijgen dan automatisch voorrang, en verkeerslichten spelen flexibel in op de huidige en voorspelde drukte, zodat niemand onnodig moet wachten. Omdat er zoveel data mee gemoeid zal zijn, is ook hier AI aan zet.

Een van de vervelende aspecten aan de klimaatverandering is dat het proces zodanig complex verloopt, met zoveel variabelen, dat het lastig is om een accuraat beeld te krijgen van de impact op ecosystemen.

Voor een project in IJsland wordt daarom AI ingezet om een beter zicht te krijgen op de impact van de klimaatopwarming op de vegetatie. Je hebt er regio’s waar de grond door geothermische warmte opwarmt, in een gradiënt van 0 tot 50 graden Celsius. Op die plekken kunnen we ontdekken welke vegetatie het best gedijt bij een specifieke temperatuur. Het is belangrijk om daar inzicht in te krijgen, omdat we dan al kunnen ontdekken hoe de toekomst eruit kan zien. Via sensoren evalueren de onderzoekers in real-time de vegetatie op de testsites. AI kan helpen om in te schatten wat bepaalde parameters betekenen voor de vegetatie, en of iets effect heeft op pakweg bladgroei of resistentie. Bij dat alles houdt AI rekening met meer parameters dan we als mens zouden aankunnen.

Klimaatverandering en de impact ervan meten is één ding. Maar kan AI ook een actieve rol spelen om het probleem op te lossen? Het antwoord is: misschien. Samen met de UAntwerpen werkt imec aan het Europees project BAM dat onderzoekt of reactoren vol mineralen, schimmels, bacteriën en wormen CO2 kunnen capteren. Die reactoren zouden dan in bedrijven geplaatst worden om te vermijden dat CO2 in de atmosfeer terechtkomt. Op kleine schaal is al aangetoond dat het werkt, maar om dat op grote schaal te doen, moet je constant heel wat parameters in het oog houden en analyseren, zoals de temperatuur, de vochtigheidsgraad en de zuurtegraad van de reactor. Omdat het over enorm grote vaten gaat, zou dat nooit lukken zonder AI. Als dit project tot een goed einde gebracht wordt, kan dat een gamechanger zijn in de strijd tegen de klimaatopwarming.

Een belangrijke kanttekening hierbij is dat AI zélf duurzamer moet worden. Anders wordt het een bijkomend probleem voor het klimaat, eerder dan een oplossing. Om het AI-taalmodel GPT-3 te ontwikkelen dat aan de basis ligt van de razend populaire chatbot ChatGPT, werden 175 miljard parameters gebruikt. Onderzoekers hebben berekend dat het een slordige 1.024 processoren, 34 dagen en 4,6 miljoen dollar moet hebben gekost om het model te trainen. Hoewel het energieverbruik niet officieel bekend is gemaakt, wordt geschat dat GPT-3 936 MWh heeft verbruikt. Ter vergelijking: dat is evenveel elektriciteit als 318 Vlaamse gezinnen gemiddeld samen verbruiken over een volledig jaar.

Een betere integratie van AI-software en hardware kan de processen efficiënter maken. Daarvoor wordt momenteel gekeken naar een geheel nieuwe computer- en chiparchitectuur, met onder meer optische, supergeleidende verbindingen, snellere processoren, nieuwe geheugensystemen en zuinigere algoritmes. Zo zou je ervoor kunnen zorgen dat bepaalde AI-modellen niet permanent hertraind worden, of dat ze dat pas doen wanneer er voldoende groene stroom op overschot is. Ook kan je communicatie (en bijbehorende energie) uitsparen, door de algoritmes op de edge te laten draaien, in plaats van in de cloud. Tot slot kunnen op maat gemaakte AI-chips efficiënter zijn dan softwarematige oplossingen.

Dankzij het huwelijk tussen robotica en AI wordt het mogelijk om slimme, AI-gedreven robots te bouwen. En die kunnen de recyclagesector flink optimaliseren. Zo kan AI helpen om elektronisch afval automatisch te detecteren uit een vuilnisbelt. En vervolgens assisteert AI de robots, door hen de precieze grijpbewegingen aan te leren die nodig zijn om dat ene stukje afval uit een hoop te halen. Resultaat: minder afval komt in het milieu of een verbrandingsoven terecht, en doordat veel van dat elektronisch afval opnieuw gebruikt kan worden, slinkt de materialenafdruk.

Een ander milieuprobleem is overmatig mest-, water- en energieverbruik in de landbouw. Hoe zetten we de stap naar precisielandbouw, waarbij planten net de juiste hoeveelheid water, vochtigheid, licht en voedingsstoffen krijgen voor een optimale oogst? Het antwoord is: door de plant te zien als een computer. Dat verdient een woordje uitleg: planten zijn economisch het meest interessant als ze een beetje stress ervaren, maar niet zoveel dat ze eraan kapotgaan. Om die sweet spot te bereiken, worden in de plantenwereld handmatige mechanistische modellen gebruikt. Maar die schieten tekort, want de plantdynamieken, die op elkaar inwerken, zijn te complex voor deze modellen. Door de dynamieken binnen in de plant zelf op te meten (bvb de vruchten, de bladdikte, het openen en sluiten van de huidmondjes), zetten we planten om in cijfers. En als je daar vervolgens machine learning op toepast, dan wordt het mogelijk om nieuwe verbanden te vinden – en preciezer te werk te gaan om een optimale oogst te krijgen. Het ultieme onderzoeksdoel: wateropname, vochtigheid, warmte, lichtinstraling regelen zodat de plant optimaal groeit, met minder voedings- en meststoffen.

Nog een laatste milieutoepassing: Vlaanderen is een van de meest droogtegevoelige regio’s ter wereld. En toch gaat jaarlijks meer dan 60 miljoen kuub drinkwater verloren via lekkages in waterleidingen. Dit komt overeen met een waterverspilling die 20% van het totale jaarlijkse waterverbruik in Vlaanderen bedraagt. AI wordt ingezet om lekkages in waterleidingen sneller en nauwkeurig op te sporen. Vooral kleinere en middelgrote lekkages blijven vaak lang onder de radar. Het hybrid AI-gebaseerde SmartWaterGrid houdt rekening met de real-time waterstroom, de posities van de kleppen in de leidingen, sensoren die geconnecteerd zijn via Internet of Things (IoT), aangevuld met Geografisch Informatie Systeem (GIS)-gegevens, hydraulische modellen en de kennis van deskundigen. Zo kan een leklokalisatie die vroeger maanden kostte verfijnd worden tot zoeken op straatniveau, en dat binnen een paar uur.

Tot nu toe domineerden doemberichten de berichtgeving over AI-toepassingen in het onderwijs. Zullen leerlingen massaal valsspelen door Chat-GPT hun huiswerk of schrijftest te laten maken? De realiteit is dat AI het onderwijs ook naar een hoger niveau kan tillen via een gepersonaliseerde aanpak en door tegelijk het werk van leerkrachten te verlichten. Ieder jaar nieuwe oefeningen en toetsen maken, is namelijk een zware last. AI kan die taak overnemen, want er zijn al veel vragen en er is al veel lesmateriaal digitaal beschikbaar. In het kader van het AIDA-project bouwde imec een beta-versie voor een AI-gedreven tool die meerkeuzevragen en grammatica-oefeningen kan genereren. Bovendien kan AI de e-learning personaliseren, door specifiek te werken op de individuele sterktes of zwaktes van een leerling. De leerkracht kan vervolgens inzichten krijgen per leerling, zodat lesgeven en leren effectiever wordt.

En AI kan nog een stapje verder gaan: wat als een AI-gedreven robot als hulpleerkracht fungeert? We kennen dat vandaag vooral in de context van technische vaardigheden, denk maar aan de vliegsimulator. Maar intussen maakt AI het mogelijk om via gepersonaliseerde oefeningen ook talen of handschrift te oefenen. Dat kan zorgen voor meer maatwerk, aangepast aan de individuele capaciteiten of uitdagingen van een student.

Warmtepompen, elektrische wagens en heel wat processen in de industrie: ze stuwen de elektriciteitsvraag de komende jaren fors omhoog. Tegelijk wordt het energienet almaar meer gevoed met zonne- en windenergie. Dé uitdaging is om het verbruik bij mensen thuis en in de industrie te verschuiven in de tijd, zodat het beter overeenstemt met de beschikbaarheid van groene energie. De theorie klinkt eenvoudig, maar in de praktijk wordt het een bijzonder complexe rekenpuzzel, met een hele vloot aan slimme (IoT) apparaten, auto’s en batterijen. Maar complexe rekenpuzzels oplossen: laat dat nu net een van de specialiteiten van AI zijn. Vandaag al sturen algoritmes thuisbatterijen aan, om ervoor te zorgen dat mensen maximaal gebruik maken van de energie die opgewekt wordt door de zonnepanelen op hun dak. Als we die oefening maken op het niveau van alle netgebruikers, dan kan het energieverbruik beter afgestemd worden op de productiecapaciteit op dat moment (in plaats van omgekeerd, zoals in het verleden gebeurde).

Een tweede belangrijke energietoepassing van AI heeft te maken met energie-efficiëntie. Om huizen of kantoorgebouwen te koelen of te verwarmen, wordt doorgaans een thermostaat gebruikt die vooraf ingestelde programma’s afwerkt. Dankzij AI kan zo’n thermostaat veel dynamischer gaan sturen, door bijvoorbeeld rekening te houden met leefpatronen – via reinforcement learning. Wanneer zijn mensen effectief aanwezig in een gebouw? In welke ruimtes bevinden ze zich zoal? Zo kan de warm- en koeltijd stevig ingeperkt worden. Door daar bovenop ook nog rekening te houden met fysische informatie zoals weersvoorspellingen en zonnewinsten (de invallende zonstraling die een gebouw opwarmt), kan de warm- en koeltijd stevig ingeperkt worden.
 

Een laatste toepassing heeft te maken met foutdetectie. Fouten in zonnepanelen of windturbines leiden tot een verminderde energie-opbrengst. Toch kunnen zulke foutjes lang onder de radar blijven. Als je met behulp van artificiële intelligentie kijkt naar algemene weersinformatie enerzijds, en naar de stroomproductie anderzijds, dan kan je vrij eenvoudig afleiden of er een probleem is. Sterker zelfs: je kan vrij snel zien wàt het probleem is op basis van het patroon van de afwijkingen. En hoe sneller zo’n probleem opgemerkt en verholpen wordt, hoe minder verlies van groene stroom.

Een laatste AI-toepassing past helemaal in de maatschappelijke evolutie die zich al sinds de jaren 50 afspeelt in ons huishouden. Tal van machines maken wassen, koken, afwassen en ontstoffen een stuk minder arbeidsintensief. Toch bleef het inzetten van robots beperkt tot die huishoudelijke taken die gemakkelijk te standaardiseren zijn. Met AI-gedreven robots, die aangestuurd worden door zelflerende algoritmes, kan dat veranderen en kan een robot veel flexibeler ingezet worden. Zo’n AI-gedreven robot-butler kan bijvoorbeeld de was plooien.

Dat schijnbaar eenvoudig probleem vergt heel wat technologische doorbraken. Eerst moet je de oplossing duidelijk in kaart brengen: hoe plooien mensen de was? Via een citizen science-project werd dat onderzocht bij 1.000 burgers, en bleek het vinden van de hoekpunten van de stukken textiel cruciaal. Vervolgens wordt machine learning ingeschakeld om de hoekpunten te detecteren, maar ook sensortechnologie om de punten te kunnen voelen en ze te ontvouwen. Tot slot is robotica nodig om te beginnen vouwen.

Dit is misschien wel de AI-toepassing die we pas op de langste termijn kunnen verwachten in ons dagelijkse leven. Huishoudrobots zullen eerst een stuk energie-efficiënter moeten worden, en ze moeten 100% veiligheid bewijzen, voor ze in onze variabele woonkamers losgelaten kunnen worden.  

De eerste toepassingen zouden wel al eerder hun weg kunnen vinden naar orderpicking en fast-foodrestaurants, waar ook vaak gewerkt wordt met erg variabele producten en complexe handelingen. Of waarom geen robot-barista die je een flat white met havermelk voorschotelt? De snelle doobraken in AI brengen ook dit soort toepassingen met rasse schreden dichterbij.