Wat is artificiële intelligentie, en wat ben ik ermee?

Elke dag opnieuw komen we met artificiële intelligentie (AI) in aanraking, zelfs al staan we daar niet altijd (meer) bij stil. Toepassingen zoals de slimme rijhulpsystemen in je auto, chatbots die online vragen beantwoorden, webadvertenties die exact inspelen op onze wensen en behoeften, playlistsuggesties op Netflix en Spotify, maar ook digitale assistenten zoals Siri of Alexa: allemaal maken ze gebruik van AI. 

Maar wat is artificiële intelligentie eigenlijk? Precies omdat AI in zovele (verschillende) toepassingen verweven zit, is het geven van een eenduidige definitie niet zo eenvoudig. Het gaat echter telkens om systemen die intelligent gedrag vertonen door hun omgeving te analyseren (bijvoorbeeld de verkeerssituatie rond een auto). Vaak ondernemen ze op basis van die info ook – met een zekere mate van autonomie – een bepaalde actie (zoals het activeren van de remmen, of het waarschuwen van de bestuurder) om een specifiek doel te bereiken (bijvoorbeeld een aanrijding met een fietser of voetganger voorkomen). Dat is althans de omschrijving die gehanteerd wordt door de Europese instellingen, die de evolutie van AI van heel nabij volgen.  

Best indrukwekkend dus! Maar wat we niet mogen doen, is AI afmeten aan menselijke eigenschappen en prestaties. Enerzijds beschikt artificiële intelligentie immers over mogelijkheden die een mens niet heeft. Zo kunnen de onderliggende algoritmes een beroep doen op gigantisch veel rekenkracht, waardoor AI grote hoeveelheden data in een oogwenk kan verwerken en interpreteren; veel sneller dan wij dat ooit zullen kunnen. Anderzijds bezit ook de mens unieke sterktes die maar moeilijk door AI en machines geëvenaard kunnen worden. Denk aan ons redeneer- en inlevingsvermogen, of de ongelooflijk energie-efficiënte manier waarop het menselijke lichaam werkt.  

Ook veelzijdigheid is een belangrijk verschil tussen mens en machine. Zo zijn de huidige AI-oplossingen ontworpen om (slechts) één specifieke taak heel erg goed uit te voeren: ChatGPT is dan wel goed in het verwerken en genereren van taal, maar AI-toepassingen voor het interpreteren van CT-scans of voor voetgangersdetectie maken elk op hun beurt gebruik van heel andere, op maat gemaakte modellen. En dat in tegenstelling tot de mens die (snel) een waaier aan competenties kan verwerven. 

Daarom is – wat ons betreft – les één in artificiële intelligentie: AI is een ander soort intelligentie dan menselijke intelligentie. De vraag of AI ooit slimmer zal worden dan de mens, is zoals je afvragen of een appel ooit de lekkerste peer zou kunnen worden. 

Zoals gezegd, komen we voortdurend in aanraking met AI. Een paar voorbeelden uit een haast oneindige lijst (bestaande) toepassingen: 

• Siri, Alexa en alle andere digitale assistenten beantwoorden je praktische vragen of geven uit zichzelf informatie en suggesties op basis van je agenda, reisroute, koopgedrag, persoonlijke voorkeuren, enzovoort. 

• In ziekenhuizen ondersteunt artificiële intelligentie artsen bij het stellen van complexe diagnoses (het herkennen van tumoren of van beschadigd weefsel op scans van de longen, bijvoorbeeld). 

• Rijhulpsystemen in auto’s maken gebruik van AI om ongevallen te vermijden. 

• Aanbieders van onlinediensten zoals Google, Facebook, Netflix en Spotify doen gepersonaliseerde suggesties op basis van wat je eerder bekeek of leuk vond.  

• De e-mail in je inbox wordt eerst door AI gecontroleerd op spam. Soms glipt er nog eentje door de mazen van het net, maar een veelvoud wordt correct herkend en verwijderd, of naar je spamfolder verwezen. 

• Online klantendiensten worden in vele gevallen ‘bemand’ door een met AI geprogrammeerde chatbot. 

• Banken gebruiken AI om te controleren of iemand verdachte transacties uitvoert. En ook bijvoorbeeld om te beleggen op de beurs. 

Om de feedback die door artificiële intelligentie wordt aangereikt goed te kunnen interpreteren, is het belangrijk te weten dat AI werkt met waarschijnlijkheden, zoals: ‘er is 80% kans dat op deze foto een kat staat’, ‘er is 97% kans dat dit een foto van een tumor is’, enz.  

AI biedt dus nooit 100% zekerheid. Vandaar dat de technologie vandaag vooral ondersteunend wordt ingezet, ten dienste van menselijke supervisors. Denk aan de chauffeur die nog steeds achter het stuur van een slimme wagen zit, of de arts die een uiteindelijke diagnose stelt. Voorlopig helpt AI ons vooral tijd te besparen, door gigantische hoeveelheden data in recordtijd te doorploegen, zodat de mensen achter schermen beter gefundeerde beslissingen kunnen nemen. 

Wat AI nu al uitzonderlijk goed kan, is het verwerken van data: grote hoeveelheden, of een complexe set, gegevens die we als mens onmogelijk kunnen overzien. Er is bijvoorbeeld geen enkele dokter die de medische dossiers van duizenden patiënten kan uitspitten om op zoek te gaan naar vergelijkbare ziektebeelden voor een patiënt waarvan hij of zij niet zeker weet welke ziekte die heeft. Artificiële intelligentie kan dat wel: heel snel in een grote hoeveelheid patiëntengegevens zoeken of er ooit al mensen waren met gelijkaardige symptomen, en op basis daarvan aan de dokter een extra suggestie doen van welke ziekte deze patiënt misschien heeft. 

Ook bedrijven kunnen hun voordeel doen met artificiële intelligentie, door op basis van terugkerende patronen onderlinge relaties in kaart te brengen. Is er bijvoorbeeld een verband tussen het geplande aantal verlofdagen, het nodige onderhoud aan machines, het weer… en de hoeveelheid elektriciteit die ik als bedrijf ga nodig hebben? Geen onrealistische vraag, als je weet dat er proefprojecten zijn waarbij elektriciteitsprijzen van uur tot uur verschillen en bedrijven dus veel kosten kunnen besparen door daar goed op in te spelen. 

Hetzelfde geldt voor ons klik- en koopgedrag. Door de analyse van ons online klikgedrag, of van de aankopen op onze klantenkaarten, kunnen bedrijven voorspellingen doen over onze persoonlijke voorkeuren en ons toekomstige koopgedrag. AI-gebaseerde kennis, met andere woorden, die als input kan dienen voor andere toepassingen.  

Zo werken online shops en mediabedrijven vandaag al samen om een bepaald product overal in beeld te laten komen wanneer je online bent. Als je bijvoorbeeld een aantal keer naar je favoriete smartphone hebt gezocht, kan snelle beeldverwerking ervoor zorgen dat alle acteurs van je favoriete serie diezelfde smartphone plots ook gebruiken; én krijg je meteen aangepaste advertenties voor webshops waar je die smartphone kan kopen. En, omdat het nu eenmaal je favoriete smartphone is, merk je hier steeds minder van en ervaar je het niet als storend. 

Wat AI nog niet zo goed kan, is redeneren. Een kind dat zijn hand verbrandt aan een kookpot zal na één keer al leren dat het uit de buurt moet blijven van alles wat heel warm is. Of: hoewel kinderen weten dat leeuwen gevaarlijk zijn, begrijpen ze in de dierentuin meteen dat er op die plek geen reden is om er bang voor te zijn.  

Op dat niveau zit AI lang niet. Artificiële intelligentie is dan wel in staat om patronen te herkennen, maar dat wil nog niet zeggen dat er tussen die patronen een oorzakelijk verband bestaat. Bijvoorbeeld: als het warm is aan zee, eten we meer ijs. En als het warm is aan zee, verdwalen er ook meer kinderen. AI-toepassingen zouden op basis van zulke algemeenheden kunnen besluiten dat er een oorzakelijk verband bestaat tussen ijsjes eten en verdwaalde kinderen – wat uiteraard niet het geval is.  

Ook als je artificiële intelligentie met een mens laat ‘praten’, durft het wel nog eens fout te lopen.  AI-toepassingen zijn immers louter gebaseerd op wiskundige modellen, en bezitten geen menselijke eigenschappen zoals empathie. Precies daarom is enige voorzichtigheid geboden. Om een intuïtieve interactie met mensen mogelijk te maken, proberen een aantal toepassingen weliswaar menselijke eigenschappen na te bootsen. Komt daarbij dat ons brein de neiging heeft om dingen te ‘antropomorfiseren’: ook al weten we dat we met een computer praten, we kunnen het vaak niet laten om er (onterecht) menselijke karakteristieken aan toe te kennen. Precies die combinatie kan kwetsbare mensen in gevaar brengen. Het is daarom belangrijk dat AI-ontwikkelaars rekening houden met ethische aandachtspunten en mogelijke risico’s, bijvoorbeeld door hun systemen van ‘vangrails’ te voorzien en ze grondig te evalueren vooraleer ze in de maatschappij geïntroduceerd worden. 

Als verschillende AI-systemen met elkaar moeten interageren, is er eveneens werk aan de winkel. Computersystemen worden namelijk heel vaak los van elkaar geprogrammeerd. Denk aan kantoorgebouwen waar de airconditioning aanslaat om voor verkoeling te zorgen, terwijl de zonnewering omhooggaat omdat het binnen te koud wordt. Een ander voorbeeld is de zelfrijdende auto die op een grote technologiebeurs in Las Vegas een robot omverreed: geen van beide had namelijk geleerd om op te letten voor elkaar. 

Het grote verschil tussen AI en andere computerprogramma’s is dat artificiële intelligentie kan ‘leren’ wat het moet doen.  

Normaal gezien vertel je aan een machine of computer: ‘als dit gebeurt, doe dan dat’. Bijvoorbeeld: ‘als die schakelaar aanstaat en iemand drukt op die knop, doe dan dat’. Of: ‘Als een persoon profiel X heeft en de voorbije week klikgedrag Y vertoonde, toon dan product Z in de online advertentiebanner.’  

Met die manier van programmeren kan je al best moeilijke dingen doen. Maar je kan nooit een programma schrijven dat alle mogelijke verbanden gaat zoeken in grote hoeveelheden data; dat is gewoonweg té complex. Artificiële intelligentie vertrekt daarom van de data zelf. 

Heel simpel gezegd, is AI een programma waaraan je vraagt: ‘dit zijn de gegevens waarover ik beschik: vertel me welke verbanden je erin ontdekt.’ Maar in werkelijkheid is het natuurlijk iets moeilijker dan dat, en moet je AI eerst ‘leren’ hoe het die vraag kan beantwoorden. Dat kan op verschillende manieren.  

Zo kan je een AI-programma een heleboel foto’s tonen en er telkens bij vertellen wat er precies op elke foto te zien is. Heel vergelijkbaar dus met mama en papa die samen met hun peuter door boekjes bladeren en de namen en geluiden van dieren herhalen tot het kind zelf de dieren gaat herkennen – zowel in boekjes als in heel andere contexten, zoals op de kinderboerderij. Heb je ooit op het internet foto’s moeten aanklikken waarop auto’s, bergen, winkels, enz. te zien zijn voor je een formulier kan verzenden? Dat is niet alleen om te controleren of je al dan niet een robot bent, maar ook om AI-systemen (heel vaak van Google) te leren wat auto’s, bergen en winkels precies zijn, zodat ze die ook op andere foto’s kunnen herkennen. Die vorm van leren heet leren onder toezicht (in het Engels: supervised learning) en kan niet alleen op foto’s van katten, bergen en winkels worden toegepast, maar bijvoorbeeld ook op foto’s van tumoren of scans van je longen. 

Een tweede manier waarop AI-systemen kunnen leren, is door patroonherkenning. Vergelijk het met een kleuter die een aantal blokjes in groepjes bij elkaar moet leggen, en de blokjes daarbij sorteert op vorm, kleur of grootte. Ook tegen AI kan je zeggen: ‘sorteer deze data’. De artificiële intelligentie zal alle gegevens dan in groepjes indelen, waarna het aan jou is om elk groepje een naam te geven. De case waarbij AI mensen een bepaald profiel toekent op basis van hun koop- of klikgedrag is daarvan een voorbeeld. We spreken dan van leren zonder toezicht (in het Engels: unsupervised learning). 

En nog een andere manier bestaat erin het AI-algoritme een opdracht en een aantal spelregels te geven en daarna zelf te laten ervaren wat de meest succesvolle manier is om die opdracht tot een goed einde te brengen. Een AI-gebaseerde schaakcomputer bevat dus niet alle mogelijke zetten en scenario’s, maar beslist na elke actie van de tegenstander (op basis van de spelregels en de analyse van voorafgaande schaakspelen) wat zijn volgende zet is. Het systeem leert zo (met vallen en opstaan) welke beslissingen beter zijn om het einddoel te bereiken. Vergelijk het met een kind dat leert fietsen: door vooruit te komen, wordt het beloond – maar als het valt, voelt het de pijn (‘bestraffing’) van iets dat nog niet goed gaat. Dat noemen we versterkend leren (in het Engels: reinforcement learning). 

Rest de vraag: als AI effectief in staat is om zichzelf dingen aan te leren, moeten we dan bang zijn dat de technologie ons op een dag naar de kroon zal steken? Zoals steeds, is angst ook nu een slechte raadgever.  

Maar alert blijven, is dan weer geen overbodige luxe. Het is bijvoorbeeld essentieel om stil te blijven staan bij het feit dat AI-toepassingen geen ethisch bewustzijn hebben, en dat hun gedragingen worden bepaald door trainingsdata. Met andere woorden: als je AI voedt met onjuiste data of onethische instructies, dan zal het systeem zich ook onethisch gedragen. Daarin zit meteen ook een belangrijke verantwoordelijkheid voor de mensen die de onderliggende algoritmes trainen. Zo is er het voorbeeld van de automatische zeepdispenser die enkel reageerde op de handen van blanke mensen, omdat er in de foto’s waaruit de AI had geleerd alleen blanken waren opgenomen; onbewust, maar met een heel erg ongewenst resultaat.   

Ook de relatie tussen hoe AI leert en wat het systeem uiteindelijk doet, is niet altijd even eenduidig. Zo zijn er banken die op hun tradersafdeling (waar de grootste bedragen heel snel belegd moeten worden) uitsluitend een beroep doen op AI-programma’s. Dat gaat in heel veel gevallen goed, maar de vrees bestaat dat ze – door allemaal in te spelen op dezelfde dalende trends – op termijn verantwoordelijk zouden kunnen zijn voor hevige schokken op de internationale beurzen.  

Het is dan ook niet toevallig dat de Europese Commissie in haar nieuwe Artificial Intelligence Act zwaar inzet op verklaarbare AI. Als we AI-systemen – en hun beslissingen – voor de volle honderd procent willen vertrouwen, moeten we immers eerst en vooral begrijpen hoe die beslissingen tot stand komen.  

De moeilijkheid is dat we, in tegenstelling tot de beginjaren van AI, de berekeningen van de onderliggende algoritmes vandaag niet meer handmatig kunnen controleren: ze zijn gebaseerd op complexe wiskundige modellen met soms wel honderden miljarden parameters; veel meer dan het menselijke brein kan bevatten. Het handmatig uitschrijven van één berekening zou honderden mensenlevens vragen. Vandaar het belang van verklaarbare AI (in het Engels: explainable AI) en de criteria waaraan die moet voldoen: de mens moet centraal staan, diverse doelgroepen moeten met de verklaringen aan de slag kunnen, en de kwaliteit ervan moet op een objectieve manier getoetst kunnen worden. En idealiter wordt de verklaring ook onmiddellijk – samen met de beslissing – aangeleverd. 

AI is niet alwetend, en – zoals gezegd – blijven mensen beter in staat om geheel nieuwe situaties in te schatten. Het is dan ook niet toevallig dat AI vandaag vooral in een ondersteunende rol wordt gebruikt, en dat de mensen achter de algoritmes steeds het laatste woord hebben. Denk aan de dokter die via AI mogelijke diagnoses krijgt aangereikt, maar uiteindelijk nog steeds zelf verantwoordelijk is voor het stellen van een diagnose en het opstarten van een behandeling.  

Het is eveneens duidelijk dat er nieuwe wetten en regels nodig zijn over hoe AI verder ontwikkeld moet worden, hoe we ermee moeten omgaan, en wie ermee aan de slag mag. Toen de auto werd uitgevonden, mocht ook iedereen ermee de baan op. Maar met de verdere ontwikkeling ervan, ontstonden allerlei vereisten (zoals rijbewijzen), (verkeers)regels en veiligheidsmaatregelen. Diezelfde weg zullen we met AI uitgaan.  

Maar alle voorbeelden die we hebben aangehaald, en alle toepassingen die er nog zitten aan te komen, tonen wel aan dat de technologie een ongelooflijke opportuniteit inhoudt; een trein die je absoluut niet wil missen!