Misschien denk je bij kunstmatige intelligentie meteen aan sciencefictionfilms als Steven Spielberg’s ‘AI’ of Stanley Kubrick’s ‘2001: A Space Odyssey’ en klinkt de zelfstandig denkende computer als verre toekomstmuziek. Feit is echter dat deze vorm van intelligentie de afgelopen jaren een enorme opmars heeft gemaakt en allang deel uitmaakt van ons dagelijks leven.
In mijn vorige blog gaf ik een overzicht van de meest gebruikte vormen van artificiële intelligentie in de zakelijke wereld. Ik besprak het verschil tussen Machine Learning en Deep Learning en de algemene toepassingen van beide technologieën. Gewapend met deze achtergrondkennis kunnen we nu wat dieper ingaan op de relevantie van artificiële intelligentie voor het bedrijfsleven aan de hand van een aantal gebruikerservaringen.
Artfinder: Machine Learning en Deep Learning in de praktijk. Artfinder is een online marktplaats, waar duizenden kunstenaars hun werk direct aan klanten verkopen. Bezoekers van de website hebben de keuze uit bijna een half miljoen werken. Hoe zorg je ervoor dat de potentiële kopers de kunstwerken te zien krijgen die ze willen kopen? Gezien het enorme aanbod is dat geen eenvoudige opgave, dus Artfinder moest een slimme manier bedenken om kopers te matchen met de kunst die ze mooi vinden. Zoals veel sites inmiddels doen, beveelt Artfinder kunstwerken aan op basis van de aankopen die klanten in het verleden deden. Aangezien de meeste kunstwerken uniek zijn, is het moeilijker om te zeggen: “als je dit leuk vindt, dan vind je dit waarschijnlijk ook leuk”. Daarom gebruikt Artfinder meerdere AI-technologieën, waaronder Machine Learning en Deep Learning.
Machine Learning wordt gebruikt om de algoritmes te verfijnen die bepalen welke gedragscriteria het zwaarst wegen bij het maken van aanbevelingen. Het gedrag van gebruikers op de site wordt nauwkeurig bijgehouden. Er wordt gekeken naar welke producten ze bekijken, welke kunstenaars ze volgen, welke aankopen ze doen, wat ze ‘liken’ en waar ze naar zoeken. Hier wordt vervolgens een offline analyse op losgelaten, waardoor er veel gerichtere en persoonlijker aanbevelingen mogelijk worden.
Maar ook de kunstwerken zelf worden geanalyseerd met machine-intelligentie. De kunstenaars wordt gevraagd een beschrijving te leveren van hun kunstwerken, zodat mensen ze kunnen vinden op bepaalde eigenschappen of onderwerpen, maar dat is niet altijd de best mogelijke beschrijving voor een zoekmachine. De Deep Learning-algoritmes van Amazon Rekognition analyseren daarom de werken op additionele details. Staat er bijvoorbeeld een boom op een schilderij, dan zorgt de Deep Learning-analyse ervoor dat dit schilderij in de zoekresultaten verschijnt wanneer mensen op ‘boom’ zoeken. Ook al heeft de kunstenaar deze specifieke informatie niet gegeven.
Motorola: Deep Learning voor de openbare veiligheid. Motorola Solutions gaat de Amerikaanse politiemacht helpen met het opsporen van vermiste personen. Jaarlijks zijn er 100.000 actieve zaken die vermiste personen betreffen en in 40% van de gevallen gaat het om vermiste kinderen. Op dit moment worden de primaire cognitieve taken bij het opsporen van vermiste personen nog door mensen uitgevoerd en bij Motorola stelde men zich de vraag: kan AI hier een toegevoegde waarde leveren? Het bedrijf ontwikkelde een op het lichaam van de politieagent bevestigde radio gecombineerd met een slimme camera met gezichtsherkenning en die voortdurend de omgeving van de agent scant. Wanneer de camera een gezicht detecteert dat overeenkomsten vertoont met de gezichtskenmerken van een vermist persoon in de database, volgt er automatisch een voice-alert, dat de politieagent informeert over de mogelijke match. De agent kan vervolgens met het achterliggende systeem communiceren middels natuurlijke spraak, waardoor hij of zij de handen vrij kan houden. En mocht de gedetecteerde persoon bijvoorbeeld net in een auto stappen, dan kan de agent met spraak het nummerbord ingeven, waarop de software direct alle details die bekend zijn over de auto opleest, zoals de naam van de eigenaar, het woonadres, eventuele uitstaande boetes en andere bijzonderheden. Allemaal zonder menselijke tussenkomst!
Voor dit systeem worden drie afzonderlijke artificiële intelligentie-diensten gebruikt: voor de gezichtsherkenning worden de deep neural network-modellen van Amazon Rekognition ingezet. De voice alerts en de informatievoorziening worden gegenereerd door Amazon Polly, de Deep Learning-technologie die tekst omzet naar levensechte spraak. Amazon Lex, dezelfde engine die schuilgaat achter Amazon Alexa, zorgt ervoor dat het systeem de gesproken opdrachten van de agent begrijpt. Om de privacy van toevallige voorbijgangers te waarborgen, worden de gescande gezichten nooit opgeslagen en zijn ze ook nooit toegankelijk voor mensen, tot er een match is.
De technologie bevindt zich momenteel nog in de pilotfase, maar de resultaten zijn bijzonder veelbelovend. Het zal dan ook niet lang duren voor de Amerikaanse politiemacht deze technologie op grote schaal gaat inzetten. Op de vraag of AI van toegevoegde waarde kan zijn voor de openbare veiligheid, kan Motorola dus een volmondig ‘ja’ antwoorden.
Kelley Blue Book: met een chatbot praten over de inruilwaarde van je auto. De Kelly Blue Book Bot vertelt gebruikers in realtime de inruilwaarde van hun auto, door met hen te interacteren in natuurlijke taal. Een simpele vraag als “Kelly Blue Book, kun je mij de inruilwaarde van mijn Honda Civic uit 2012 vertellen?” is genoeg om professioneel advies te krijgen. Amazon Lex verwerkt de gesproken input van de gebruiker en verzorgt de dialoog tot alle informatie is ontvangen. Lex contacteert vervolgens de Kelly Blue Book API voor de actuele inruilwaarde, gebaseerd op de locatie van de gebruiker.
Onder de motorkap zit een uitgebreide database met automodellen die door de experts van Kelly Blue Book is gevuld en voortdurend wordt geactualiseerd. Amazon Lex en AWS Mobile Hub zorgen voor een eenvoudige gebruikservaring door de gegevens uit deze database beschikbaar te maken middels een spraak-interface. Tijdens de conversatie houdt Lex de context in de gaten door het doel, de vragen en de antwoorden van de gebruiker bij te houden. Dit gebeurt allemaal op basis van bestaande API’s die eenvoudig voor iedereen beschikbaar zijn.
Als het goed is hebben deze voorbeelden de mogelijke toepassingen van AI iets inzichtelijker gemaakt. Er zijn nog duizenden andere voorbeelden aan te halen en er worden iedere dag weer nieuwe toepassingen bedacht. In het derde en laatste deel van deze blogserie zal ik ingaan op de vraag voor wie AI-technologie nuttig is en aan welke voorwaarden je moet voldoen om aan de slag te kunnen.
Wellicht een tip, lees eens wat over “natuurlijke” intelligentie.
Voorbeeld 1)
Je weet nu wie wat koopt en waar dieven de meeste dure kunstwerken kunnen weghalen.
Voorbeeld 2)
Met een simpele wetswijziging die verplicht om de diverse gegevens toch op te slaan en (real-time) toegankelijk te maken voor inlichtingsdiensten heb je een heel breed netwerk van geautomatiseerd surveillance op straat.
Voorbeeld 3)
Je weet nu wie er allemaal aan het oriënteren zijn voor een nieuwe auto en kan ze bestoken met advertenties en e-mails van allerlei automerken van modellen die overeenkomen met je oude auto.