Machine learning is een blijvertje

Als een kunstmatige intelligentie (ai)-expert wordt mij vaak gevraagd: wat gaat er dit jaar gebeuren? Ik heb geen glazen bol om in de toekomst te kijken, of ai-systeem om dit soort voorspellingen te doen, maar er zijn enkele interessante trends die ik u zeker niet wil onthouden.

Ik zal niet ingaan op de groeicijfers van ai-systemen, of dat diegenen die geen ai gebruiken zullen achterblijven, of dat de ai-bubbel zal barsten of dat er een nieuwe ai-winter zal komen. Er is veel vooruitgang geboekt, maar niet genoeg om de volgende hindernis te nemen: Hoe kan u kennis vergaren over uw bedrijf of organisatie met behulp van ai?

Wat zal ai ons in de nabije toekomst brengen? Laat me drie belangrijke onderwerpen bespreken die mij aan het hart liggen:

Machine Learning blijvertje

Ai begint al de manier, waarop organisaties zaken doen, te transformeren, hoe ze hun klantrelaties beheren en hoe ze ideeën en creativiteit stimuleren om zo baanbrekende innovaties te voeden’, aldus Capgemini.

Drie jaar geleden waren goede gebruikscases voor machine learning moeilijk te vinden. Nu zijn er overal succesverhalen te lezen. Machine learning, deep learning, neurale netwerken en alle andere varianten zijn nu overvloedig in gebruik. Dus wat er ook dit jaar zal gebeuren, machine learning hoort er gewoon bij en het zal nog succesvoller worden naarmate meer organisaties ai gaan gebruiken bij hun dagelijkse activiteiten.

Al deze ai-algoritmen vormen nu een integraal onderdeel van veel data-gedreven tools. Voor data-analisten is het gebruik van ai door slechts één klik in te schakelen. Maar betekent dit dat ai correct wordt gebruikt? Ik ben bang van niet, omdat:

• Datakwaliteit is nog steeds een groot probleem. Zonder datakwaliteit liggen vooringenomenheden en vooroordelen (Bias) om de hoek en is de output van de ai niet nauwkeurig.
• Ethiek wordt vaak als iets extra’s beschouwd, maar het zou aan de basis moeten liggen van elke ai-implementatie – of beter, in het hart van elk big data-project.
• Er is nog steeds onvoldoende aandacht voor de kwaliteit van de resultaten van ai. Statistische methoden zoals accuratesse, precisie, recall en F1 Defined zijn absoluut goede indicatoren. Maar we hebben nog steeds een maatlat nodig om dat te meten. Veel organisaties hebben geen flauw idee hoe ze de kwaliteit van hun beslissingen moeten meten.

Maar bedrijfsprocessen omvatten meer dan alleen de uitvoering van taken. Hoe kunnen we bepalen of onze ai echt een verbetering is ten opzichte van door mensen gebaseerde acties? Dit is nog steeds een open discussie.

Momenteel zien we machine learning worden gebruikt in zeer beperkte toepassingen, om processtappen efficiënter te maken of om vervelende taken te verlichten. Maar hoe ai zal bijdragen aan een betekenisvol rendement is ook een grote vraag, zowel vorig jaar als in 2020.

Discussies over ethiek

‘Ai-ethiek is niet alleen een feel-good-add-on – een wens maar geen vereiste. Ai is een van de grote uitdagingen op het gebied van de mensenrechten van de 21ste eeuw’, aldus Khari Johnson.

Vorig jaar kwamen de discussies over de ethiek van ai echt op gang. Hoewel het voornamelijk academisch is, richt de discussie zich nu niet alleen op de (im)morele gevolgen van ai, bijvoorbeeld discriminatie, verlies van banen en ongelijkheid. De focus ligt nu op waarden. Bestaat er zoiets als ‘ai voor het goede‘? Willen wij als samenleving echt beslissende krachten geven aan machines? En zijn die machines eerlijk en open? En hoe zit het met checks-and-balances?

Deze discussies richten zich niet alleen op ai. Ze hebben ook betrekking op het gebruik van big data. Slimme steden, gezichtsherkenning, fraudedetectie – dit zijn allemaal gebieden waar beveiliging, privacy, nut en noodzaak vooraf moeten worden besproken en beoordeeld. Dit vereist de beoordeling van de ethische vraagstukken vanaf het begin van het project. Zal de ethiek van ai een zware plicht zijn of ook leiden tot concurrentievoordeel? Ik weet het nog niet.

We zullen ethische frameworks zien verschijnen. Net als compliancy frameworks voor accountancy, bieden ethische kaders manieren om de ethische implicaties van ai te beoordelen. Zoals elk raamwerk zijn ze geen excuus om niet onafhankelijk en systematisch over ai te denken. Frameworks garanderen geen correct resultaat. En er zal discussie ontstaan over hoe deze kaders in een zakelijke context te gebruiken.

Streven naar kennis

‘Deep learning heeft ons in plaats daarvan machines opgeleverd met werkelijk indrukwekkende capaciteiten maar zonder intelligentie. Het verschil is groot en ligt in de afwezigheid van een model van de werkelijkheid’, stelt Judea Pearl.

Machine learning, inclusief deep learning en neurale netwerken, is succesvol. Deze methoden zijn allemaal erg goed in het extraheren van informatie uit gegevens. Ja, ik ben me bewust van de vele fouten die machine learning maakt, en hoe het, meestal beeldherkenning, voor de gek kan worden gehouden. We moeten van deze fouten leren door de algoritmen en leerprocessen te verbeteren. Maar ai van veel meer dan alleen machinaal leren. Cognitive computing, symbolic ai en contextual reasoning zijn ook ai. We moeten het gebruik van deze andere ai-technieken voor onze toepassingen opnieuw in overweging nemen.

Dit jaar blijven we de ‘black box’ van machine learning openen. De algoritmen zullen via interpretable machine learning inzicht geven in hoe zij hun beslissingen hebben genomen. Maar ai in een zakelijke context kan de juistheid en billijkheid van de beslissingen niet beoordelen.

Machine learning is goed in het extraheren van informatie uit gegevens, maar het is waardeloos in het extraheren van kennis uit informatie. Om gegevens informatie te laten worden, moet deze gecontextualiseerd, gecategoriseerd, berekend en gecondenseerd worden. Informatie is de sleutel tot kennis. Kennis is nauw verbonden met doen en impliceert ervaring en begrip. Dit roept de decennia oude filosofische vraag van ai op: ‘Begrijpen ai-systemen echt wat ze doen?’

Zonder John Searle’s Chinese Kamer nog eens te bezoeken, denk ik echt dat de volgende stap in ai alleen kan worden gezet als we een bepaald niveau van kennis of begrip van ai hebben. Om dat te doen, moeten we nog een stap zetten naar mensgelijke ai. Bijvoorbeeld door symbolic ai (of ‘klassieke’ ai) te gebruiken. Dit is de tak van ai-onderzoek dat zich bezighoudt met het proberen om de menselijke kennis expliciet weer te geven in een declaratieve vorm (dat wil zeggen feiten en regels).

De combinatie van deze oudere technieken met neurale netwerken in een hybride vorm zal ai nog verder brengen. Dit betekent dat oorzakelijk verbanden, kennisrepresentaties enzovoorts, belangrijke factoren worden om ai naar het volgende niveau te brengen; een volgend niveau dat nog spannender zal zijn dan de resultaten die ai dit jaar heeft bereikt.