Ai is de speelbal van de media. Elke dag komt er wel een verhaal voorbij over de beste toepassingen, ethiek en de potentieel ontwrichtende gevolgen voor de samenleving. Aan ons als sector om ai te blijven duiden en te investeren in mensen en middelen die laten zien hoe we op een verantwoorde manier met deze technologie om kunnen gaan.
We zien dat de meeste nieuwsitems zich richten op ChatGPT, Bing en Bard. Dit zijn hosted bots, die ai toepassen op het breedst mogelijke spectrum aan onderwerpen. Ze hebben toegang tot een grote hoeveelheid data, waarmee het model getraind wordt, en zijn op hele brede schaal geïmplementeerd. Dat maakt de resultaten vaak spectaculair. Tegelijkertijd zouden ze slechts het startpunt mogen vormen voor een activiteit, nooit het definitieve resultaat.
Deze stellingname wordt versterkt door een onderzoek van de Stanford University. In de studie werd een aantal van de populairste hosted ai-bots tegen het licht van het ai-wetsvoorstel van de EU gehouden. Géén van deze ai bleek te voldoen aan de criteria van het voorstel. Toegegeven, het zijn nogal wat criteria én het betreft slechts een voorstel. Toch vormt dit een factor bij de overwegingen voor het gebruik van ai voor de eigen organisatie.
Rekenmodel
Laten we even een stap terug doen. Grof gezegd bestaat ai uit een rekenmodel (algoritme), een dataset, en de implementatie hiervan in de vorm van een prompt. Deze drie factoren samen bepalen het succes. De dataset is een cruciaal onderdeel. Bij ChatGPT is deze heel groot en heel rijk, en dus vaak een goed startpunt als je informatie nodig hebt. Er is altijd verificatie en verder onderzoek nodig, ook omdat de opdracht/prompt bepalend is voor de uitkomst. Ik zou het schrijven van een journalistiek artikel niet gauw overlaten aan een ai.
Aan de andere kant van het spectrum vinden we ai die wordt ingezet bij bijvoorbeeld chatbots. Het lijkt erop dat zij met veel kleinere datasets werken; de antwoorden van de chatbot van mijn telecomprovider zijn vaak niet ter zake doende en werken vooral frustratie op. Ik ben ervan overtuigd dat achter de schermen hard gewerkt wordt aan de verbetering hiervan. Zij willen per slot van rekening tevreden klanten en een efficiënte contactdesk. Deze gedachtegang geldt niet alleen voor telecombedrijven; voor alle organisaties zit de meeste waarde van ai in specifieke toepassingen, gekoppeld aan karakteristieke bedrijfsprocessen.
Stroomversnelling
Die weg is – al enkele jaren geleden – ingeslagen en komt nu in een stroomversnelling. Deze meer specifieke toepassing wordt ook wel narrow ai genoemd als tegenhanger van de alomtegenwoordige variant (broad ai), die ChatGPT en dergelijke vertegenwoordigen. De toenemende focus van bedrijven op ai heeft een aantal effecten, die steeds helderder worden. Zo ontstaat er een groeiende vraag naar datasets om de modellen te trainen en naar data engineers om de juiste sets samen te stellen, de betrouwbaarheid van de resultaten te beoordelen, de controleerbaarheid van de data en de borging binnen wet- en regelgeving. Dat hierover onzekerheid is, blijkt uit het feit dat veel opensource-projecten geen ai -gegenereerde code accepteren vanwege potentiele juridische implicaties.
Camerasysteem
In een eerder artikel heb ik het gehad over op kleine schaal experimenteren met ai om te ervaren wat het kan en wat niet, én tegen welke ethische kwesties of regelgeving je aanloopt. Welnu, voor mijn nieuwe huis zocht ik een camerasysteem plus. Dit betekent in mijn geval dat ik er intelligentie aan wilde koppelen die verder gaat dan een simpele bewegingssensor in combinatie met een alarmeringssysteem. Mijn doel: herten spotten.
Ik installeerde naast het camerasysteem een Frigate-beeldherkenningsoplossing, die getraind is op een dataset. En inderdaad herkent de app fietsen, auto’s, bomen en nog veel meer andere zaken. Helaas ziet het een struik aan voor een mens en mijn vrouw voor een… hond. Dus ik zit met een dilemma, of eigenlijk twee. Eén: hoe vertel ik dit mijn vrouw? En twee: ga ik een bijdrage leveren in de vorm van nieuwe data om de set beter te maken? Ik kan op een eenvoudige manier in afbeeldingen objecten markeren, deze classificeren en naar Frigate sturen. Het voordeel is dat mijn partner dan hopelijk voortaan als mens waargenomen wordt. De consequentie is wel, dat mijn tuin en vrouw in een dataset terechtkomen waarvan ik niet weet voor welke doelen deze allemaal ingezet wordt.
Wat ik wil aangeven, is het belang om een start te maken met ai en zelf inzichten op te doen. Niet alleen om de technologie te begrijpen, maar vooral ook de relatie tot de bedrijfscultuur en wet- en regelgeving.
Ik heb inmiddels wel mijn eerste hert gespot, maar niet via de ai-accelerator van Frigate. Dus als iemand nog tips heeft, graag in de reacties-sectie.
(Auteur Robert van der Meulen is director of product strategy bij Leaseweb.)
AI-bots vind ik een verademing als we kijken naar het resultaat van een menselijkere vraagstelling, het ordenen van al die data door het leggen van de contextuele relaties maakt de spreekwoordelijk speld in de hooiberg makkelijker vindbaar. Uiteraard is er nog een menselijk stap die een beoordeling doet van de informatie want ‘computer says NO’ gaat om geautomatiseerde beslissingen welke voor misleunen zorgen in de herkenning van een hert en een struik. Witte schapen, zwarte schapen kun je herten vrij makkelijk vinden in hun natuurlijke habitat want getraind op een herkenning middels meer dan 5.000 dia’s is er een denkpatroon. Zo hebben de vrouwelijke herten geen gewei, deze hindes benadrukken de seksueel dimorfismen in de natuur.