Misschien denk je bij artificiële 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.
Weliswaar niet in de vorm van een aandoenlijk artificieel jongetje dat de liefde van zijn moeder probeert te winnen, of een supercomputer die de bemanning van een ruimteschip uit wil moorden, maar wel als de online assistent die ons te woord staat als we hulp nodig hebben bij het online winkelen, als de spraakherkenning op onze telefoons, als de slimme persoonlijke assistent Alexa, als de voorspellende en zelfsturende functionaliteiten van zelfrijdende auto’s, of als de filmsuggesties van Netflix. Het duurt nog wel even voor de intelligente machines de macht overnemen, maar ze oefenen al zo’n grote invloed uit op hoe we leven, werken en recreëren, dat we met zekerheid kunnen stellen dat we ons middenin de AI-revolutie bevinden.
Deze blog is een eerste in een drieluik over de mogelijkheden en ontwikkelingen van AI. Voor ik inga op de praktische toepassingen van verschillende vormen van AI, eerst meer uitleg.
Artificiële intelligentie (at) is de tak van computerwetenschappen die cognitieve vaardigheden die doorgaans geassocieerd worden met menselijke intelligentie, zoals leren, probleem-oplossen en patroonherkenning, probeert te vertalen naar machine-intelligentie. Ai wordt met de dag slimmer en sneller dankzij de enorme datatoevoer van bedrijven, organisaties, eindgebruikers en de miljarden sensoren van het IoT. Momenteel worden de grootste sprongen voorwaarts gerealiseerd in machine learning en deep learning.
Machine learning
Machine learning is de technologie die automatisch patronen in data detecteert en die patronen gebruikt om voorspellingen te doen, bijvoorbeeld over het gedrag van klanten. Met machine learning stellen we computers in staat om te handelen, zonder dat we ze daar expliciet voor hebben geprogrammeerd. Het is in wezen een verzameling algoritmes die kan leren en voorspellingen kan doen op basis van verzamelde data, functionaliteit kan optimaliseren wanneer er geen zekerheid bestaat, verborgen structuren uit data kan onttrekken en data kan classificeren.
Machine learning wordt vaak ingezet waar expliciet programmeren te rigide of te onpraktisch is. In tegenstelling tot reguliere computercode, die geschreven is door software-developers om een specifieke output te genereren op basis van een bepaalde input, gebruikt machine learning de data om statistische code te genereren, die het ‘juiste’ resultaat levert op basis van patronen die het herkent uit voorgaande input en output. De precisie van dit model is dus vooral afhankelijk van de kwaliteit en de hoeveelheid van data uit het verleden.
Met de juiste data kan machine learning zeer complexe problemen met miljarden voorbeelden analyseren, om zo de optimale functie te vinden die de uitkomst voor een bepaalde input kan voorspellen. machine learning-modellen (of kortweg ml-modellen) kunnen een statistische zekerheid geven voor deze voorspellingen en kunnen bovendien van tevoren voorspellen hoe ze gaan presteren. Dergelijke evaluatiescores kunnen belangrijk zijn om te bepalen of je een ml-model of beter een individuele voorspelling kan gebruiken.
Toepassingen
Bedrijven gebruiken machine learning bijvoorbeeld om te voorspellen hoeveel producten er per kwartaal verkocht gaan worden, gebaseerd op een bepaalde demografie; of om in te schatten welk klantprofiel statistisch gezien de grootste kans heeft om ontevreden te raken met je diensten of je merk. Je bent machine learning misschien weleens tegengekomen in de vorm van de aanbevolen films op Netflix, die gebaseerd zijn op jouw eerdere kijkgedrag. De voorspellingen over klantgedrag die mogelijk worden met machine learning zorgen ervoor dat je beter geïnformeerd zakelijke beslissingen kunt nemen, de klantervaring verregaand kunt personaliseren en bijvoorbeeld retentiekosten terug kunt dringen. Gecombineerd met business intelligence, dat zakelijke data uit het verleden vastlegt, voorspelt machine learning toekomstige resultaten gebaseerd op trends en transacties uit het verleden.
Een van de beste en meest grootschalige voorbeelden van toegepaste machine learning wordt geleverd door mijn werkgever, Amazon.com. Hier wordt de eigen ml-technologie gebruikt om meer dan vijftig miljard voorspellingen per week te doen. Zonder machine learning waren we niet in staat geweest zo hard te groeien, onze klantervaring zo snel te verbeteren en onze logistieke snelheid en kwaliteit te optimaliseren. Om andere bedrijven toegang te geven tot dezelfde infrastructuur en dezelfde ml-technologieën, werd Amazon Web Services gecreëerd.
Deep learning
Bij deep learning stapelen we algoritmes op elkaar voor een beter begrip van de data. De algoritmes zijn niet meer beperkt tot het maken van een lineaire verzameling van relationele verbanden, maar gebaseerd op meerdere lagen van niet-lineaire algoritmes die gedistribueerde representaties creëren die met elkaar interacteren op basis van door ons bepaalde factoren. Met grote hoeveelheden trainingsdata worden deep learning-algoritmes in staat gesteld om de relaties tussen allerlei verschillende elementen in de data te ontdekken. Dat kunnen relaties zijn tussen vormen, kleuren, woorden en nog veel meer. Hiermee kan het systeem vervolgens voorspellingen doen.
De kracht van deep learning is dat het systeem veel meer relaties kan identificeren dan mensen mogelijkerwijs in de software hadden kunnen programmeren, of zelfs relaties die mensen niet eens kunnen waarnemen. Wanneer het systeem voldoende is getraind, kan het netwerk van algoritmes voorspellingen doen of uitermate complexe data interpreteren.
Toepassingen
Deep learning wordt over het algemeen ingezet voor complexe taken, die voorheen alleen door mensen konden worden uitgevoerd. Denk bijvoorbeeld aan spraakherkenning, natural language processing, de aanbevelingsfunctionaliteit in webshops, of de automatische classificatie van beeld en video. Veel diensten voor foto-opslag gebruiken gezichtsherkenning en objectherkenning om te bepalen wat het onderwerp van een foto is. Marketingsoftwarefabrikant Bynder maakt bijvoorbeeld gebruik van de op deep learning gebaseerde beeldherkenningstechnologie Rekognition, voor het automatisch analyseren en taggen van foto’s voor eenvoudiger merkmanagement. Virtuele assistenten als Alexa gebruiken spraakherkenning om met de gebruiker te interacteren, iets wat computers pas recentelijk onder de knie hebben gekregen dankzij deep learning algoritmes.
Het verwerken van natuurlijke talen gaat nog een stapje verder: hierbij willen we algoritmes niet alleen de menselijke taal laten begrijpen, maar ook zaken als de toon en de context. Zo kunnen computers zich ingewikkelde concepten als emotie en sarcasme eigen maken. Hoewel deze vorm van deep learning nog volop in ontwikkeling is, kan het bedrijven in staat stellen hun klantenservice volledig te automatiseren met behulp van voice- en tekst-bots.
In een volgende blog ga ik dieper in op de implementatie van machine learning en deep learning in bedrijven en de praktische toepassingen. Stay tuned!
Ik: Alexa annuleer mijn Amazon account
Alexa; niet nu ik heb hoofdpijn
Mooie sprookjes hier, echter wanneer ik van Amazon steeds wisselende prijzen krijg is dat zo intelligent dat ik bij zulke onbetrouwbare sujetten (of algoritmen?) niets meer koop.
Mja, zou het referentiekader voor AI inderdaad eerder gevormd zijn door Clarke, Kubrick, Spielberg, Asimov dan door de dystopische realiteit van Orwell, Snowden, Facebook? Dat is op zich al een deprimerend uitgangspunt.
Dit weekend de nieuwe Blade Runner film gekeken die ook hier en daar leuke concepten had.
AI is ondertussen een behoorlijk misbruikt mode woord en kan een simpel algoritme betekenen t/m een kunstmatig zelf bewustzijn. (Sentient program à-la Chappie)