Er komt een hele nieuwe ecomomie aan die op basis van big data en artificiële intelligentie draait. We moeten ons als maatschappij voorbereiden op die AI-storm, waarschuwt Jonathan Berte. De CEO van het Gentse AI-bedrijf Robovision spreekt eind september op technologiefestival SuperNova in Antwerpen, en had vooraf al even tijd om met Techzine aan tafel te zitten.
Artificiële intelligentie is een ruim begrip dat vandaag te pas en te onpas wordt gebruikt om slimme software te beschrijven. Het vindt zijn oorsprong in de jaren vijftig toen de term voor het eerst door de Amerikaanse computerwetenschapper John McCarthy werd geponeerd. McCarthy had de visie om software zichzelf te laten schrijven, maar om evidente redenen kon hij dat zestig jaar geleden nog niet realiseren. Er was simpelweg nog niet genoeg rekenkracht beschikbaar.
“Software is lange tijd sterk gelieerd geweest aan de architectuur van de historische computer”, vertelt Jonathan Berte. Daaronder verstaat hij de combinatie van een processor en werkgeheugen, waarbij de mens instaat voor het opstellen van algoritmes en het implementeren van bepaalde gedachtestromen. “Als een software-ingenieur een detectieprogramma voor bomen zou schrijven, laat hij de software op zoek gaan naar een structuur die groen en bruin is. Dat is dan een kandidaat om een boom te zijn.”
Computerbrein
Decennialang zijn we zo te werk gegaan. De intelligentie van een computer was beperkt tot de kennis en inzichten die de mens hem meegaf. Sinds de eeuwwisseling is dat aan het veranderen en wordt steeds meer beroep gedaan op neurale netwerken om computers een brein te geven. Ook dat is niet nieuw; al in de jaren veertig werd een model voor neurale netwerken gecreëerd door Warren McCulloch en Walter Pitts.
Decennialang was de intelligentie van een computer beperkt tot de kennis die de mens hem meegaf.
“Sinds een twintigtal jaar zijn neurale netwerken terug beginnen boomen. Het is de combinatie van de rekencapaciteit die zeer sterk is toegenomen en een enorme groei van de open source community – en zelfs grote bedrijven die daar aan hebben bijgedragen – die ertoe geleid heeft dat we de laatste jaren de frameworks hebben om zelflerende algoritmes in hun volle kracht te benutten”, legt Berte uit.
Dat betekent volgens Berte ook dat neurale netwerken de laatste jaren veel dieper zijn geworden. Ze hebben veel meer lagen, veel meer parameters en veel meer absorptiekracht dan de kleine neurale netwerken van weleer, met slechts enkele tientallen neuronen. We spreken daarom vandaag over diepe neurale netwerken, die gebruik maken van deep learning.
Universele architectuur
Deep learning is een architectuur die uit meerdere lagen bestaat, waarbij elk niveau leert om zijn invoergegevens te transformeren in een abstractere weergave, om zo uiteindelijk tot de gewenste uitvoer te komen. Het is een configuratie van virtuele neuronen die met elkaar in verbinding staan en bepaalde mechanismes kennen om hun input te beoordelen.
Neem bijvoorbeeld een applicatie voor beeldherkenning, waarbij de input een afbeelding is. Voor de computer is dat niet meer dan een matrix van pixels. In een eerste laag kunnen in die matrix randen worden herkend. De tweede laag vertaalt randen tot vormen. In de derde laag worden de vormen als een neus of ogen gecodeerd, en in de vierde laag herkent de computer uiteindelijk dat de afbeelding een gezicht bevat.
Het bijzondere aan deep learning is dat de computer zichzelf kan bijsturen.
Het bijzondere aan deep learning is dat de computer zichzelf kan bijsturen en bepalen welke functies optimaal op welk niveau worden geplaatst om zijn opdracht – e.g. het herkennen van gezichten – zo goed mogelijk uit te voeren. Met voldoende trainingsdata kan een computer zichzelf trainen om steeds beter te worden in een specifieke taak.
Wat die taak precies is, lijkt niet veel uit te maken. Hoewel niemand goed begrijpt waarom, kan de architectuur met minimale aanpassingen worden toegepast op fundamenteel andere data en over verschillende toepassingsgebieden heen. Robovision, het bedrijf dat Berte mee heeft opgericht, is daar zelf een uitstekend bewijs van. De start-up gebruikt dezelfde AI-engine voor beeldherkenning om mensen te tellen in de Amsterdamse binnenstad, het gewicht van een bakje aardbeien te schatten, tulpenbollen te planten met een robotarm en tal van andere scenario’s.
Zwarte doos
Die flexibiliteit is de kracht, maar tegelijk ook het gevaar van deep learning. Dezelfde architectuur die wordt gebruikt om boeren te helpen bij het planten van tulpenbollen, kan net zo goed worden toegepast in een militaire situatie. Er bestaat geen onderscheid tussen toepassingen omdat dezelfde architectuur aan de basis ligt.
Lees dit: HPE CTO: “Toekomstige AI moeten we behandelen als aliens”
Bovendien gebeurt deep learning in een soort zwarte doos die we niet zo goed begrijpen. Artificiële intelligentie kan tot inzichten komen die een mens nooit zelf zou kunnen achterhalen, maar waarvan we ook niet goed weten hoe ze zijn ontstaan. “We komen in de situatie dat er superbreinen kennis absorberen en interne redeneringen opbouwen waar we zelf geen zicht op hebben”, zegt Berte.
We staan nog maar aan het begin van de AI-disruptie en het is een grote onbekende hoe de technologie zich verder zal vormgeven. Volgens Berte is er daarom nood aan regulering, in het bijzonder wanneer artificiële intelligentie wordt toegepast op persoonlijke gegevens.
Nieuwe economie
“Er komt een hele nieuwe economie aan die op basis van data van personen aan het ageren is. Artificiële intelligentie kan worden toegepast op alle aspecten die je leven beïnvloeden”, waarschuwt Berte. De AI-expert benadrukt daarbij het risico dat causale verbanden worden gelegd waar die er eigenlijk niet zijn. Hij citeert een studie waarbij men op basis van genetische informatie uit de genoomdatabank 23andme heeft onderzocht wat de kans is dat een individu verder studeert. “Men is tot een correlatie van 90 procent gekomen tussen profielen die afstuderen aan de universiteit en een bepaalde combinatie van genen die aanwezig zijn. Dat is gevaarlijk natuurlijk. Het is heel moeilijk om daar conclusies aan te koppelen omdat de werkelijkheid nog veel complexer is dan een AI-model.”
“We ain’t seen nothing yet. Het moet allemaal nog maar goed beginnen.”
Een ander voorbeeld dat Berte geeft, is dat van een levensverzekering. Voor je zo’n verzekering afsluit, gaat een specialist na wat je levensverwachting is op basis van verschillende parameters. Wat als we die voorspelling overlaten aan een AI die toegang heeft tot alle data die vandaag en in de toekomst over ons beschikbaar is? “Naarmate we door data hypertransparant worden als persoon, komt het solidariteitsprincipe onder druk te staan. Als iemand heel duidelijk pech heeft met zijn genoom valt hij buiten de standaard levensverzekering en kan hij niet meer gaan solliciteren omdat ook de werkgever toegang heeft tot die informatiebronnen.”
Berte wil niet gezegd hebben dat het allemaal negatief zal uitdraaien, maar artificiële intelligentie brengt ongetwijfeld enorme maatschappelijke veranderingen met zich mee. Daar kunnen we ons maar beter nu al op voorbereiden. “We ain’t seen nothing yet. Het moet allemaal nog maar goed beginnen.”