AI in opmars: van onbekend naar onmisbaar

Wat is Artificial Intelligence?

Kunstmatige intelligentie, ofwel Artificial Intelligence (AI), is een overkoepelende term die verwijst naar technieken die menselijke vaardigheden zoals leren, plannen en redeneren nabootsen met behulp van computersystemen. Machine learning is een vorm van AI die zich richt op het ontwikkelen van algoritmen die patronen in data herkennen en hiervan leren om voorspellingen te maken of beslissingen te nemen. Deep learning is een specifieke vorm van machine learning die neurale netwerken gebruikt om complexe patronen in grote hoeveelheden data te identificeren. Hoe AI, machine learning en deep learning zich verhouden tot elkaar is afgebeeld in Figuur 1.

Machine learning

Machine learning is een techniek waarbij computers worden getraind om patronen te ontdekken en beslissingen te nemen op basis van data. Een voorbeeld van een machine learning toepassing is een systeem dat leert om objecten te herkennen op basis van specifieke kenmerken van het object.

Stel je voor dat je een model leert om tomaten van kersen te scheiden op basis van de kenmerken: grootte en stamtype. Het model wordt getraind met een dataset waarin elke afbeelding van fruit gepaard gaat met deze kenmerken en de bijbehorende labels (i.e., kers of tomaat). Door herhaaldelijk deze voorbeelden te zien, leert het model om de kenmerken te koppelen aan de juiste fruitsoort. Zodra het model voldoende getraind is, kan het nieuwe afbeeldingen analyseren op basis van deze kenmerken en voorspellen welk fruit het is. Dit voorbeeld is geïllustreerd in Figuur 2.

In de praktijk wordt machine learning onder andere gebruikt om patronen te herkennen die typisch zijn voor spam-mails. Op basis van deze patronen kan het algoritme vervolgens nieuwe e-mails classificeren en bepalen of ze spam zijn of niet. Een ander voorbeeld is het aanbevelingssysteem van een winkel om de voorkeuren en het gedrag van klanten te analyseren en gepersonaliseerde aanbevelingen te doen. In de medische wereld kan machine learning worden toegepast om afwijkingen of ziekten te detecteren, zoals het voorspellen van de kans op diabetes op basis van patiëntgegevens.

Deep learning

Deep learning maakt gebruikt van neurale netwerken om complexe patronen in grote hoeveelheden data te herkennen. De neurale netwerken zijn geïnspireerd door de structuur en werking van het menselijke brein en bestaan uit lagen van knooppunten, of 'neuronen', die signalen doorgeven via zenuwbanen en informatie verwerken. In Figuur 3A is het menselijk brein afgebeeld, waarbij elk bolletje een neuron voorstelt en elk lijntje een zenuwbaan representeert. In Figuur 3B is een kunstmatig neuraal netwerk geïllustreerd, waarbij ook elk bolletje een neuron voorstelt en elk lijntje de connectie waarover informatie wordt doorgestuurd.

Om deep learning beter te begrijpen, kunnen we weer kijken naar het voorbeeld waarbij we een computer willen leren om kersen en tomaten te onderscheiden (Fig. 4). In tegenstelling tot traditionele machine learning, waarbij wij zelf de kenmerken moeten bepalen die belangrijk zijn (grootte en stamtype), leert een deep learning-model deze kenmerken automatisch. Wanneer je het model traint, voer je afbeeldingen van fruit in en geef je aan of de voorspelling van het model juist of onjuist is. Het model begint met het herkennen van eenvoudige kenmerken zoals randen en kleuren in de eerste lagen. Naarmate het model dieper in het netwerk gaat, worden de lagen steeds complexer en leert het om vormen, texturen en zelfs specifieke details van de fruitsoorten te identificeren. Door dit iteratieve proces, waarbij het model telkens zijn "gewichten", ofwel de sterkte van de connectie tussen neuronen/bolletjes, aanpast op basis van de feedback die het krijgt, leert het uiteindelijk om nauwkeurig onderscheid te maken tussen verschillende soorten fruit zonder dat wij van tevoren hoeven te bepalen welke kenmerken belangrijk zijn. Het kunstmatig netwerk wordt vaak een black-box genoemd omdat het moeilijk te begrijpen is hoe het model precies tot zijn beslissingen komt vanwege de ingewikkelde wisselwerking tussen neuronen.

Deep learning technieken worden op veel geavanceerde manieren toegepast in verschillende domeinen, waarbij ze indrukwekkende resultaten behalen door grote hoeveelheden data te verwerken en complexe patronen te herkennen. In de praktijk wordt deep learning vaak gebruikt als de kenmerken die mogelijk een rol spelen niet bekend of moeilijk te definiëren of meten zijn. Neem bijvoorbeeld beeldherkenning: Google gebruikt deep learning-algoritmen om automatisch objecten, locaties en mensen in foto's te identificeren en te categoriseren. Autonome voertuigen zoals die van Tesla maken ook gebruik van deep learning om te begrijpen hoe ze moeten rijden. Deze voertuigen analyseren beelden van hun omgeving en nemen realtimebeslissingen om veilig te navigeren. In de gezondheidszorg wordt deep learning toegepast voor de analyse van medische beelden, zoals MRI-scans, om ziektes zoals kanker te detecteren. Deze technieken bereiken vaak een nauwkeurigheid die vergelijkbaar is met of zelfs beter dan die van menselijke artsen. Het is alsof je een ervaren radioloog hebt die duizenden scans heeft bekeken en subtiele afwijkingen kan herkennen, wat cruciaal kan zijn voor een tijdige en juiste diagnose.

Natuurlijke taalverwerking: de taaltoepassing van deep learning

Een veelgebruikte toepassing van deep learning is natuurlijke taalverwerking. Deze techniek maakt gebruik van large language models (LLM's) om antwoorden te genereren op complexe vragen. LLM’s zijn getraind op enorme hoeveelheden tekstdata, waardoor ze subtiele taalnuances en contextuele betekenissen leren. Dit is vergelijkbaar met een tolk die meerdere talen vloeiend spreekt. Hierdoor zijn LLM’s bijzonder effectief in toepassingen die authentieke en contextueel passende communicatie vereisen. ChatGPT is één van de vele en bekendste large language models. In de volksmond worden de termen ChatGPT en AI door elkaar gebruikt, maar dit model is dus in feite een specifiek voorbeeld van een AI-gestuurd taalmodel dat gebruikmaakt van deep learning om natuurlijke taal te verwerken en te genereren.

ChatGPT: de bekendste taalverwerkingstechnologie

ChatGPT, ontwikkeld door OpenAI, is een chatinterface die gebruikmaakt van geavanceerde modellen om tekst te genereren en gesprekken te voeren. GPT, wat staat voor ‘Generative Pre-trained Transformer’, is getraind op enorme hoeveelheden tekstdata, waardoor het in staat is om taalpatronen en structuren te herkennen, begrijpen en creëren.

Het GPT-4 model, op dit moment een van de meest geavanceerde AI-modellen, heeft maar liefst 1,5 triljoen parameters. Bij ChatGPT zorgen de parameters ervoor dat de informatie op de juiste manier wordt geleid en verwerkt, wat resulteert in accurate en samenhangende antwoorden. Over het algemeen kan een groter aantal parameters bijdragen aan meer gedetailleerde en genuanceerde antwoorden, maar andere factoren spelen ook een cruciale rol.

Hoe AI onze dagelijkse handelingen kan verbeteren

In ons dagelijks leven maken we voortdurend gebruik van technologieën die worden aangedreven door AI, zonder dat we ons hier erg bewust van zijn. AI, en met name de technieken van machine learning en deep learning, zijn overal om ons heen. Ze helpen ons efficiënter te werken, beter te communiceren, en zelfs onze persoonlijke voorkeuren te ontdekken.
Spraakassistenten zoals Siri en Google Assistant maken gebruik van machine learning om onze opdrachten te begrijpen en erop te reageren. Of je nu het weer opvraagt of een bericht dicteert, AI zorgt ervoor dat je snel en efficiënt geholpen wordt. Gezichtsherkenning op je smartphone is een ander voorbeeld. Deze technologie, aangedreven door deep learning, analyseert en vergelijkt gezichtskenmerken om je toestel veilig te ontgrendelen. Daarnaast beïnvloedt AI ook je keuzes in muziek, films, en zelfs aankopen. Spotify en Netflix gebruiken machinelearningalgoritmes om suggesties te doen op basis van wat je eerder hebt beluisterd of bekeken. Zelfs je bank-app categoriseert uitgaven automatisch met behulp van AI. Van spellingscontrole in Word tot voorspelde wachttijden bij de gemeente, AI is overal en maakt ons leven makkelijker, vaak zonder dat we het merken.

De impact van AI in het bedrijfsleven

AI speelt een steeds grotere rol in het bedrijfsleven en verandert de manier waarop organisaties hun dagelijkse activiteiten uitvoeren. Een van de belangrijkste voordelen van AI is de mogelijkheid om routinematige taken volledig of gedeeltelijk te automatiseren. Dit leidt niet alleen tot aanzienlijke tijdsbesparing, maar ook tot een vermindering van menselijke fouten. Een voorbeeld hiervan is het automatiseren van e-mailbeheer waarbij e-mails automatisch worden gefilterd en gecategoriseerd  op basis van urgentie en onderwerp. Door routinematige vragen of verzoeken automatisch te beantwoorden, kan de productiviteit van medewerkers aanzienlijk worden verhoogd. Een ander voorbeeld is het automatisch notuleren van vergaderingen waarbij spraakherkenningstechnologie wordt gebruikt om gesprekken en belangrijke punten automatisch om te zetten in tekst. In het binnenkort te publiceren artikel: ‘Welke tooling bestaat er al (tips&tricks)?’ wordt verder beschreven welke AI-oplossingen er beschikbaar zijn en hoe je dit praktisch kan inzetten.

Op welke manieren kunnen we AI inzetten om data te analyseren en inzicht te krijgen in behoeften en gedrag? 

AI biedt krachtige tools voor data-analyse, waarmee organisaties diepgaande inzichten kunnen verkrijgen in behoeften en gedrag. AI maakt het mogelijk om klanten te segmenteren op basis van gedrags- en demografische data, wat helpt bij het ontwikkelen van gerichte marketingcampagnes die beter aansluiten bij de specifieke wensen van verschillende klantgroepen. Ook kan AI, door patronen in klantdata te analyseren, voorspellen welke klanten mogelijk dreigen af te haken, waardoor organisaties tijdig kunnen ingrijpen om klantbehoud te verbeteren. Zo kunnen organisaties met behulp van AI niet alleen hun marktpositie versterken, maar ook de klanttevredenheid en loyaliteit verhogen.

Bij Van Dam Datapartners benutten we de kracht van AI door data op een diepgaande manier te analyseren en waardevolle inzichten te verkrijgen. Wij voeren voorspellende analyses uit door historische data te combineren met actuele gegevens. In deze prognosemodellen wordt gebruikgemaakt van machine learning om declaratiekosten van producten en diensten binnen gemeenten te voorspellen. Hierdoor kunnen wij efficiënte en strategische beslissingen ondersteunen, waardoor onze klanten hun middelen optimaal kunnen inzetten.

De inhaalslag van AI gaat hard, veel harder dan de snelheid van maatschappelijke organisaties en overheid 

De ontwikkeling van AI gaat razendsnel en overtreft vaak de snelheid waarmee maatschappelijke organisaties en overheden zich kunnen aanpassen. Dit valt deels te verklaren doordat AI-innovaties vooral door de private sector worden aangedreven, waar snelheid en winst belangrijk zijn. Daarnaast hebben maatschappelijke organisaties naast de Algemene Verordening Gegevensbescherming (AVG) die de bescherming van persoonsgegevens waarborgt, vaak te maken met strikte wet- en regelgeving, zoals de Wet op de Openbaarheid van Bestuur (Wob) die transparantie van overheidsinformatie bevordert, en de Wet digitale overheid die digitalisering en e-overheidsdiensten reguleert.

Dit snel veranderende landschap brengt uitdagingen met zich mee, zoals het opstellen van wet- en regelgeving die de technologische vooruitgang bijhoudt. Overheden worstelen vaak met de snelheid en complexiteit van AI-ontwikkelingen, wat leidt tot een kloof tussen technologische mogelijkheden en juridische kaders. De traagheid van de overheid bij het aannemen van nieuwe technologieën kan leiden tot gemiste kansen en verhoogde risico's. Samenwerking tussen de private sector, overheden en academische instellingen is essentieel om AI op een verantwoorde en ethische manier te implementeren.

Wat is de potentiële maatschappelijke impact van AI die we moeten overwegen en aanpakken? 

De maatschappelijke impact van AI is enorm en veelzijdig. AI biedt kansen om complexe problemen op te lossen, zoals betere gezondheidszorg, klimaatverandering en economische groei. Tegelijkertijd roept AI zorgen op over privacy, werkgelegenheid en ethiek. Hoewel AI banen kan automatiseren, opent het ook nieuwe mogelijkheden in technologie en data-analyse, wat weer werkgelegenheid oplevert. Investeren in onderwijs en bijscholing is cruciaal om de arbeidsmarkt voor te bereiden op deze veranderingen. Daarnaast zijn de ethische implicaties van AI, zoals ‘bias’ (vooringenomenheid) in algoritmen en privacykwesties, niet te negeren. Het is essentieel om een kader te ontwikkelen dat deze problemen aanpakt en AI op een verantwoorde manier inzet. De samenleving moet zich voorbereiden op de technologische transformatie door te investeren in innovatie én sociale vangnetten, zodat iedereen kan profiteren van de voordelen van AI. Met zorgvuldige afwegingen kunnen we de positieve impact van AI maximaliseren en de nadelige effecten beperken.

Conclusie

Artificial Intelligence (AI) heeft zich van een mysterieus concept tot een onmisbaar hulpmiddel ontwikkeld. Machine learning en deep learning transformeren zowel ons dagelijks leven als ons werk. We profiteren van AI door efficiënte spraakassistenten, gezichtsherkenning en geavanceerde data-analyse. AI automatiseert routinetaken en verhoogt de productiviteit op de werkvloer wat leidt tot aanzienlijke tijdsbesparingen en een vermindering van menselijke fouten. Ondanks de voordelen moet er aandacht zijn voor ethische en maatschappelijke uitdagingen. De snelle ontwikkeling van AI overschrijdt vaak de snelheid van wetgeving en maatschappelijke aanpassingen wat vraagt om effectieve samenwerking en ethische overwegingen. Investeren in educatie en het ontwikkelen van ethische kaders zijn essentieel om de voordelen van AI te maximaliseren en de nadelen te beperken.