Artificial Intelligence of AI is een containerbegrip voor het aanleren van software om beslissingen te nemen, net zoals een mens dat zou doen. Ook bij Agium volgen we ontwikkelingen op AI-gebied op de voet. In een serie van drie artikelen gaat Wim Verheij er dieper op in. In dit artikel: wat is AI en wat kun je ermee?
Lees ook deel 2 over de inzet van AI voor finance en deel 3 over de potentiële valkuilen.
Bij AI of kunstmatige intelligentie bootsen systemen of machines de menselijke intelligentie na. De software leert om beslissingen te nemen, net zoals een mens dat zou doen.
Machine vs deep learning
Dat aanleren kan op verschillende niveaus van professionaliteit gebeuren. Bij machine learning leert de software op basis van ingevoerde data en patronen om gegevens te analyseren, daarvan te leren en vervolgens beslissingen te nemen. Deep learning gaat nog een stapje verder. Hierbij gaat het om algoritmen die bij iedere berekening meer gaan leren en zichzelf voortdurend verbeteren, dus zonder menselijke tussenkomst. De algoritmes maken zichzelf slimmer. Deep learning maakt gebruik van neurale netwerken: deze zijn vergelijkbaar met de neurale netwerken in het menselijk brein. Deep learning is eigenlijk de meest ingewikkelde vorm van AI: het zijn zelflerende netwerken.
Binnen machine learning bestaat nog het onderscheid tussen supervised leren en unsupervised leren. Bij supervised of gecontroleerd leren, leert de machine op basis van voorbeelden. Je geeft de computer input en geeft aan wat de gewenste output moet zijn. Door de computer steeds nieuwe input en gewenste output te geven, gaat deze ervan leren en overeenkomsten en verschillen zien. Om een voorbeeld uit de finance-wereld te geven: het automatisch verwerken van facturen. Je leert de computer op basis van eerdere facturen, welke hij moet goed- en afkeuren.
Bij unsupervised leren leert de computer zelf wat hij moet doen; hij krijgt geen input voor het gewenste antwoord. De computer gaat dan zelf de inputdata besturen, ook al is die ongelabeld en ongestructureerd en gaat daarin patronen en overeenkomsten ontdekken. Dit is meer overeenkomstig met hoe wij mensen de wereld beschouwen: we gebruiken onze intuïtie en ervaring om dingen te leren. Een voorbeeld van unsupervised leren is gezichtsherkenning of cybersecurity.
Binnen AI heb je ook nog het onderscheid tussen zwakke en sterke AI. Zwakke AI is meer regelgebonden: je definieert regelsets waarlangs je iets beoordeelt, bijvoorbeeld het checken van een factuur. Bij sterke AI gaat het erom dat de software gaat redeneren en problemen gaat oplossen, net zoals een mens dat zou doen.
Toepassingen in de praktijk
AI kom je in de dagelijkse praktijk inmiddels overal tegen. Het zit in zoekmachines als Google. Het zit ook in Netflix, dat op basis van wat je hebt gekeken andere series aanraadt. Ook in chatbots zit een algoritme, dat bijvoorbeeld de tone-of-voice van een mail of chatbericht kan herkennen: is deze persoon boos, teleurgesteld, aardig of enthousiast? En waar gaat zijn/haar opmerking over? We hebben zelf in Python een zelflerend algoritme ontwikkeld om niet alleen deze tone-of-voice uit berichten te halen, maar ook wat het is: is het een klacht, vraag, bestelorder of een vraag over een bestelorder?
Een ander voorbeeld is de website van de Belastingdienst waar je vragen kunt stellen. Dat ging eerst op basis van voorgedefinieerde vragen en antwoorden, maar inmiddels zit daar ook een algoritme achter dat leert om steeds betere antwoorden te geven.
Een van de bekendste voorbeelden van AI op dit moment is ChatGPT: een tool die geschreven en gesproken menselijke taal kan interpreteren en daar ook wat mee kan doen. Bijvoorbeeld een blog schrijven op basis van input die je de tool geeft. Ook kan ChatGPT code interpreteren en beter/sneller maken.
ChatGPT is nu nog een machine learning algoritme: mensen voegen nog steeds informatie toe om het beter te maken. Bovendien moet je zelf nog beoordelen wat je van de uitkomst vindt. Een collega die voor zijn zoon een samenvatting van een boek wilde maken, kreeg een samenvatting van een totaal ander boek voorgeschoteld. De ISBN-nummers waren door elkaar gehaald. De dataset en datakwaliteit moeten wel heel goed zijn wil je betrouwbare uitkomsten krijgen. Google werkt nu aan een antwoord op ChatGPT: Bard.