Vragen? Bel 06 – 160 749 53 of mail mij info@jarnoduursma.nl

Vragen? Bel of mail mij

De toekomst van Kunstmatige Intelligentie

Gast: Bennie Mols

Bennie Mols is freelance wetenschapsjournalist, auteur en spreker, gespecialiseerd in kunstmatige intelligentie, robotica en het menselijk brein. Hij is gepromoveerd natuurkundige en afgestudeerd filosoof. Met deze zowel bèta- als alfa-achtergrond kan hij op een unieke manier aankijken tegen technologische en wetenschappelijke ontwikkelingen.

Hij schrijft onder meer voor NRC Handelsblad en KIJK en publiceerde populair-wetenschappelijke boeken over natuurkunde, wiskunde, informatica en hersenonderzoek. In 2012 schreef hij het boek Turings Tango (2012), dat gaat over steeds slimmer wordende computers en robots. In 2017 verscheen ‘Hallo robot – De machine als medemens’ over de wetenschap en techniek achter de robotisering van de samenleving.

 

Luister op Apple PodcastLuister op Spotify

 

Geen tijd? Lees dan hieronder de samenvatting van het gesprek met Bennie Mols.

Wat is de huidige stand van zaken van kunstmatige intelligentie?
Sinds 2012 zien we een geweldige groeispurt in het domein van artificial intelligence (AI). Machine learning en met name deep learning zijn hier verantwoordelijk voor. Enkele belangrijke resultaten zien we in de kwaliteitstoename van de zelfrijdende auto, in beeld- en spraakherkenning en aanbevelingen in de detailhandel. Machine learning heeft veel nuttige toepassingen gekregen en we kunnen e nog jaren de vruchten van plukken.

Zelfrijdende auto’s
Anderzijds zijn de verwachtingen in de afgelopen jaren te groot geweest omdat veel mensen zich niet realiseerden wat AI nog allemaal niet kan. De verwachtingen voor de zelfrijdende auto bijvoorbeeld, men dacht 6 jaar geleden dat deze in 2020 realiteit zou zijn en we zijn daar nog lang niet. De denkfout van de buitenwereld is dan, omdat de eerste 80% of 90% relatief makkelijk behaald zijn, dat die laatste 10% ook gemakkelijk zal gaan. Maar vergis je niet. Die laatste 10% kost soms net zoveel tijd als de eerste 90%.

 

Deep Learning 
Deep learning is goed in sommige aspecten van perceptie, vooral categoriseren. Maar perceptie is meer dan categoriseren en intelligentie is meer dan perceptie. Tot intelligentie behoren ook taal, redeneren, analogieën leggen, plannen en gezond verstand. De huidige AI leunt heel sterk op grote datahoeveelheden. Maar voor veel toepassingen in de echte wereld heb je niet alleen data nodig, ook modellen.

Menselijke hersenen zijn bovenmatig efficiënt
Neem het voorspellen van gedrag van een voetganger terwijl je zelf in de auto zit bijvoorbeeld. Een mens vindt dat relatief makkelijk. Voor een AI-software systeem is dat pas sinds vorig jaar, 2019 gelukt, maar dan alleen nog maar in een sterk versimpelde omgeving. Vergeet niet: machines kunnen een specifieke ‘narrow domain’ taak heel goed, maar niet meerdere taken in een heel breed spectrum. En machines verbruiken ook enorm veel energie, hebben veel data nodig. De menselijke hersenen zijn juist bovenmatig efficiënt en kunnen leren van soms maar een of twee voorbeelden.

De juiste combinatie
Ik denk dat machines in principe hetzelfde kunnen als mensen, maar ‘in principe’ is iets heel anders dan ‘in de praktijk’. Lang niet alles wat in theorie of in principe kan, kan ook in de praktijk. Machines en mensen zijn momenteel goed in andere dingen. Mijn stelling is dat we ons moeten richten op het combineren van het beste van mensen met het beste van machines.


Hoe zit dat dan met gevoelens? Denk je dat AI software kan gaan voelen?

In principe kunnen AI systemen, robots ook gevoelens hebben en zich evolutionair ontwikkelen. Maar dat is ook verre toekomstmuziek. De vraag is ook: waarom moet je dat willen? Of het technisch mogelijk is, is eigenlijk de minst interessante vraag. Eigenlijk vind ik het veel interessanter om te bekijken hoe je menselijke intelligentie kunt aanvullen met AI om bijvoorbeeld de ‘Sustainable Development Goals’ van de Verenigde Naties te behalen. Denk aan het tegengaan van honger door efficiëntere landbouw te bedrijven. Bijvoorbeeld door een akker te monitoren en gerichter bestrijdingsmiddelingen en voeding te geven. Er is heel veel saai werk wat nu door mensen gedaan wordt. Denk aan het selecteren van paprika’s in een kas. Dat is heel vervelend werk. Dat kunnen we beter in handen geven van slimme robots.

Samenwerking tussen AI en mensen
Maar de implementatie van AI-software gaat nog niet zo snel. Er zijn nog weinig plug-and-play systemen. De koplopers zoals Google, Facebook en Amazon maken indrukwekkende stappen, maar het MKB is nog niet aangesloten. Het gaat nog niet zo snel als ik gehoopt had. Kijk bijvoorbeeld ook maar eens naar de gezondheidszorg. Daar liggen superveel kansen, maar we moeten ook rekening houden met privacy en AVG. En je moet data-deskundigen hebben. Mensen die data schoon kunnen maken en goed kunnen beoordelen. En je hebt ook mensen vanuit het werkveld nodig die AI snappen en een businesscase kunnen bedenken in hun werkveld. Het goed implementeren van AI is niet alleen een kwestie van technische innovatie, het is ook een kwestie van sociale innovatie: het ontwikkelen van nieuwe vaardigheden en van nieuwe vormen van samenwerking, zowel tussen mensen onderling als tussen AI en mensen.

Waar is de mens beter in en wat is voor AI software moeilijk?
Machines zijn slecht in causaal redeneren, abstraheren en generaliseren en ze hebben nog steeds geen enkel begrip van taal. Taal begrijpen is echt nog complex. Dat komt omdat wij als mens begrip hebben van de wereld. Als ik een glas laat vallen, weten jij en ik dat er scherven komen. Alledaagse dingen, daar snapt de machine niks van. Als ik jou vraag; ‘wat gebeurt er wanneer de maximumsnelheid naar 100 km/u gaat op de snelwegen’. Jij kan daar een antwoord op geven. Machines hebben geen idee. We moeten ze natuurkundige en psychologische modellen meegeven of zorgen dat ze die zelf leren ontwikkelen zoals kinderen dat doen.

Sociaal emotionele intelligentie
Machines zijn ook slecht in sociaal emotionele intelligentie en het begrijpen van wat andere mensen willen. Wanneer we met machines gaan samenwerken, moeten ze ook van ons weten: “wat weet de mens wel.. en wat niet”? Als mens zijn we daar bijzonder goed in. We weten ongeveer wat we aan andere mensen niet uitgelegd hoeft te worden; we veronderstellen bepaalde kennis als bekend.


Cross-domain learning
Als mens kunnen we ook heel goed onze kennis van het ene gebied gebruiken in een ander gebied. Als ik jarenlang handbal heb gespeeld, dan heb ik balgevoel en gaan squashen en pingpongen mij gemakkelijker af. ‘Cross-domain learning’.

Mensen zijn flexibel
Nog een voorbeeld: de Google Duplex, de bellende assistent die voor jou een restaurant kan bellen om een reservering te maken. Wanneer wij mensen een reservering kunnen maken bij een restaurant, dan moet het bellen van een bloemenzaak ook geen groot probleem zijn. Voor een machine is dat echt anders, dat generaliseert niet naar andere gebieden. Het is niet voor niets dat Duplex nog niet breed is uitgerold naar andere telefonische functies. Mensen zijn veel flexibeler.

Waar gaat AI in de toekomst heen? Wat kunnen we verwachten?
Ik denk richting hybride intelligentie: mens en machine die samenwerken en elkaars sterke kanten optimaal benutten. Een Nederlands onderzoeksproject heeft nu bijvoorbeeld een subsidie van 20 miljoen euro voor tien jaar gekregen om een AI-systeem te maken dat in 2030 medeauteur wordt van een wetenschappelijk artikel. Dat is enorm complex. Dan moet de machine kennis hebben over het domein, kunnen lezen, vragen van wetenschappers kunnen beantwoorden etc. Dit onderzoek is echt een “moonshot” waarin de belangrijkste AI-uitdagingen allemaal samenkomen. En wie weet, misschien gaat het AI-systeem wel nieuwe hypotheses bedenken.

Generative adversarial networks
Ook op het gebied van generatieve software verwacht ik veel. In de afgelopen jaren neemt de kwaliteit daarvan toe. Met generatieve software bedoel ik de verschillende soorten kunstmatig intelligente systemen die zelf content kunnen genereren zoals videobeelden, stemmen, foto’s en teksten. Met name vind ik de ontwikkeling van de ‘generative adversarial networks’ of GAN’s, interessant. Dat zijn systemen van twee netwerken die na training met een verzameling data in onderlinge competitie nieuwe data genereren van een verrassend hoge kwaliteit. Die technologie maakt grote stappen vooruit en geeft machines een vonk van verbeeldingskracht. Het is bijvoorbeeld in staat om kunst te maken. Maar onze emoties, waar bijvoorbeeld kunst vaak over gaat, snappen ze niet. Machines kunnen hun eigengemaakte kunst dus niet op emotie-niveau beoordelen.

Wat is de impact van AI op de toekomst van werk?
Laten we vooropstellen dat het rapport van jaren geleden dat AI-software 47% van onze banen gaat inpikken, niet solide is. Een baan bestaat uit veel verschillende taken. Sommige taken kun je makkelijk automatiseren, andere moeilijk. AI gaat delen van banen overnemen of veranderen. Maar het aantal banen dat volledig door AI wordt overgenomen zal eerder iets in de orde van 10% zijn dan 47%. Als advocaat kun je het zoeken naar jurisprudentie prima uitbesteden aan software, maar het schrijven van een verdedigingsverhaal, het verschijnen in een rechtszaal, het onderhandelen en het overleggen met collega’s; dat is echt mensenwerk. Iets soortgelijks geldt voor veel banen. Laten we tenslotte ook niet vergeten dat AI allerlei nieuwe banen mogelijk zal maken die we ons nu nog niet eens kunnen voorstellen.

Luister op Apple PodcastLuister op Spotify

Bedankt voor het luisteren!
Wil je mij helpen en deze podcast met Bennie Mols te delen op sociale media? Dat zou ik erg waarderen. Abonneer je gelijk op deze podcast voor je wekelijkse portie tech-diepgang. En laat alsjeblieft ook een 5 ster review achter op je favoriete podcastkanaal; dat helpt echt om de podcast verder te verspreiden.

Wil je reageren op de show? Heb je ideeën over een onderwerp of iets opgemerkt wat beter kan? Dat kan via Twitter @LTTFNL.

Dank! Met hartelijke groet, Jarno Duursma

Contact opnemen met Jarno

 

Bennie Mols is freelance wetenschapsjournalist, auteur en spreker, gespecialiseerd in kunstmatige intelligentie, robotica en het menselijk brein. Met deze zowel bèta- als alfa-achtergrond kan hij op een unieke manier aankijken tegen technologische en wetenschappelijke ontwikkelingen.

Lezing

Artificial Intelligence

1# Artificial Intelligence

De ontwikkelingen rondom kunstmatige intelligentie gaan razendsnel. Door ChatGPT ziet iedereen nu de mogelijke impact. Het is de meest belangrijke technologische trend van het komende decennium.

In deze lezing krijgt u een inspirerende blik op de ontwikkelingen op het gebied van kunstmatige intelligentie. Neem kennis van de voorbeelden, de voordelen en de mogelijke risico's. Hoog gewaardeerde lezing!

Meer informatie over deze lezing