Met deze 5 termen kan je meepraten over Artificiële Intelligentie

Artificiële intelligentie (AI) is alomtegenwoordig. Toepassingen volgen elkaar in sneltempo op en het gebruik van AI in onze jobs en dagelijkse leven raakt steeds meer ingeburgerd. Toch blijft het een complex verhaal.

Om wat extra helderheid te brengen in de stroom aan nieuwsberichten over AI vroegen we Joni Dambre en Tony Belpaeme, beide van IDLab (Faculteit Ingenieurswetenschappen en Architectuur) om enkele belangrijke termen uit te leggen.

Machine Learning

Als we het vandaag over AI hebben, bedoelen we vaak machine learning: machines die zelfstandig kunnen ‘leren’. Via machine learning leren computersystemen patronen ontdekken, voorspellingen doen, beslissingen nemen of specifieke taken uitvoeren. Naarmate ze meer gegevens verwerken, leren ze zichzelf beter te presteren en bereiken ze kunstmatige intelligentie. Machine learning is dus een subdomein van AI.

Algoritme

Machine learning werkt onder andere met leeralgoritmes, die ervoor zorgen dat het systeem leert van voorbeelden. Op basis van die voorbeelden leert het leeralgoritme patronen te herkennen. De kunst is om dat zo te doen dat wat het model leert óók van toepassing is op ongeziene data.

Na de trainingsfase wordt het model getest met ongeziene data of testdata. Die moeten onafhankelijk zijn van de voorbeelddata, en mogen dus op geen enkele manier gebruikt worden om het model te trainen. Bijvoorbeeld: je wil dat het systeem een hond herkent. Dan geef je het veel foto’s, en vertel je welke honden zijn en welke niet (voorbeelddata). De computer merkt op dat een hond vier poten heeft, een snuit en oren (patronen), en leert zo zelf honden herkennen op nieuwe foto’s (testdata).

Generatieve AI

Generatieve AI is een leermodel dat ruwe gegevens kan verwerken, en dat leert om statistisch waarschijnlijke resultaten te genereren op basis van de input die het model ontvangt. ChatGPT werkt volgens een generatief model op een hoog niveau: de chatbot is gevoed door grote hoeveelheden tekst. Aan de hand daarvan voorspelt het systeem welke woorden op elkaar volgen in een tekst. Vraag je om de zin ‘De prinses woont in een’ aan te vullen, dan suggereert ChatGPT ‘kasteel’, en dat op basis van statistische waarschijnlijkheid.

Bias

De voorbeelddataset van AI-modellen moet voldoende groot zijn én representatief voor de ongeziene data. Dat betekent dat alle mogelijke variaties uit de ongeziene data voldoende moeten voorkomen in de voorbeelddata. Is dat niet zo, dan is er sprake van bias. Het gevolg is dat het model slechter presteert voor de situaties die ondervertegenwoordigd zijn. Denk maar aan bepaalde apps die huidkanker helpen opsporen: omdat de voorbeelddataset te weinig beelden bevat van mensen met een donkere huidskleur, zijn die apps voor hen helemaal niet betrouwbaar.

AI-winter

Er mag nu dan wel sprake zijn van een AI-revolutie, toch gaat er al een hele voorgeschiedenis aan vooraf. De eerste stappen werden al een kleine eeuw geleden gezet. Maar na iedere periode van vooruitgang lijkt er een terugval te zijn, vaak door niet-ingeloste verwachtingen. Die periodes noemen we AI-winters, waarbij de aandacht voor AI weer naar de achtergrond verdwijnt. Of er ook nu weer zo’n winter aankomt, valt nog af te wachten.