Bijna iedereen heeft vandaag de dag wel kunstmatige intelligentie te maken. Of je nu een aanbevolen video kijkt op YouTube of gebruik maakt van ChatGPT voor het schrijven van een e-mail, kunstmatige intelligentie is overal. Ook bij Data Science Partners gebruiken we kunstmatige intelligentie zelf en bij klanten. Maar wat is het, en hoe werkt het? In deze blogpost geven we een eenvoudige uitleg en staan stil bij enkele praktijktoepassingen.
1. Wat is kunstmatige intelligentie?
Bij kunstmatige intelligentie wordt een computer van ervaring voorzien om taken uit te voeren waarvoor normaal gespoken menselijk denkvermogen nodig is. De Engelse term voor Kunstmatige intelligentie is Artificial Intelligence: AI. Denk aan ChatGPT dat bijvoorbeeld in staat is om een samenvatting te schrijven van een tekst. Maar er zijn tal van diverse voorbeelden.
Een verpakkingsrobot die zichzelf aan kan passen aan producten van allerlei verschillende afmetingen, kan ook een vorm van kunstmatige intelligentie zijn.
Een computer kan zo taken uitvoeren, zonder hiervoor precies te zijn geprogrammeerd. Dit merkt je bijvoorbeeld ook wanneer je aan ChatGPT dezelfde vraag opnieuw stelt: je krijgt meestal een ander antwoord.
De intelligentie is vastgelegd in een model. Dat model heeft in grote datasets patronen ontdekt, en deze patronen zijn vastgelegd in de zogeheten parameters van het model. Het proces van patroonherkenning wordt trainen genoemd. Over het algemeen geldt dat een model dat meer parameters bevat, complexere patronen heeft kunnen ontdekken, waardoor complexere vraagstukken kunnen worden verwerkt. Een model werkt met behulp van een algoritme, wiskundige formulies en statistiek.
2. De geschiedenis van kunstmatige intelligentie
Tijdens de historie van de mens is er altijd de zoektocht geweest om taken makkelijker en beter te kunnen uitvoeren. Dat heeft tot allerlei technologische ontwikkelingen geleid. Zo kwam er vanaf de jaren jaren 50 en 60 van de vorige eeuw de computer: een elektronisch apparaat waarmee gegevens kunnen worden opgeslagen en verwerkt, en waarmee taken kunnen worden uitgevord.
Computers werken door middel van geprogrammeerde instructies: code. Ze kwamen op in de jaren 50 en 60, en worden sindsdien doorlopend verbeterd. Vanaf de jaren 80 kunnen we in Nederland gebruik maken van het internet, wat in de jaren 90 tot de eeuwwisseling pas echt opkwam. In die tijd werden er de eerste simpele modellen ontwikkeld voor bijvoorbeeld e-mail-spamfilters, waarbij je van kunstmatige intelligentie kunt spreken.
Door onder andere betere computers met meer rekenkracht konden er complexere modellen ontwikkeld worden en namen de mogelijkheden voor kunstmatige intelligentie met de tijd toe. Webshops gingen gebruik maken van kunstmatige intelligentie om klanten producten aan te bevelen, zoekmachines zoals Google zetten het in om de beste resultaten te tonen, en bijvoorbeeld het KNMI ging het toepassen voor betere weersvoorspellingen. Daarbij zijn naast betere computers ook nieuwe en beter typen modellen ontwikkeld.
De afgelopen jaren vindt er veel ontwikkeling plaats op het gebied van generative AI. Bij dit type kunstmatige intelligentie wordt er op basis van een opdracht een uitkomst gegenereerd. Bijvoorbeeld ChatGPT die voor jou op basis van een opdracht een persoonlijk trainingsschema opstelt.
3. Verschillende soorten kunstmatige intelligentie
AI is een breed vakgebied met veel verschillende toepassingen. We kunnen het indelen in verschillende verdiepende categorieën, afhankelijk van de techniek en de mogelijkheden.
3.1. Machine learning
AI werkt door middel van algoritmes die patronen herkennen in data. Dit door het proces van het trainen van een algoritme op data, waarbij een model ontstaat waarin de ontdekte partronen zijn vastgelegd. Hierbij wordt over het algemeen gebruik gemaakt van “machine learning”.
Machine learning kan op verschillende manieren werken:
Supervised learning (leren onder begeleiding):
Hierbij krijgt een algoritme vooraf gelabelde data (bijvoorbeeld een dataset met afbeeldingen van verschillende soorten fruit, waarvan het type fruit van iedere afbeelding bekend is) en leert het op basis daarvan onderscheid te maken tussen verschillende categorieën of labels.Unsupervised learning (leren zonder begeleiding):
Hierbij krijgt een algoritme, anders dan bij supervised learning, data zonder labels en moet het volledig zelf eventuele patronen ontdekken. Vandaar de term "unsupervised". Dit kan bijvoorbeeld gebruikt worden om groepen te identificeren in een dataset zonder vooraf te weten wat die groepen zijn, zoals verschillende soorten klanten in een webshop.Reinforcement learning (leren met beloning):
Dit is een type machine learning waarbij een algoritme leert door middel van beloningen en straffen. Denk bijvoorbeeld algoritme dat leert schaken en daarbij steeds beter wordt naarmate het fouten maakt en daarvan leert.
Er zijn ook combinaties van deze 3 manieren mogelijk. Bijvoorbeeld ChatGPT is een combinatie van supervised- en unsupervised learning. Met unsupervised learning leert het model algemene patronen te herkennen in tekst, met supervised learning leert het specifieke domeinkennis.
3.2. Klassieke machine learning
Klassieke machine learning is de subset van algoritmes die relatief eenvoudig zijn, en al wat langer bestaan. Een voorbeeld hiervan is lineaire regressie, een statistische methode om een numerieke waarde te voorspellen.
Klassieke machine learning wordt vaak gebruikt bij de volgende taken:
Regressie: het voorspellen van een numerieke waarde. Bijvoorbeeld een model dat de huizenprijs op basis van eigenschappen van het huis kan voorspellen.
Classificatie: het voorspellen van een categorie. Bijvoorbeeld een model dat e-mails kan labelen als spam.
3.3. Deep learning
Deep learning wordt gebruikt voor complexe vraagstukken, en maakt gebruik van neurale netwerken (neural networks). Een neuraal netwerk is een type algoritme dat is gebaseerd op de werking van het menselijk brein. Het bestaat uit verschillende lagen van met elkaar verbonden knooppunten. Daarbij heeft ieder knooppunt specifieke parameters. Door veel lagen met veel knooppunten kunnen complexe patronen worden herkend en vastgelegd.
3.4. Generative AI
Generative AI is binnen deep learning een type kunstmatige intelligentie waarmee op basis van prompts nieuwe content kan worden gegenereerd. Denk aan ChatGPT wat je vragen kan betantwoorden, of DALL·E waarmee je met een opdracht een afbeelding kan maken. Hier lees je meer over hoe ChatGPT werkt en hier lees je meer over hoe je met de ChatGPT API werkt.
Vandaag de dag vinden er veel innovaties plaats omtrent generative AI. Er komen steeds betere modellen, die steeds gemakkelijker te gebruiken zijn.
Ook interessant: LLMs vs Generative AI
4. Voorbeelden van toepassingen van kunstmatige intelligentie
AI wordt in bijna alle sectoren in toenemende mate gebruikt. Hier zijn enkele voorbeelden van hoe het vandaag de dag wordt ingezet:
Gezondheidszorg: AI kan bijvoorbeeld helpen bij het analyseren van medische gegevens of het doen van gepersonaliseerde voorstellen voor behandelingen. Bijvoorbeeld Philips past AI toe in hun CT-scan-apparatuur om tot betere resultaten te kunnen komen. Vanuit Data Science Partners hebben we AI bij klanten in deze sector bijvoorbeeld ingezet om grote hoeveelheden gespreksverslagen te clusteren in verschillende categorieën.
Logistiek: Met behulp van verschillende databronnen en veel historische data kan AI worden ingezet om onder andere levertijden van bestellingen te voorspellen. Vanuit Data Science Partners hebben we AI bij klanten in deze sector bijvoorbeeld ingezet om risico's op te late leveringen te voorspellen.
Klantenservice: Veel bedrijven gebruiken steeds slimmere AI-chatbots op hun websites. Deze chatbots kunnen bijvoorbeeld vragen beantwoorden over producten en bestellingen. Denk bijvoorbeeld aan een chatbot van PostNL waaraan je vragen kunt stellen over een pakket.
Maakindustrie: Door gebruik te maken van onderhoud en storingen kan AI worden gebruikt om nieuwe storingen te voorspellen, en om de beste momenten voor onderhoud aan machines te voorspellen. Vanuit Data Science Partners hebben we AI bij klanten in deze sector bijvoorbeeld ingezet om het aantal verstoringen te verminderen met predictive maintenance.
Financiële sector: AI wordt gebruikt om fraude op te sporen, beleggingsstrategieën te optimaliseren, en financiële risico's te analyseren. Rabobank bijvoorbeeld gebruikt AI om klanten in hun app te informeren over verwachte betalingen.
5. Een blik op de toekomst
De afgelopen jaren zijn de ontwikkelingen van AI in een stroomversnelling geraakt. Bijvoorbeeld OpenAI, het bedrijf achter onder andere ChatGPT, heeft ieder jaar een of meerdere nieuwe modellen op de markt gebracht. Daarnaast zijn er veel nieuwe bedrijven gestart die iets met AI doen. Deze trend zal zich de komende jaren hoogstwaarschijnlijk voortzetten. Daarnaast worden er steeds complexere modellen ontwikkeld, die meer parameters bevatten waardoor er nog complexere taken kunnen worden uitgevoerd, en de kwalteit van antwoorden verder zal verbeteren. Zo zullen er bijvoorbeeld steeds betere video's met AI gemaakt kunnen worden, en zullen er toepassingen bedacht worden die nu nog niet in het zicht zijn.
Hoewel AI enorme kansen biedt, brengt het ook uitdagingen met zich mee. Ethische kwesties zoals privacy en bias (vooringenomenheid) zijn belangrijke punten van aandacht. Onder andere hiervoor is er regelgeving voor ontwikkeld, zoals de AI Act in Europa. Er zal een continue balancering zijn tussen technische mogelijkheden in wetgeving. Dit merk je bijvoorbeeld aan dat Apple hun Apple AI vanwege regelgeving (nog) niet uitrolt in Europa.
Conclusie
Kunstmatige intelligentie is een krachtig hulpmiddel voor allerlei taken, wat de afgelopen jaren voor veel veranderingen heeft gezorgd. Van relatief simpele modellen voor een e-mail spamfilter tot het maken van kunst met generative AI: er zijn heel veel mogelijkheden. De komende jaren zullen er nog betere modellen ontwikkeld worden waarmee nog meer mogelijk wordt. Regelgeving op het gebied van AI zal zich ook blijven ontwikkelen.
Wil je allround AI expert worden?
Tijdens onze AI Opleiding leer je het hele AI spectrum kennen; van klassieke machine learning modellen tot generative AI met o.a. ChatGPT. Je leert programmeren in Python zodat je op uiteenlopende vlakken aan de slag kunt met AI.
Rik is data scientist en marketeer bij Data Science Partners. Vanuit zijn achtergrond op de Technische Universiteit Eindhoven heeft hij veel affiniteit met data. Na zijn studie heeft hij als consultant altijd met data gewerkt en tevens ervaring opgedaan in het geven van trainingen.
