Kunstmatige intelligentie (Artificial Intelligence of AI) staat op het punt om de manier waarop we leven en werken te transformeren. De blogreeks AI voor bedrijven is bedoeld om zakelijke en IT-leiders de tools en inzichten te bieden die ze nodig hebben om slimmere besluiten over AI te nemen.
Sciencefictionschrijver Arthur C. Clarke schreef de wereldberoemde wet “Elke voldoende geavanceerde technologie is niet te onderscheiden van magie”. Weinig nieuwe technologieën hebben dit gezegde beter weten te demonstreren dan generatieve AI-programma’s zoals DALL-E en ChatGPT. En ze kunnen niet alleen origineel werk ogenschijnlijk uit het niets ‘creëren’. Er wordt verwacht dat AI-tools in de nabije toekomst hele bedrijfstakken op hun kop zullen zetten. Zakelijke leiders kunnen dit onderwerp dus niet negeren.
Maar net zoals bij eerdere hippe fenomenen (rust zacht Metaverse, we hebben je maar kort mogen kennen) brengt de discussie rondom AI een enorme hypemet zich mee, waardoor het moeilijk is onderscheid te maken tussen echte transformatie en gebakken lucht.
In dit artikel willen we duidelijkheid scheppen over AI en een basisbegrip van deze technologie neerzetten waarmee zakelijke leiders feiten van fabels kunnen onderscheiden. Hiervoor hebben we de hulp ingeschakeld van Michael Littman, auteur en hoogleraar computerwetenschap aan Brown University, en directeur van de afdeling Informatie- en intelligente systemen van de Amerikaanse National Science Foundation. Zijn boek Code to Joy: Why Everyone Should Learn a Little Programming kwam uit in de herfst van 2023.
Littman zegt dat je moet onthouden dat AI een geweldig hulpmiddel is, maar een slechte oplossing is voor zakelijke problemen. “Je baan gaat niet echt veel makkelijker worden. Maar je komt er wel verder mee, want je werkt met een krachtig hulpmiddel. Ik denk dat velen dat vergeten. Ze denken: deze machines zijn slim. We geven het werk aan hen en dan doen zij het wel. Maar dat is op dit moment nog niet het bewezen geval.”
De vele lagen van AI
Het eerste obstakel bij het begrijpen van kunstmatige intelligentie is de naam zelf. ‘Intelligentie’ is een beladen woord, aangezien het een eigenschap is die voornamelijk met bewustzijn en mensen wordt geassocieerd. Maar iedereen met een beetje verstand van geschiedenis of reality-tv kan bevestigen dat ‘intelligente levensvormen’ niet altijd slimme producten produceren. Daarom is het handig om als startpunt een paar belangrijke AI-begrippen te definiëren:
- Intelligentie: In het kader van AI definieert Stanford University intelligentie als “de mogelijkheid om te leren en de juiste technieken toe te passen die passend zijn in de context van een onzekere en veranderlijke omgeving om problemen op te lossen en doelen te bereiken”. Deze mogelijkheid om te leren en zich aan te passen aan veranderende omstandigheden onderscheidt intelligente systemen van zelfs de meest complexe machines.
- Kunstmatige intelligentie (AI): Het begrip kunstmatige intelligentie vindt zijn oorsprong in de jaren 1950 en wordt door IBM gedefinieerd als “een veld dat computerwetenschap en robuuste dataverzamelingen combineert om probleemoplossing mogelijk te maken”. Hoewel AI vaak wordt neergezet als één uniforme technologie, kun je AI beter zien als een breed veld dat bestaat uit deelonderwerpen, zoals computer vision of natuurlijke taalverwerking, die zich richten op het ontwikkelen van één stukje van de grotere intelligentiepuzzel.
- Machinaal leren (ML): Machinaal leren is een onderdeel van AI dat zich richt op het gebruiken van data en ervaring om programma’s te laten ‘leren’ en zichzelf te laten verbeteren op basis van eerdere resultaten. ML en het deelonderwerp diep leren (Deep Learning) zijn gebaseerd op onder meer computerwetenschap, statistiek, psychologie en neurowetenschap om een brede variëteit aan leermodellen te bouwen die in meerdere deelonderwerpen van AI worden gebruikt.
- Generatieve AI: Generatieve AI-programma’s, zoals ChatGPT en Midjourney, zijn de drijvende kracht achter de huidige AI-hype en gebruiken Deep Learning-modellen en enorme hoeveelheden trainingsdata om inhoud te genereren volgens prompts van gebruikers.
Achter de schermen van AI
Naast de verwarring rondom het taalgebruik heeft de recente vooruitgang op het gebied van generatieve AI de grens tussen computeroutput en creatieve expressie vervaagd. Hoe wordt die foto van een breakdancewedstrijd tussen een yeti en een Amerikaanse president precies gemaakt?
Het volledige antwoord op die vraag is nogal ingewikkeld, maar je hebt geen technisch diploma nodig om te snappen welke voordelen AI kan hebben voor je organisatie. Zelfs als je, zoals de meeste gebruikers, AI vooral als toepassing of in de rol van eindgebruiker gebruikt, is het nog steeds nuttig om enkele basiselementen van het maken van AI-modellen te begrijpen, samen met de mogelijke gevolgen voor jou en je bedrijf:
- Enorme hoeveelheden data: Zoals je misschien wel had verwacht, vereist het maken van een AI-model enorme hoeveelheden data. Waar die data vandaan komt en hoe deze wordt gebruikt, kan verstrekkende gevolgen hebben, zoals problemen met copyright en de bevestiging van de vooroordelen waarmee de maatschappij al langer worstelt. De AI-tools die je in je organisatie implementeert hebben mogelijk toegang tot de gevoeligste gegevens van je bedrijf en klanten. Zorg er dus voor dat je deze data kunt beveiligen wanneer je de opties afweegt.
- Rekenkracht: Om de juiste voorspellingen te doen, moeten tools op basis van AI worden getraind met een groot aantal voorbeelden. Kunstmatige intelligentie, en andere moderne technologie, wordt mogelijk gemaakt door de exponentiële groei aan verwerkingskracht en efficiëntie die in de afgelopen decennia heeft plaatsgevonden. Voor bepaalde zakelijke toepassingen kan AI echter een grote kostenpost worden, vooral als het grootschalig wordt ingezet. De milieu-impact van de hoeveelheid rekenkracht die deze tools vereisen, is ook een belangrijke kwestie.
- Patroonherkenning: Veel werk op het gebied van AI is geïnspireerd op patroonherkenning, iets waarin mensen uitblinken. Computers kunnen in weinig tijd meer data verwerken dan een mens gedurende een heel leven, maar tenzij ze zeer precies geprogrammeerd zijn, is het extreem moeilijk om deze patronen te generaliseren met de efficiëntie van een mens. Sterker nog, deelvelden van AI, zoals beeldherkenning en natuurlijke taalverwerking, tonen aan dat zelfs de simpelste menselijke handelingen verbazingwekkend complexe patroonherkenning vereisen. AI-tools kunnen bouwen op grote hoeveelheden data om patronen te herkennen en links te leggen die waardevolle en innovatieve inzichten kunnen bieden in hoe jij zakendoet. Onthoud echter wel dat, zoals bij alle statistische analyse, een verband niet altijd wijst op oorzaak en gevolg. Ga er dus niet van uit dat ieder verband dat je vindt iets betekent.
- Voorspellingen: Een goede tool voor voorspellingen biedt je de mogelijkheid om een systeem te optimaliseren met variabelen waarvan je eerder niet op de hoogte was. Voorspellende analyses worden overal gebruikt, van de gezondheidszorg tot de horeca, om gegevens te analyseren en toekomstige resultaten te voorspellen. Dit helpt bedrijven om strategieën op te stellen voor allerlei verschillende ontwikkelingen. Deze gegevens moeten bij het maken van grote zakelijke beslissingen echter worden gezien als een extra advies en niet als een absolute waarheid.
- Optimalisatie: Tools op basis van AI zetten een scala aan machinale leermodellen in om de kwaliteit van de voorspellingen op basis van ervaring en aanvullende data te verbeteren. De mogelijkheid om aan te passen en te verbeteren kan grote voordelen hebben, maar ML is niet altijd de beste tool voor elke taak, dus let op bij het implementeren van AI-oplossingen en het interpreteren en communiceren van resultaten.
- Begrenzingen: Het is niet eenvoudig om een AI-model bouwen dat elke voorstelbare afbeelding kan genereren, maar het is mogelijk nog lastiger om te definiëren wat een model zeker niet mag maken, al wordt erom gevraagd, vanwege morele, ethische of juridische bezwaren. Garanderen dat AI-tools geschikt zijn voor eindgebruikers vereist verrassend veel menselijk toezicht. Ook waarschuwen steeds meer wetgevers en branche-experts voor de risico’s van ongereguleerde AI. Vergeet bij het implementeren van AI in je organisatie dus niet dat constant menselijk toezicht nodig is.
Van theorie naar praktijk
Aangezien AI waarschijnlijk een dominante rol gaat spelen in de toekomst van zakendoen, kan het begrijpen van deze basis zakelijke leiders helpen om slimmere keuzes te maken wanneer het aankomt op kunstmatige intelligentie. Littman zegt dat het belangrijk is om niet alles zelf te willen doen bij gebruik van deze systemen. “Ga niet zomaar wat aanrommelen, want we beginnen nu echte informatie te krijgen over wat een verschil maakt wanneer je deze technologie inzet.” Volgens Littman is het Kader voor AI-risicobeheer (AI RMF) van het National Institute for Standards and Technology een handig beginpunt.
Binnenkort: meer artikelen in GoTo’s blogreeks AI voor bedrijven, waarin we verder bouwen op deze basiskennis over AI en zakelijke leiders uitleggen wat ze kunnen doen om de concurrentie een stap voor te blijven.
