Artikel
Geschreven door Mark Zwart
Posted on 02-12-2019

Kunstmatige intelligentie: uitleg voor beginners

43 keer gelezen

Bijna dagelijks koppen kranten met positieve berichten over kunstmatige intelligentie, ook wel artificial intelligence (AI). Zo ‘ontdekte’ de AI software SciNet onlangs dat de aarde om de zon draait en helpt AI bij het verbeteren van kankeronderzoek. Hoewel kunstmatige intelligentie dikwijls futuristische beelden oproept en men al snel refereert aan sciencefictionfilms, maken we in het dagelijks leven veelvuldig gebruik van AI. Denk aan spamfilters in uw mailbox, of aan de aanbevelingen bij Bol.com en Netflix. Ook wordt gezichtsherkenning steeds vaker ingezet en groeit het aantal picking-processen dat leunt op AI. Daarom is het niet ondenkbaar dat robots met een paar jaar uw boodschappen doen. Handig toch? Maar tegelijkertijd is kunstmatige intelligentie voor veel mensen nog een zwarte doos of ‘magie’. Hoe kunt u de ‘magie’ van AI gebruiken om uw bedrijfsbeslissingen te verbeteren? Hoe passen we het concreet toe en voor welke valkuilen moeten we onszelf behoeden? Daar staan we tijdens een drieluik artikelen en ons webinar bij stil. In dit eerste deel de basis: wat is kunstmatige intelligentie, welke soorten zijn er en hoe werken ze?

Wat is Kunstmatige Intelligentie (Artificial Intelligence)?

Artificial intelligence staat voor kunstmatige intelligentie. In tegenstelling tot de natuur, wordt de intelligentie ‘kunstmatig’ en dus door de mens gemaakt. Kunstmatige intelligentie is een overkoepelende manier van hoe je menselijk denken overzet in techniek. Net als een mens kan deze techniek redeneren, plannen, leren, een taal begrijpen en zichzelf corrigeren. Daarbij denken we al gauw aan robots, maar de robot is slechts de verpakking, kunstmatige intelligentie gaat om de inhoud. Het bepaalt wat de robot doet en welke beslissingen het maakt. Aangezien AI eigenlijk een verzamelnaam is voor het nabootsen van menselijk gedrag, verschijnt AI in de praktijk in verschillende vormen.

Vorm 1: Rule-based artificial intelligence

Rule-based AI is de oudste vorm van kunstmatige intelligentie en wordt nog steeds gebruikt. Rule-based kunstmatige intelligentie is gebaseerd op geprogrammeerde ‘als dit, dan dat’-instructies. Zo’n systeem leert zichzelf niet, maar vertoont wel intelligent gedrag door een analyse te maken van de omgeving en hier acties op te ondernemen. 

Een vaak toegepast voorbeeld is de ‘inferentiemachine’. Daarbij plaatst u aan de ene kant ‘if, then’ regels en aan de andere kant zit een database gekoppeld met feiten en gegevens. Dit klinkt vast wat technisch, daarom wat concrete toepassingen om rule-based AI duidelijker te maken:

  • Graydon Kredietlimiet: Bij de kredietlimiet koppelen we de financiële gegevens van een bedrijf aan het aantal werknemers en de rechtsvorm (‘als’). Dat leidt uiteindelijk tot een uitkomst, de limiet (‘dan’). 
  • Good old Eliza: Al in 1964 werd Elize ‘geboren’ bij het MIT, Artificial Intelligence Laboratory. Zij is eigenlijk de voorloper van onze huidige chatbots. Bots gebruiken woorden die wij mensen gebruiken, herkennen wat we tegen ze zeggen en plaatsen dit in bestaande zinsstructuren. Tegenwoordig zijn chatbots een stuk intelligenter, maar de techniek is vergelijkbaar met Elize. Dit is een voor van Rule-based AI, omdat de reacties voorgeprogrammeerd zijn. ‘Als’ de klant zus zegt, ‘dan’ reageert de bot zo. 

Vorm 2: Learning-based Artificial Intelligence

Grote doorbraken in ons huidige tijdperk komen door learning-based AI. Machine learning is gebaseerd op het detecteren en leren van patronen in data en leunt sterk op statistische wetenschap. In tegenstelling tot rule-based AI, waarbij machines alleen intelligent gedrag vertonen door het inprogrammeren van regels, geeft machine learning een computer de mogelijkheid om zelf regels te leren en de eigen prestaties te verbeteren. Daarbij zijn verschillende vormen van leren, die variëren van een strikte docent die veel voorkauwt, tot geen docent. 

Supervised learning: Bij deze vorm van kunstmatige intelligentie krijgt de computer verschillende voorbeelden te zien, waarbij de docent uitlegt wat het is. De computer leert zichzelf regels aan, aan de hand van deze voorbeelden. Is het leren klaar? Dan vormt de computer een model, op basis waarvan de computer nieuwe toevoer beoordeelt. De computer past eveneens de parameters van het model aan op basis van verkregen feedback. Even wat voorbeelden om dit te verduidelijken:

  • Google Captcha: ‘Captcha’ van Google is zo’n voorbeeld. Kent u de plaatjes van Google waarbij u moet verifiëren of er een kat of hond op de foto staat, of op welk deel van de foto u een verkeersbord ziet? U treedt dan even in de huid van een AI-docent. Niet alleen controleert het systeem namelijk of u correcte antwoorden geeft. Met de input van gebruikers, worden ook nieuwe plaatjes getest en wordt het systeem steeds slimmer.
  • Spam-filter: Ook achter de spam-filter van uw mailbox zit een model gebaseerd op supervised learning. Aan de hand van voorbeelden, herkent het systeem welke bedrijven niet behoren tot uw netwerk. Op basis van uw feedback (‘is geen spam’) wordt het systeem steeds beter in het filteren van spam.  
  • Graydon Scores: Ook de Graydon Scores, zoals de Graydon Kans op opheffing en de Graydon Groeiverwachting, maken gebruik van supervised learning. Op basis van financiële cijfers, bedrijfskenmerken en resultaten vanuit het verleden, worden de scores steeds slimmer in het bepalen van welke bedrijven gaan groeien of juist in de gevarenzone komen. 

Reinforcement learning: Bij deze vorm van machine learning is er wel sprake van een leraar, maar een andere leraar dan bij supervised learning. Waar bij supervised learning de leraar feedback geeft, krijgt de machine bij reinforcement learning enkel te horen of het antwoord goed of fout is. De computer moet dus eerst zelf antwoord geven. Is het goed? Dan krijgt de machine pluspunten. Is het fout? Dan krijgt het minpunten. Zo leert het systeem op basis van trial & error zichzelf verbeteringen aan. 

  • Genetisch algoritme: Een voorbeeld van reinforcement learning is het genetisch algoritme. Dit algoritme is erg gebaseerd op de evolutietheorie. Bij de mensheid kun je namelijk twee typen feedback krijgen: je overleeft, of je overleeft niet. Van een bepaalde populatie overleven de meest gezonde mensen. Die planten zich voort en ook daarvan overleven alleen de meest gezonden. De gedachte achter deze evolutietheorie is dat op deze wijze iedere generatie net een stukje beter wordt. Het algoritme zoekt bij iedere volgende generatie naar een betere oplossing/generatie en bouwt hierop voort. 

Unsupervised learning: Bij unsupervised is er geen leraar aanwezig. In tegenstelling tot de andere vormen wordt de computer gevoed met data, maar de uitkomsten worden niet expliciet onderverdeeld. Bij de andere vormen is er een ‘goed of fout’. Bij unsupervised moet de machine zelf nadenken, clusteren en uitkomsten vormen, waarbij de antwoorden dus niet vastliggen. Het heeft als het ware een interne temperatuurmeter om te analyseren of het de taak voldoende beheerst. Deze techniek kunnen bedrijven op veel verschillende manieren inzetten. Voorbeelden:

  • Associatief: Deze vorm wordt ingezet voor het leggen van associaties. Netflix gebruikt dit model bijvoorbeeld om te bepalen ‘als iemand deze film kijkt, welke kijkt iemand dan vaak nog meer?’. Uiteindelijk krijgen gebruikers suggesties op basis van deze resultaten. De uitkomst staat dus niet vast, het systeem leert zelf verbanden te leggen. 
  • Clusteren: Nog een Netflix-voorbeeld is het clusteren van gegevens met behulp van unsupervised learning. Daarbij leert de computer te clusteren ‘welke films lijken op elkaar?’, zodat ook hiermee de kijker de beste filmsuggesties krijgt. 
  • Outlier detectie: Bij deze vorm gaat de computer op zoek naar patronen en afwijkingen. Dit wordt bijvoorbeeld veel voor credit card fraude gebruikt. Het systeem wat ‘normaal’ credit card gedrag is van de gebruiker. Zodra er afwijkende patronen zijn - de gebruiker pint op een afwijkend tijdstip, op een andere plaats of een afwijkend bedrag - zal de computer hier melding van maken. 

Kunstmatige intelligentie voor uw bedrijf?

Nu u een beter beeld heeft van wat kunstmatige intelligentie is en welke vormen er bestaan, is de grote hamvraag natuurlijk: ‘Maar hoe pas ik kunstmatige intelligentie toe binnen mijn eigen bedrijf?’. Dat leest u in deel twee ‘Zo past u kunstmatige intelligentie toe in uw bedrijf’. In het laatste deel van dit drieluik vertel ik u graag meer over de valkuilen waar u voor op moet passen als u aan de slag gaat met kunstmatige intelligentie. Of bekijk het gratis webinar artificial intelligence.