Kunstmatige intelligentie: uitleg voor beginners

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.

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:

• GraydonCreditsafe Kredietlimiet: Bij 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 vorm van Rule-based AI, omdat de reacties voorgeprogrammeerd zijn. ‘Als’ de klant zus zegt, ‘dan’ reageert de bot zo. 

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.  
• GraydonCreditsafe Scores: Ook de GraydonCreditsafe Scores 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. 

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 weet 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.