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. De twee soorten kunstmatige intelligentie zijn rule-based en learning-based AI. Daarover leest u hieronder meer.
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.
Een ander voorbeeld is good old Eliza. Al in 1964 werd Eliza ‘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 Eliza. Dit is een vorm van Rule-based AI, omdat de reacties voorgeprogrammeerd zijn. ‘Als’ de klant zus zegt, ‘dan’ reageert de bot zo.
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.
Er zijn drie vormen binnen learning-based AI, die ieder besproken zullen worden:
1. 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.
‘Captcha’ van Google is hier een voorbeeld van. 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.
Een ander populair voorbeeld is natuurlijk de welbekende ChatGPT. ChatGPT maakt deels gebruik van supervised learning en deels van unsupervised learning. Voor supervised learning wordt deze AI tool getraind op een grote dataset van door mensen gegenereerde tekst, zoals dialooggegevens of online conversaties. Hierdoor kan ChatGPT de structuur en stijl van natuurlijke taal leren.
2. 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.
Een voorbeeld van reinforcement learning is het genetisch algoritme. Dit algoritme is erg gebaseerd op de evolutietheorie. Bij de mensheid kun je namelijk twee type 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.
3. 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 unsupervised learning 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 hiervan zijn:
Doordat steeds meer bedrijven een AI-first strategie hanteren, wordt het voor de rest van het bedrijfsleven belangrijk om niet achter te raken. Middels kunstmatige intelligentie kunnen bedrijven hun klanten namelijk instant service en gepersonaliseerde oplossingen bieden en bovendien hun winst maximaliseren. Nu zowel grotere bedrijven als innovatieve start-ups zich bezighouden met AI, wordt deze technologie gelukkig steeds toegankelijker en betaalbaarder. Ook voor uw bedrijf. Wat voor toepassingen van kunstmatige intelligentie kunnen interessant zijn voor uw bedrijf? We kunnen ze indelen in repeterende taken, data-analyse en vraagstukken oplossen.
Repeterende taken
Een groot voordeel van kunstmatige intelligentie is dat het ons 24 uur per dag repeterende werkzaamheden uit handen kan nemen, zodat wij meer tijd hebben voor complexere zaken. AI heeft bovendien geen pauze nodig en ligt ook niet met koorts op bed, waardoor de prestaties veel constanter zijn. Zo kunnen robots bijvoorbeeld worden ingezet voor pickingsprocessen of het uitvoeren van handelingen in productieprocessen.
Doordat AI ook data kan analyseren, kan het bovendien werkprocessen versnellen en verbeteren.
Data-analyse
Door de digitalisering en alle data-sporen die mensen achterlaten, wordt het steeds belangrijker om inzichten te verkrijgen uit al deze data. Middels het toepassen van bijvoorbeeld machine learning technieken, kan AI bedrijven helpen om snel en nauwkeurig grote hoeveelheden data te analyseren en hier lering uit te halen.
Zo wordt data-analyse door middel van AI bijvoorbeeld ingezet bij het verbeteren van diagnoses in de gezondheidszorg, het herkennen van patronen in creditcardfraude en het analyseren van klantgedrag voor marketingdoeleinden.
Ook voor riskmanagement kan AI een goed hulpmiddel zijn. AI maakt betere voorspellende modellen voor prognoses mogelijk, en het identificeren van ideale klantprofielen. Dankzij AI krijgt u diepere analyses en inzichten uit de gegevens, zodat u uw klanten en hun financiële sterktes, zwaktes en betalingsgedrag goed kunt begrijpen.
Vraagstukken oplossen
En als laatst wordt kunstmatige intelligentie bij bedrijven ingezet om moeilijke vraagstukken te beantwoorden. Deze laatste AI toepassingen zien we nog het minste gebeuren in de praktijk. Er wordt volop mee geëxperimenteerd in de wetenschap. Ook de politie wil er zijn voordeel mee doen, en heeft in 2019 een AI team aangesteld dat middels kunstmatige intelligentie onder andere cold cases moet gaan oplossen. Door het voeden van data hoopt de politie dat de AI-tool patronen zal herkennen en zo objectief zaken kan prioriteren op basis van forensische opsporingskansen.