Het IT-woord van 2018: artificial intelligence

Blokkeerfries, appongeluk, treitervlogger: allemaal begrippen die in de afgelopen drie jaar gekozen waren tot woord van het jaar. Maar als er een categorie IT-woord zou zijn, dan had Artificial Intelligence (AI) ongetwijfeld hoge ogen gegooid in 2018. Bedrijven laten maar wat graag zien dat ze met innovaties bezig zijn door vooral vaak genoeg de term AI in de mond te nemen. Net als bij ieder modewoord wordt het te pas en te onpas gebruikt en wordt het label AI ook op projecten of verhalen geplakt, die eigenlijk vallen onder machine learning of deep learning. 

Geschiedenis van artificial intelligence 

Maar wat is dan het verschil tussen machine learning, deep learning en AI? Tijd om in de geschiedenis van AI te duiken. De term ‘artificial intelligence’ werd bedacht door John McCarthy in 1955 voor een paper dat hij op dat moment schreef. Ondanks de introductie van de term, gaf hij er geen fixed definition voor. Het is dan ook niet gek dat de term op verschillende manieren wordt gebruikt.  

Hoewel de term dus al tijden bestaat en er al veel discussie is gevoerd over hoe de definitie luidt, zien we het echte gebruik van dit woord pas de laatste jaren opkomen. Dit kwam mede door de komst van de cloud. De beschikbaarheid van rekenkracht in de cloud was een belangrijke accelerator om nieuwe manieren van analyseren uit te voeren en interacties met machines mogelijk te maken. De komst van predictive analysis was hiermee een feit. In het begin van de 2010’s ontwikkelde het datascience-vak zich en kwam het begrip machine learning op. Hierbij kon er niet alleen geanalyseerd worden op basis van huidige en ‘oude’ data, maar kon er ook voorspeld worden. De machine leert weer van gedane voorspellingen en past hiermee zijn eigen modellen aan om in de toekomst nog accurater te zijn. 

De vervolgstap van machine learning is deep learning. Bij deep learning zijn algoritmes met een neutraal netwerk verbonden. Dit netwerk zou je bijna kunnen zien als een digitale set hersenen. Bij dit type analyses is er nog steeds sprake van de mens die de machine dingen moet ‘leren’. De mens voedt de machine een set vragen en antwoorden waarop deze kan trainen. Na deze leerfase is de machine in staat om zelfstandig de juiste output te genereren. De machine hoeft dan na een tijdje leren geen antwoorden meer ‘gevoed’ te krijgen. Een mooi voorbeeld hiervan is de Google assistant. De assistent kan wel een gesprek aangaan met de gebruiker en bijvoorbeeld een afspraak bij de kapper inplannen. Echter, hierop is de machine getraind. Alle vragen en antwoorden hebben al de revue gepasseerd voordat de assistent ook maar een echt gesprek heeft gevoerd. Wanneer het daadwerkelijk om AI zou gaan, zou de machine in staat zijn om proactieve gesprekken te voeren. Om zichzelf iets nieuws te leren of nieuwe verbanden te leggen. Om bijvoorbeeld aan te geven dat het gaat regenen en het slim is om een paraplu mee te nemen, zodat de knipbeurt niet verpest wordt.  

2019 het jaar van AI? 

Er is dus nog een stap te maken voor we daadwerkelijk over artificial intelligence kunnen spreken. Van bijna alle bedrijven die zeggen iets met AI te doen, is de helft met machine learning bezig en is de andere helft net begonnen met deep learning. Slechts enkele bedrijven zijn al echt met AI bezig. Het verschil tussen machine learning, deep learning en AI is dus of je vooraf algoritmes invoert in een systeem om deze met een dataset op weg te helpen. Of dat het systeem zelf in staat is om creatief en proactief te zijn.  

Een afsluitend voorbeeld van de stappen die ontbreken om werkelijk over AI te kunnen spreken: AlphaGo. Dit is de computer van Google die het spel GO leerde spelen op basis van ingevoerde data uit duizenden speelsessies en toen de wereldkampioen in dit spel versloeg. De computer paste hiervoor machine learning toe en niet artificial intelligence zoals veel mensen denken. Een systeem met AI zou uit zichzelf, proactief GO kunnen leren. Maar AlphaGO moest met algoritmes op weg worden geholpen. Dus deep learning in combinatie met geavanceerde en zeer complexe search algoritmes wordt hedendaags al snel als AI wordt gepositioneerd. Waarbij ik wel moet zeggen dat dit tot op heden ook het dichtstbij AI komt zoals we dat kennen uit de films.   

Op het vlak van AI en andere buzzwords moeten we soms wel wat op de rem trappen en blijven bij de praktische toepasbaarheid. Wat is haalbaar? Wat zijn de kosten? En wat krijgen we daarvoor terug? Wees realistisch.      

Auteur: Fouad Allabari, Managing Director bij HSO Analytics