Publicatie:Artificiële intelligentie en machine learning
Onder de noemer van artificiële intelligentie vallen heel wat verschillende deelgebieden die tot een waaier van toepassingen leiden. Denk bijvoorbeeld aan beeldherkenning, geluidsherkenning of tekstherkenning, maar ook aan robots. In dit artikel pleit Bart Magnus om het menselijke aspect niet uit het oog te verliezen.
| Titel |
Artificiële intelligentie en machine learning (Voorkeurstitel) |
| Locatie | META nummer 2019/9 |
| Uitgever | |
| Jaar van uitgave | 2019 |
| Rechten | CC-BY-SA |
| Persistent ID |
Auteur
Bart Magnus (PACKED vzw / VIAA)
Artificiële intelligentie en machine learning
Verontwaardiging alom afgelopen zomer toen aan het licht kwam dat medewerkers van Apple ook effectief naar de opnames luisteren die Siri, de virtuele assistent van Apple, registreert. We vergeten soms dat Siri geen buitenaards wezen met bijzondere eigenschappen is, maar een machine die door mensen getraind wordt. Die menselijke training is noodzakelijk om de machine te verbeteren, zodat ze uiteindelijk beter/efficiënter/sneller wordt dan mensen in het herkennen van beeld of geluid. Artificiële intelligentie (AI) is ‘hot’, maar in deze context dus een vlag die niet helemaal de lading dekt, of op z’n minst een aantal ongelukkige connotaties oproept. Dat Apple niet transparant was tegenover zijn klanten, is uiteraard niet ok, maar de verbolgen reacties van de vele mensen die er schijnbaar (impliciet) van uitgingen dat dit soort producten alsmaar beter kan worden zonder menselijke interventie, maakt duidelijk dat een goed begrip van het concept nog geen gemeengoed is. AI – of dus misschien beter machine learning - is geen magie. Het is een uiterst droge kwestie van eentjes en nulletjes, pure wiskunde in een hip jasje.
Onder de noemer van artificiële intelligentie vallen heel wat verschillende deelgebieden die tot een waaier van toepassingen leiden. Denk bijvoorbeeld aan beeldherkenning (gezichten, locaties, concepten,…), geluidsherkenning (toepassingen in muziek, toepassingen met spraakherkenning zoals Siri) of tekstherkenning (OCR, named-entity recognition,…), maar ook aan robots (bv. in industriële en medische toepassingen of in zelfrijdende auto’s).
(N)iets voor ons?
Binnen de informatiesector is machine learning in het bijzonder interessant om metadata te verrijken en collecties beter doorzoekbaar en dus vindbaar en bruikbaar te maken. We hebben het dan in eerste instantie over machine learning voor beeld-, geluids- en tekstherkenning en minder over robotica.
Wanneer je toepassingen die gebruik maken van machine learning combineert met linked (open) data, opent zich bovendien een nieuwe waaier aan mogelijkheden. Succesvol herkende concepten of locaties krijgen dan immers een rijke en meertalige context.
Ook biedt machine learning interessante mogelijkheden om met je collectie op een andere manier (andere) mensen te bereiken. Denk bijvoorbeeld aan onderzoeksmatige toepassingen: plantkundigen die op zoek gaan naar de planten die afgebeeld staan op schilderijen, musicologen die op zoek zijn naar historische afbeeldingen van instrumenten, foto’s of audiovisueel materiaal dat na geolokalisatie kan gebruikt worden in toepassingen die het publiek meenemen doorheen de geschiedenis van een bepaalde plaats,... Deze voorbeelden zijn geen toekomstmuziek, ze worden vandaag gerealiseerd.
Welke machine? En wie instrueert ze?
Machine learning maakt gebruik van algoritmes en statistische modellen. Die stellen de machine in staat om autonoom een taak uit te voeren. Hoe beter de achterliggende algoritmes en modellen, hoe preciezer de machine de taak zal uitvoeren. De technologie is niet neutraal, laat staan kunstmatig (“artificial”). Het zijn mensen die de technologie aansturen en zij zijn ook niet neutraal. De trainingsdata – die machines in grote getale nodig hebben om te kunnen leren – zijn evenmin neutraal, omdat ze het resultaat zijn van wat mensen beslist hebben bij te houden. In computers krijg je meer geheugen en een grotere rekensnelheid dan in mensen, maar ze zijn op zichzelf niet kunstmatig intelligent. Machines zijn vandaag niet in staat om menselijke denkfouten, vooringenomenheid of blinde vlekken te corrigeren. Dat lijkt misschien maar een klein probleem wanneer een algortime in een beeldherkenningssoftware foutief suggereert dat een peuter op een schilderij een pop is. Maar wat wanneer die algoritmes in medische toepassingen of in onze zelfrijdende auto fouten maken? Is dan de dokter, de bestuurder,… of de machine verantwoordelijk?
Meer weten over AI in de Vlaamse informatiesector? Kijk ook eens naar
- CHANGE Network (internationaal netwerk)
- IDLab (onderzoeksgroep Universiteit Gent + Universiteit Antwerpen)