Hoe werkt kunstmatige intelligentie onder de motorkap?
De werking van een reguliere computer is al lastig te begrijpen. Je voert wat gegevens in, bijvoorbeeld je jaarinkomen. De computer voert achter de schermen wat berekeningen uit en binnen een paar seconden krijg jij terug wat je kunt lenen bij de bank.
Misschien slaat de uitkomst die jij krijgt helemaal nergens op. Dat gebeurt wel vaker. Ergens op de wereld loopt iemand rond die de software heeft geschreven en die weet waarom jij jouw uitkomst krijgt. Dit maakt het allemaal nog tastbaar.
Bij kunstmatige intelligentie (KI) ligt dit anders. Daar schrijft een computerprogramma zichzelf. Dit is vreselijk moeilijk te bevatten. Daarom leg ik in het tweede artikel van deze reeks aan de hand van een aantal voorbeeld uit hoe KI dit doet. We gebruiken meerdere voorbeelden, want niet alle vormen van KI zijn gelijk.
Links naar andere artikelen:
Wat is kunstmatige intelligentie?
Ik werk nu aan een artikel over:
Wat voor hardware hebben we nodig voor KI?
Hoe werkt een traditionele computer?
Een traditionele computer is een machine die werkt op basis van logica. Meestal is dit relatief eenvoudige logica met ALS – DAN statements. ALS het saldo op de betaalrekening lager is dan €0, DAN geef het getal in het rood weer. Dit gaat altijd goed, want een bedrag is altijd positief of negatief.
In andere gevallen wordt het al moeilijker. Wij maken in ons hoofd op basis van een naam een inschatting of iemand een man of een vrouw is (en soms weten we het niet). Een computer zou dit kunnen op basis van een namenlijst.
ALS Naam = Jan DAN ManALS Naam = Klaas DAN Man
ALS Naam = Anna DAN Vrouw
ALS Naam = Julia DAN Vrouw
Komt er een onbekende naam in het lijstje, bijvoorbeeld ‘Wilma’, dan weet de computer hier geen raad mee. De computer kan het ook niet beredeneren. Een Nederlander die de naam Wilma nog nooit heeft gezien, kan in ieder geval nog een beredeneerde gok maken (vrouwennamen eindigen vaak op een A).
Hoe leert een KI-systeem?
Wellicht verwacht je dat een KI-Systeem net zo leert als wij mensen. Dat is niet helemaal waar. In de basis maken de meeste vormen van KI gebruik van grote hoeveelheden data om inschattingen en analyses te maken. Een van de technieken die dit doet is Machine Learning.
Machine Learning is een methode waarbij een computer patronen leert herkennen op basis van grote hoeveelheden data. Stel dat ik een fervent gokker ben en graag een manier wil vinden om een strafschoppenreeks na een voetbalwedstrijd te voorspellen. Ik heb toegang tot een database met een allerlei statistieken over andere voetbalwedstrijden. Ook kan ik gegevens inzien over de huidige wedstrijd.
Als ik zelf een algoritme wil maken is dat een flinke klus. Ik moet er allerlei statistische analyses op loslaten om te kijken welke factoren allemaal van belang zijn. Ik moet van alle statistieken die ik heb uitrekenen wat de invloed is op de uitkomst van de strafschoppenreeks. Ook factoren die er waarschijnlijk niets mee te maken hebben, zoals het aantal doelpogingen tijdens de wedstrijd, moet ik eigenlijk wel uitsluiten. Uiteindelijk krijg ik zo een formule die ik toe kan passen op specifieke wedstrijden.
Als mensen hebben we een aantal problemen. Periodiek moeten we onze formule herzien. Het kan best zo zijn dat de impact van een bepaalde factor na verloop van tijd wat groter of kleiner wordt. Als er nieuwe relevante statistieken beschikbaar komen, moeten we deze opnemen in onze formule opnemen. Een systeem op basis van Machine Learning kan dit veel sneller doen.
Machine Learning kent zijn beperkingen, want het is nog steeds in zekere mate ‘dom’. Het herkent de patronen, maar kan niet helemaal herleiden wat het betekent.
Deep Learning
Deep Learning is een vorm van machine learning die verder gaat dan alleen patronen analyseren. Met Deel Learning kunnen computers ongestructureerde data analyseren. Verreweg de meeste data, zoals plaatjes, teksten en gesproken woord, is ongestructureerd.
Deep Learning maakt gebruik van neurale netwerken om te leren. In een neuraal netwerk wordt de structuur van het menselijk brein nagemaakt met algoritmen. Op deze manier labelen of sorteren zij input.
Stel, je komt een auto tegen waarvan het merkteken verwijderd is. Je moet dan aan de hand van kenmerken van de auto achterhalen werk merk het is. Als de auto een pick-up truck is, dan kun je alle merken al uitsluiten die nooit een pick-up truck hebben gemaakt. Vervolgens kun je naar andere kenmerken kijken, zoals het design, de aanwezigheid van bepaalde accessoires en de kleuren. Als je voldoende kennis hebt, zou je zo moeten kunnen achterhalen van welk merk deze pick-up truck is.
Deep Learning werkt op eenzelfde manier. Verschil tussen de mens en een deep learning algoritme is wel dat een deep learning systeem veel data nodig heeft om te trainen. Sommige van deze systemen hebben een systeem ingebouwd waar mensen feedback geven, bijvoorbeeld als een machine iets nieuws tegen komt.
Naar kunstmatige intelligentie
In het introductieartikel benoemde ik al dat de meeste vormen van KI vooralsnog erg specialistisch zijn. Dit is niet anders met deep learning en machine learning. Deze technieken maken zelflerende computersystemen mogelijk, maar deze kunnen nog niet goed interpreteren.
Je kunt een KI-systeem dus heel goed gebruiken om bijvoorbeeld plaatjes te sorteren, maar ditzelfde systeem moet helemaal opnieuw beginnen als het gaat om gesproken tekst (als het systeem dit überhaupt al kan). Daarnaast moet het systeem geinstrueerd worden om een voor mensen begrijpelijke (of nuttige) sortering te maken.
In dit blog besprak ik slechts twee technieken die aan de basis liggen van KI. Er zijn nog meer technieken, zoals Heuristics en Markov Decision Planning. Deze bespreken we wellicht later nog. Ik hoop dat ik nu iets tastbaarder heb kunnen maken hoe een computer intelligent kan zijn.
Leave a Reply
Want to join the discussion?Feel free to contribute!