#1.
Inleiding
Wij hebben dit artikel over kunstmatige intelligentie geschreven voor 'Les Cahiers du Digital' van HEC Digital Lab. Deze 'cahiers' zijn bedoeld voor studenten van HEC Luik om de behandelde onderwerpen verder aan te vullen en van achtergrond te voorzien, maar zijn ook digitaal beschikbaar.
Elke cahier behandelt een thema en bestaat uit 3 artikelen, geschreven door professionals met expertise in digitale transformatie. Wij nodigen u uit om de twee andere artikelen over kunstmatige intelligentie te ontdekken via deze link ('On the way to Augmented Intelligence').
Wij hebben het artikel geschreven in november 2022, op het moment dat OpenAI zijn AI-schrijftool, ChatGPT, op de markt bracht. Sindsdien is de tool overal en heeft deze zich verder ontwikkeld. Het is onmogelijk om aan deze kunstmatige intelligentie voorbij te gaan die vragen kan beantwoorden, een gesprek kan beginnen, fouten kan toegeven of ongepaste verzoeken kan afwijzen.
De cursieve delen zijn voorgesteld door ChatGPT.
We horen vaak praten over Artificiële Intelligentie (AI) in veel verschillende domeinen. Maar weten we ook écht wat het is?
Artificiële intelligentie verwijst naar het vermogen van een computer of machine om taken uit te voeren die normaal gezien menselijke intelligentie vereisen, zoals taalbegrip, patroonherkenning, leren en probleemoplossing.
AI-technologieën omvatten machine learning, natuurlijke taalverwerking, computervisie, robotica en nog veel meer (we zullen deze technieken bespreken in het onderdeel "De takken van AI").
AI-systemen kunnen worden getraind om patronen te herkennen, voorspellingen te doen en repetitieve taken te automatiseren, waardoor tijd vrijkomt voor mensen om zich te concentreren op complexere en creatievere taken.
AI wordt tegenwoordig op veel verschillende manieren gebruikt en de lijst wordt voortdurend langer naarmate er nieuwe toepassingen worden ontwikkeld.
Hier zijn enkele voorbeelden van gebruik:
- Persoonlijke assistenten: virtuele assistenten zoals Apple's Siri of Amazon's Alexa gebruiken natuurlijke taalverwerking om spraakopdrachten te begrijpen en erop te reageren.
Hun begrip lijkt dicht bij dat van een mens te liggen, maar is het u nooit overkomen dat u gefrustreerd raakte omdat u meerdere keren uw verzoek moest herhalen of de formulering van uw zin moest veranderen omdat uw virtuele assistent deze niet begreep?
Als u bijvoorbeeld vraagt om "de stofzuiger aan te zetten", kunnen de eerste versies van Google Home niet op uw verzoek reageren omdat het werkwoord "aanzetten" niet geschikt is. Daarentegen zou een mens, zelfs als u het verkeerde werkwoord gebruikt, de vraag hebben begrepen.
- Klantenservice: veel bedrijven gebruiken AI-aangedreven chatbots om klantvragen te behandelen, informatie te verstrekken en klanten door een proces te begeleiden, waardoor klantenservicemedewerkers zich kunnen richten op complexere taken.
Deze toepassing van AI is effectief wanneer klanten een relatief eenvoudige en vaak gestelde vraag hebben. Als de vraag complexer is, zullen ze waarschijnlijk op een gegeven moment met een persoon moeten communiceren. Dit stelt bedrijven in staat om verzoeken te filteren, maar niet om ze 100% te beantwoorden.
- Fraudedetectie: financiële instellingen gebruiken machine learning-algoritmen om patronen in financiële transacties te analyseren en potentiële frauduleuze activiteiten te identificeren.
- Medische diagnose: AI-algoritmen kunnen worden getraind op grote datasets van medische dossiers en afbeeldingen om artsen te helpen ziekten te identificeren, nauwkeurigere diagnoses te stellen en behandelingen aan te bevelen.
- Zelfrijdende voertuigen: zelfrijdende auto's en drones gebruiken AI om in realtime te navigeren en beslissingen te nemen. AI kan worden gebruikt om voetgangers of auto's te detecteren die niet op hun plaats zijn op de weg. De auto zal dan automatisch remmen of uitwijken.
- Beheer van de toeleveringsketen: AI kan worden gebruikt om de stroom van goederen en materialen in een toeleveringsketen te optimaliseren, waardoor bedrijven efficiënter kunnen werken en hun kosten kunnen verlagen.
Het implementeren van AI binnen een bedrijf kan een zeer hoge kostenpost zijn, waarmee rekening moet worden gehouden om te bepalen of AI nodig is en of het daadwerkelijk uw kosten op de lange termijn zal verlagen.
- Moderatie van sociale media: AI-algoritmen kunnen worden gebruikt om ongepaste inhoud op sociale mediaplatforms te helpen identificeren en verwijderen.
Opgemerkt moet worden dat een AI, genaamd Tay en ontwikkeld door Microsoft in 2016, ongepaste opmerkingen maakte op Twitter. Sommige gebruikers wilden de grenzen van deze chatbot testen, die was bedoeld om met Amerikaanse tieners te communiceren om taalbegrip te bestuderen. Ze slaagden erin om Tay racistische zinnen te laten herhalen, maar de AI beantwoordde ook zelf vragen en ontkende onder andere de Holocaust. Tay zou na verloop van tijd leren en verbeteren, maar door de vele misstappen schakelde Microsoft Tay al na 8 uur uit.
AI leert met de gegevens die het tot zijn beschikking heeft, maar kan deze niet verifiëren. In het geval van Tay waren de verstrekte informatie racistische, en daarom deed Tay dergelijke uitspraken.
Dit zijn slechts enkele voorbeelden, maar AI wordt ook in vele andere domeinen toegepast, zowel in de professionele als in de privé sfeer.
Ondanks de vooruitgang van de afgelopen jaren, moeten we voorzichtig zijn met de term "Intelligentie" omdat een machine met AI, hoewel deze in staat is om ongelooflijke taken uit te voeren, niet intelligent is in de zin die wij bedoelen. Het is een zeer nuttig hulpmiddel en kan beter presteren dan de mens bij het uitvoeren van specifieke taken, maar het vervangt de mens niet.
Het kan ook fouten maken die een mens niet zou maken, omdat het niet over alle menselijke capaciteiten beschikt. Google heeft bijvoorbeeld al afbeeldingen van muffins en Chihuahua's verwisseld of, ernstiger, twee Afro-Amerikanen geïdentificeerd als zijnde gorilla's.
Het doel van dit artikel is om u uit te leggen wat kunstmatige intelligentie is, dit concept te ontleden om te begrijpen wat het mogelijk maakt en hoe het u, aan de hand van voorbeelden, kan helpen in uw bedrijf. Maar we willen AI ook enigszins demystificeren, omdat het ver verwijderd is van de menselijke capaciteiten en niet klaar is om hen te overtreffen, in tegenstelling tot wat soms wordt gedacht.
#2.
De rol van het algoritme
In de collectieve verbeelding wordt AI aanvankelijk geassocieerd met verschillende concepten zoals robots in de industrie of intelligente systemen die in staat zijn om zelfstandig te denken, te leren of problemen op te lossen. Tegenwoordig zijn deze ideeën sterk geëvolueerd en wordt AI met veel meer geassocieerd.
We gaan het onderwerp verder uitdiepen om alle aspecten van deze technologische revolutie te begrijpen, die zoals we zullen zien, niet van gisteren dateert.
We worden dagelijks geconfronteerd met AI en maken er gebruik van. Hier zijn enkele voorbeelden om u bewust te maken van de alomtegenwoordigheid ervan:
- U kunt AI vragen om een e-mail te schrijven;
- Ze kan informatie over een onderwerp voor u opzoeken;
- Het navigatiesysteem van uw auto zoekt de beste route op basis van het verkeer;
- Uw smartphone ontgrendelt wanneer hij uw gezicht herkent;
- U kunt uw virtuele assistent vragen om de verwarming aan te zetten;
- De Shazam-app vindt de titel en de artiest van het nummer dat u hoort;
- U kunt AI vragen om uw samenvatting na te lezen en spelfouten te corrigeren;
- ...
In deze voorbeelden zien we computersystemen die informatie sorteren en verwerken en werken op basis van algoritmen.
Het algoritme is een zeer belangrijk concept in AI: het is een set instructies, operaties die moeten worden gevolgd om een probleem op te lossen of een taak te volbrengen.
Simpel gezegd kunnen we een algoritme vergelijken met een kookrecept: u heeft ingrediënten en door precieze instructies te volgen, komt u tot een resultaat, bijvoorbeeld een chocoladetaart. Voor het algoritme is het juist hetzelfde, u vervangt de ingrediënten door een reeks gegevens en vervolgens past u de instructies toe, dat wil zeggen, de stappen van het recept die de operaties vertegenwoordigen die het algoritme vormen, en dan krijgt u een resultaat.
Laten we dit voorbeeld uitbreiden om iets beter te begrijpen wat een algoritme in AI kan doen:
Als u een programma zonder AI vraagt om foto's van het gebouw van HEC Luik te vinden, zoekt het programma in zijn database (de ingrediënten van het recept) en toont het de foto's die aan dit gebouw zijn gekoppeld. Het kan echter zijn dat niet alle afbeeldingen worden weergegeven omdat sommige mogelijk niet zijn gelabeld als "gebouw van HEC Luik" en dus zonder AI zal het algoritme het gebouw op deze afbeeldingen niet herkennen. Als er één element ontbreekt, zal het recept niet het gewenste resultaat opleveren, namelijk het zien van alle afbeeldingen van het gebouw van HEC Luik.
Mét AI kan het programma u echter alle afbeeldingen tonen, zelfs die zonder het label "gebouw van HEC Luik". Om dit te doen, moet het programma eerst veel foto's van het gebouw zien om te leren het te herkennen. Het zal de elementen visualiseren die niet veranderen en degenen die kunnen variëren. Deze training maakt het mogelijk om aan uw verzoek te voldoen door u alle foto's van het gebouw van HEC Luik te tonen die het programma in zijn database heeft.
Deze beeldherkenning is een van de vele taken die AI kan uitvoeren.
Om dit concept beter te begrijpen, is het interessant om de sleutelmomenten van de ontwikkeling ervan te traceren. AI verscheen in de jaren 50 en is sindsdien sterk geëvolueerd.
#3.
De evolutie van Artificiële Intelligentie
De wereld maakte in de eerste helft van de 20e eeuw kennis met AI dankzij sciencefiction, met name de humanoïde robot in de film "Metropolis" van Fritz Lang uit 1927. Vervolgens namen wetenschappers en wiskundigen het concept over.
In 1950 schreef Alan Turing, de uitvinder van de computer, een artikel getiteld "Computing machinery and intelligence" waarin hij uitlegt hoe intelligente machines kunnen worden gebouwd. Hij gaat ervan uit dat mensen gebruik maken van redenatie en beschikbare informatie om beslissingen te nemen en problemen op te lossen, en suggereert dat machines hetzelfde zouden kunnen doen. Hij legt ook uit hoe deze machines getest kunnen worden om te bepalen of ze in de buurt komen van menselijke intelligentie, met behulp van de zogenaamde "Turingtest". Deze test houdt in dat een programma gedurende vijf minuten een schriftelijk gesprek voert met een menselijke ondervrager. De ondervrager moet daarna aangeven of hij met een machine of een mens heeft gesproken. Als de machine de ondervrager 30% van de tijd misleidt, heeft ze de test doorstaan.
In 1956 werd de term "kunstmatige intelligentie" voor het eerst gebruikt. Hij werd bedacht voor een conferentie georganiseerd op Dartmouth College door de wetenschappers John McCarthy en Marvin Minsky, waarbij Allen Newell, Cliff Shaw en Herbert Simon hun programma "The Logic Theorist" presenteerden, ontworpen om de probleemoplossende capaciteiten van een mens na te bootsen. Het wordt beschouwd als het eerste AI-programma.
Vanaf dat jaar bloeide AI een tijdlang op, mede dankzij de evolutie van de informatica en verschillende financieringen. In 1965 bijvoorbeeld creëerde Joseph Weizenbaum het programma ELIZA, het eerste dat voor de Turingtest slaagde, zij het maar voor een paar minuten. Dit programma verving de psychotherapeut tijdens gesprekken.
De verwachtingen waren hooggespannen, maar de technologie kon deze nog niet volledig waarmaken: de opslag en verwerking van gegevens vormden nog steeds een probleem. Hans Moravec, destijds promovendus van McCarthy, verklaarde zelfs dat "computers nog miljoenen keren te zwak waren om intelligentie te vertonen." De financiering nam af en het onderzoek werd een decennium lang stilgelegd. Deze crisis staat bekend als de AI-winter.
In de jaren 1980 namen de financiën en het onderzoek naar AI weer toe. In deze periode populariseerden John Hopfield en David Rumelhart de technieken van deep learning, die computers in staat stellen te leren door ervaring, en ontwikkelde Edward Feigenbaum expertensystemen die machines in staat stellen beslissingen te nemen als een menselijke expert. Het programma vroeg een expert hoe te reageren op bepaalde situaties in een specifiek domein, en zodra de antwoorden waren opgenomen, konden niet-experts door dit programma worden geadviseerd. Deze systemen werden veel gebruikt in de industrie of financiën, bijvoorbeeld om creditcardfraude te detecteren.
Later, in 1997, versloeg een machine voor het eerst een mens: Deep Blue, een schaakcomputer, versloeg de toenmalige wereldkampioen Gary Kasparov. Dit was een belangrijke datum die een aanzienlijke vooruitgang markeerde in de richting van een intelligent besluitvormingsprogramma. Deep Blue had een aanzienlijk voordeel, omdat het duizenden partijen van de beste spelers ter wereld in zijn geheugen had. Zijn processor stelde hem in staat om bij elke zet de beste strategie te vinden. In datzelfde jaar werd ook een grote stap gezet op het gebied van spraakinterpretatie: de spraakherkenningssoftware, ontwikkeld door Dragon Systems, werd geïnstalleerd op Windows.
Sindsdien zijn de opslagcapaciteit en de hoeveelheid gegevens, evenals de rekenkracht van computers, voortdurend toegenomen. Al deze technische verbeteringen maken het mogelijk om de prestaties van algoritmen te ontwikkelen en te verbeteren. Zo versloeg in 2015 de AI AlphaGo van Google de Europese kampioen van het bordspel Go, Fan Hui, en in 2017 wist het programma zelfs de wereldkampioen, Ke Jie, te verslaan. De psychologische voordelen zijn noemenswaardig: de machine kan niet afgeleid worden of onder druk komen te staan, in tegenstelling tot de mens.
Tegenwoordig blijft AI zich verbeteren en wordt het overal gebruikt, of het nu in de gezondheidszorg, transport, industrie, banken, marketing, vrijetijdsbesteding, enzovoort is.
In de toekomst zal de evolutie wellicht leiden tot algemene intelligentie, waarbij machines dezelfde cognitieve capaciteiten hebben als mensen, of zelfs meer, waardoor ze ons zouden overtreffen. Maar we zijn hier nog ver van verwijderd. Vele ethische vragen, onder andere, zullen moeten worden beantwoord voordat we dit stadium bereiken, wat door veel wetenschappers, zoals Stephen Hawking, als gevaarlijk wordt beschouwd.
#4.
De verschillende stadia van AI
Er zijn drie stadia van kunstmatige intelligentie:
1) Smalle Kunstmatige Intelligentie (Artificial Narrow Intelligence - ANI):
Dit wordt ook wel zwakke AI genoemd: in dit stadium kunnen machines alleen een reeks vooraf gedefinieerde taken uitvoeren; ze hebben geen denkvermogen. Alle AI-systemen die vandaag de dag bestaan, vallen in deze categorie: Siri/Alexa, autonome auto's, gezichtsherkenningssoftware, spraakassistenten, chatbots, enzovoort.
2) Algemene Kunstmatige Intelligentie (Artificial General Intelligence - AGI):
Ook wel sterke AI genoemd, dit stadium is, zoals eerder vermeld, het moment waarop machines kunnen denken en beslissingen kunnen nemen zoals mensen. Tot nu toe bestaat er geen voorbeeld van algemene kunstmatige intelligentie.
3) Superkunstmatige Intelligentie (Artificial Super Intelligence - ASI):
Dit laatste stadium beschrijft het moment waarop de capaciteiten van machines die van mensen zullen overtreffen. Tot op heden kunnen we niet bevestigen of dit stadium ooit zal worden bereikt. Het is nog louter hypothetisch, maar we zien dit soort AI in sciencefictionfilms of -boeken waarin machines de wereld beheersen.
We bevinden ons nog steeds in het eerste stadium van kunstmatige intelligentie, ondanks de enorme vooruitgang sinds de jaren 1950. We zijn dus nog ver verwijderd van algemene kunstmatige intelligentie, hetgeen betekent dat we ons eigenlijk nog maar in de kinderschoenen van AI bevinden. Er moeten nog veel vooruitgangen worden geboekt om het tweede stadium te bereiken.
#5.
De verschillende AI-systemen
De verschillende AI-systemen worden ingedeeld naargelang hun functionaliteiten, er worden vier types onderscheiden.
1) Reactieve machines:
In deze categorie AI vinden we machines die functioneren op basis van de huidige situatie en de huidige gegevens die ze ontvangen. Ze interageren met hun omgeving en kunnen slechts een beperkt aantal vooraf gedefinieerde taken uitvoeren. Ze zijn niet in staat om deducties te maken op basis van hun gegevens of eerdere ervaringen om hun toekomstige acties te bepalen.
Onder de reactieve AI's valt het schaakprogramma Deep Blue, dat in 1997 de toenmalige wereldkampioen Garry Kasparov versloeg, of de robotarmen in een fabriek die geprogrammeerd zijn om te reageren op de aanwezigheid van een specifiek object voor hen op een lopende band en bijvoorbeeld dat object naar een aangewezen plaats te verplaatsen.
2) Beperkte geheugen AI:
Deze AI is in staat om beslissingen te nemen op basis van gegevens die zijn opgeslagen in zijn geheugen, dat van korte duur is, vandaar de naam. Door eerdere ervaringen op te slaan, kan het toekomstige acties evalueren.
Het perfecte voorbeeld is de autonome auto. Deze gebruikt de in het verleden verzamelde informatie om onmiddellijk te handelen. Dankzij sensoren kan hij voetgangers die de weg oversteken identificeren, maar ook verkeerslichten, wegwerkzaamheden, gaten in de weg, verkeer, enzovoort. Al deze gegevens worden gebruikt om beslissingen te nemen en zo nodig de snelheid en koers aan te passen.
3) Theory of Mind AI:
Zoals de naam al aangeeft, richt deze AI zich op emotionele intelligentie om menselijke gedachten te begrijpen. Dit type AI is geavanceerder dan de twee voorgaande; het staat nog niet volledig op punt, maar er wordt onderzoek gedaan om dit te bereiken. Deze AI kan een belangrijke rol spelen in de psychologie. Als we erin slagen machines met deze AI te ontwikkelen, zullen ze verschillen van de tot nu toe gecreëerde machines. Ze zullen in staat zijn dezelfde taken uit te voeren als de eerste twee typen AI, maar ze zullen ook menselijke emoties kunnen begrijpen en hun gedrag dienovereenkomstig kunnen aanpassen.
4) Zelfbewustzijn:
Dit type AI komt overeen met Super Artificial Intelligence, waarbij machines hun eigen bewustzijn zullen hebben. Dit zou het ultieme stadium zijn dat we ooit zouden kunnen bereiken: het zou een uitbreiding zijn van Theory of Mind AI; machines zouden menselijke emoties kunnen begrijpen, maar ze zouden ook in staat zijn deze te voelen en die van hun omgeving te voorspellen. Opnieuw: we zijn nog lang niet in staat om dit niveau te bereiken.
#6.
De verschillende takken van AI
We kunnen AI gebruiken om allerlei problemen op te lossen met behulp van verschillende technieken. Hieronder vindt u enkele voorbeelden:
Machine Learning (machinaal leren):
Deze techniek stelt machines in staat om te leren op basis van ervaring en voorbeelden om problemen op te lossen en voorspellingen te doen. Ze kunnen gegevens interpreteren, verwerken en analyseren.
Machine Learning stelt computers/machines in staat om beslissingen te nemen op basis van gegevens in plaats van ze te programmeren voor een specifieke taak. De algoritmes of programma's leren naarmate ze nieuwe gegevens tegenkomen, waardoor ze verbeteren.
Een eenvoudig voorbeeld om dit beter te begrijpen: met behulp van een Machine Learning-algoritme is het mogelijk om te voorspellen wie de volgende voetballer zal zijn die de bal ontvangt op het veld. Het algoritme, eenmaal getraind, baseert zich op 3 gegevens:
- Wie heeft op moment T de bal
- De posities van elke speler
- De tijd sinds het begin van de speelperiode
Met deze gegevens is het mogelijk om te voorspellen wie de bal zal ontvangen bij de volgende pas (het resultaat van het recept).
Machine Learning omvat 3 categorieën:
1) Supervised Learning (begeleid leren):
Dit type leren wordt "begeleid" genoemd omdat het wordt geleid door een "leraar", dat wil zeggen, een set gegevens die wordt gebruikt om de machine of het model te trainen. Eenmaal getraind kan de machine beslissingen nemen of voorspellingen doen wanneer nieuwe gegevens worden ontvangen.
2) Unsupervised Learning (ongebegeleid leren):
Hier leert het model door observatie: het ontdekt structuren en relaties in de ontvangen gegevens door clusters te vormen. Het is echter niet in staat om deze clusters te benoemen. Bijvoorbeeld, het kan rokken en jurken scheiden maar kan niet zeggen dat het rokken en jurken zijn.
3) Reinforcement Learning (versterkt leren):
Deze laatste categorie kan interageren met de omgeving en de beste resultaten vinden. Het model wordt beloond voor een juist antwoord en bestraft voor een fout antwoord. Het traint dan op basis van de beloningspunten die het heeft ontvangen. Het kan beginnen met het voorspellen van nieuwe gegevens zodra het is getraind.
Deep Learning (diep leren):
Deep Learning is een geavanceerd gebied van Machine Learning dat leert door ervaring en complexere problemen kan oplossen. Het bootst de werking van een menselijk brein na door gebruik te maken van kunstmatige neurale netwerken die functioneren zoals de neuronen in onze hersenen. Het kan gegevens van veel grotere omvang verwerken om informatie te vinden en oplossingen te vinden.
Een voorbeeld om Machine Learning en Deep Learning te onderscheiden:
Stel dat we een systeem willen ontwikkelen dat honden op een afbeelding herkent. Als we Machine Learning gebruiken, zullen we de kenmerken van een hond definiëren, zoals oren, snuit, poten, enz. Het systeem kan dan zelf deze kenmerken op de afbeeldingen identificeren. Met Deep Learning hoeven we de kenmerken niet te definiëren; het systeem zal ze automatisch vinden met behulp van neurale netwerken.
Deep Learning zit achter het algoritme voor gezichtsverificatie van Facebook, DeepFace. Machine learning is niet genoeg, want een afbeelding bevat een enorme hoeveelheid gegevens.
Amazon, Netflix en vele andere sites gaan Deep Learning gebruiken om het gedrag van hun klanten te begrijpen en hen aan te bieden wat het beste bij hen past.
Deep Learning-algoritmen kunnen ook worden gebruikt om afbeeldingen en video's te analyseren, wat erg nuttig is bij beveiliging en bewaking.
Generative AI (generatieve kunstmatige intelligentie):
Generative AI richt zich op het creëren van inhoud op basis van bestaande gegevens. Het kan onder andere:
- tekst schrijven en verwerken;
- realistische of artistieke afbeeldingen genereren;
- muziekstukken componeren;
- prototypes of designvoorstellen genereren.
Onder de verschillende subcategorieën van generatieve AI vinden we het Large Language Model (LLM):
LLM is een geavanceerde techniek binnen Natural Language Processing (NLP) waarmee machines gesproken of geschreven gegevens kunnen begrijpen en erop kunnen reageren zoals een mens dat zou doen.
Taal is een van de vaardigheden die mensen het meest onderscheidt van andere soorten en het was op deze vaardigheid dat Alan Turing zijn test baseerde of een machine in de buurt komt van menselijke intelligentie. LLM is een geavanceerde NLP (Natural Language Processing) techniek waarmee machines gesproken of tekstuele gegevens kunnen begrijpen en erop kunnen reageren zoals een mens dat zou doen.
Menselijke taal is erg ingewikkeld en om machines te helpen deze te begrijpen, worden tekstuele of vocale gegevens door een aantal technieken uitgesplitst. We zullen hier niet te diep op ingaan, aangezien een hoofdstuk van dit 'Cahier du Digital' gewijd is aan de verwerking van natuurlijke taal.
Het begrijpen van taal kan soms moeilijk zijn, omdat je rekening moet houden met verschillende accenten, variaties in intonatie, uitspraak, grammaticale fouten, enz. Dit kan bepaalde fouten verklaren of het feit dat Siri of een andere spraakgestuurde machine ons soms vraagt om ons verzoek te herhalen.
Hier zijn een paar voorbeelden:
- Website chatbots gebruiken LLM om je probleem te identificeren en/of je vragen te beantwoorden. Als ze niet weten hoe ze moeten antwoorden, zullen ze over het algemeen proberen je probleem zo goed mogelijk te identificeren, zodat ze je naar de juiste persoon kunnen doorverwijzen.
- Dankzij de LLM kan het ChatGPT-programma onze vragen beantwoorden en een schriftelijke conversatie voeren. Soms begrijpt het niet wat we schrijven, in dat geval vraagt het om verduidelijking.
- Automatische vertalers zoals DeepL of Google Translate maken ook gebruik van LLM. Het is mogelijk dat ze fouten te maken, en soms moet je aandacht besteden aan de aangeboden vertalingen, zoals het onderstaande voorbeeld laat zien.
- We gebruikten de mobiele applicatie DeepL om een paragraaf in een boek te vertalen door een foto te nemen. De applicatie vertaalde eerst de afkorting 'AI' als 'aluminium'. Bij de tweede poging vertaalde de applicatie het correct als "Artificial Intelligence".
- LLM is ook nuttig voor het detecteren van spam: het kan worden gebruikt om e-mails te analyseren en ongewenste e-mails te identificeren. Toch kan sommige legitieme e-mail per ongeluk naar je spamfolder worden gestuurd, omdat de tool niet altijd de elementen detecteert die gewoonlijk aan spam worden toegeschreven.
- Op het gebied van IT-ontwikkeling is er een hulpmiddel genaamd GitHub Copilot dat je helpt bij het schrijven van code. Het zal de code van de ontwikkelaar aanvullen volgens wat hij schrijft. De tool werkt met alle talen en hoewel het geen complete functie kan schrijven, bespaart het wel tijd.
Computer Vision (beeldverwerking):
Computer Vision stelt een machine in staat om de visuele wereld te analyseren en te interpreteren, zoals afbeeldingen en video's, om informatie te extraheren en beslissingen te nemen op basis van directe observaties.
Deze techniek is nuttig in vele sectoren, waaronder het bedrijfsleven, transport, gezondheidszorg en het dagelijks leven. De groei in toepassingen die gebruik maken van computervisie is vooral te danken aan de stroom van visuele informatie afkomstig van onze smartphones, steeds strengere beveiligingssystemen, verkeerscamera's, enz.
Computervisie kan worden gebruikt voor een breed scala aan toepassingen:
Autonome voertuigen zijn het meest voor de hand liggende voorbeeld: het stelt auto's in staat om hun omgeving waar te nemen en te begrijpen, zodat ze veilig over de weg kunnen rijden.
Gezichts- en objectdetectie en -herkenning en beeldclassificatie worden vaak gebruikt. Zoals eerder vermeld, kan je smartphone zichzelf ontgrendelen door je gezicht te herkennen. Hij kan je foto's ook sorteren op basis van de mensen die erop staan.
De applicatie Google Lens geeft je informatie over het object dat het herkent in de afbeelding die je het laat zien. Als je een foto van het Atomium maakt, geeft de applicatie relevante informatie over het monument.
Medische beeldanalyse: computervisie kan worden gebruikt om afwijkingen te identificeren of ziekten te diagnosticeren door bijvoorbeeld röntgenfoto's te analyseren.
Deze visie wordt ook gebruikt in de sport: VAR in het voetbal (video-assisted refereeing) kan een beeld reconstrueren met behulp van 4 camera's. Zonder AI zou er een groot aantal camera's rond het veld nodig zijn om een beeld van 360° te krijgen.
Sinds november 2022 gebruikt het Gentse filiaal van Ikea autonome drones om 's nachts naar gevraagde producten te zoeken en inventarisaties uit te voeren door door de gangpaden te bewegen en barcodes te scannen. Deze techniek vergemakkelijkt het werk van de teams en bespaart hen tijd. Het kan ook worden toegepast op surveillance en beveiliging om verdachte activiteiten te identificeren.
Op industrieel niveau kan computervisie nuttig zijn voor voorspellend onderhoud. Het kan bijvoorbeeld schade of fouten in machines detecteren en zo waarschuwen voor mogelijke storingen.
Het kan ook producten analyseren en sorteren. Een producent van appels en peren moet ze bijvoorbeeld sorteren op hun uiterlijk. Dit sorteren kan worden uitgevoerd door een machine die gebruik maakt van computervisie.
Robotica:
Robotica is een van de meest populaire takken van AI en richt zich op verschillende toepassingen van industriële en humanoïde robots.
Industriële robots worden veel gebruikt in fabrieken en spelen een essentiële rol in de productie, of het nu gaat om het assembleren van onderdelen, verpakken of sorteren, zoals uitgelegd in het voorbeeld van de fruitproducent hierboven.
Robots zijn ook te vinden in de klantenservice in bijvoorbeeld de hotel- en retailsector. Deze robots gebruiken een aantal technieken, waaronder natuurlijke taalverwerking en computervisie, om net als mensen te communiceren met klanten en hun omgeving. Dankzij machinaal leren passen ze zich aan en verbeteren ze hun gedrag tijdens de interactie. Ze worden gebruikt om klanten te informeren en de winkelervaring te verbeteren.
#7.
Enkele praktische voorbeelden van AI-oplossingen
Om onze woorden te illustreren, kan u hieronder enkele van onze realisaties voor onze klanten ontdekken waarvoor we kunstmatige intelligentie hebben geïmplementeerd.
Een dienstenbedrijf:
Als dienstenbedrijf stond onze klant vaak voor een cruciale uitdaging: het bepalen van het aantal kwalitatieve prospectoproepen. Hun belangrijkste probleem was om het aantal oproepen te definiëren die zouden leiden tot een afspraak en diegenen die tot niets leiden. Onze klant wilde dus een oplossing vinden voor dit probleem én een duidelijk beeld te krijgen van het aantal omgezette prospects per maand.
Concreet: wanneer een prospect belt, wordt dit gesprek opgenomen en vervolgens transcribeert een Deep Learning AI de hele conversatie en maakt een samenvatting in een toegankelijke software voor de leden van het bedrijf (Speech to Text). De AI sorteert ook de oproepen volgens vooraf gedefinieerde categorieën door de gebruiker, zodat onze klant het aantal kwalitatieve en niet-relevante oproepen kan zien.
De implementatie van LLM AI stelt onze klant in staat om de intentie van prospects te detecteren en te analyseren. Ze kunnen dus precies identificeren welke prospects klanten zijn geworden en welke contact hebben opgenomen voor niet-aangeboden diensten. In geval van herhaalde verzoeken voor een niet-beschikbare dienst kan onze klant strategische aanpassingen overwegen om dit probleem op te lossen.
Deze oplossing beperkt zich niet tot het verduidelijken van de intenties van prospects; het helpt ook om waardevolle tijd vrij te maken voor verkopers, die niet langer elke interactie handmatig hoeven vast te leggen. Zo optimaliseert AI niet alleen de opvolging van prospects, maar draagt het ook bij aan de operationele efficiëntie van onze klant.
Een bouwsectorbedrijf:
Onze klant, een bedrijf actief in de bouwsector, biedt een platform aan dat particulieren en professionals met elkaar verbindt voor diensten. Particulieren kunnen serviceverzoeken indienen door het gewenste beroep te selecteren, het type service, het type terrein voor de werkzaamheden, en alle relevante informatie voor de professional om een offerte op te stellen.
Tot nu toe werd, na het indienen van een verzoek, dit doorgestuurd naar een professional, die vervolgens contact opnam met de particulier om het verzoek te bevestigen. Pas na deze afspraak stelde de professional een offerte op, die vervolgens naar de particulier werd gestuurd met een tweede afspraak. Als deze laatste de offerte accepteerde, konden de werkzaamheden beginnen. Bij weigering moest de offerte herzien worden of werd het verzoek stopgezet. Dit proces, met veel uitwisselingen tussen particulier en professional, was tijdrovend.
Onze klant wilde dus een oplossing vinden om deze interacties te verminderen en tijd te besparen. We hebben het volgende voorgesteld: een Machine Learning AI geïntegreerd in het systeem van de klant. De AI genereert nauwkeurige en gepersonaliseerde offertes op basis van de door particulieren ingevulde formulieren. Het initiële proces blijft hetzelfde: de particulier vult het formulier in, dat vervolgens naar onze klant wordt gestuurd. De AI genereert dan de offerte en deelt deze gelijktijdig met de professional en de particulier. Als een van beide partijen de offerte om budgettaire redenen niet accepteert, wordt het verzoek automatisch geannuleerd zonder verdere tussenkomst. Als beide partijen akkoord gaan, ontmoet de professional de particulier direct met de offerte klaar om te worden ondertekend.
Deze oplossing vermindert aanzienlijk de tijd die nodig is voor het opstellen van offertes en verbetert de nauwkeurigheid van de schattingen, wat de algehele efficiëntie en klanttevredenheid verhoogt.
Een uitgever van digitale stripverhalen:
Onze klant, een uitgever van Frans-Belgische digitale stripverhalen, wilde het universum van de Frans-Belgische stripverhalen moderniseren en verjongen. Ondanks de traditionele terughoudendheid van artiesten tegenover AI, waren ze zich bewust van het potentieel ervan om processen te optimaliseren. Het was cruciaal om een oplossing te vinden die de auteursrechten van de artiesten respecteert, hen niet vervangt, maar toch voldoet aan de behoeften van onze klant.
We hebben dus een geïntegreerd systeem ontwikkeld met een generatieve AI van het type Deep Learning, waarmee artiesten sneller content kunnen creëren. De werking is eenvoudig: elke artiest die zich bij het team voegt, levert enkele van zijn werken zodat de AI kan trainen om inhoud te produceren die vergelijkbaar is met zijn stijl. Wanneer een illustrator een schets maakt, kan hij aan de AI specificeren welke specifieke kenmerken hij wil zien, zoals de huidskleur van een personage, kleding, of specifieke objecten. Naast de schets helpen deze beschrijvingen de AI om de gewenste inhoud te genereren zoals de artiest dat wil.
Het doel van deze integratie is niet om artiesten te vervangen, maar om hen aangepast gereedschap te bieden om hun werk te versnellen. Om het menselijke aspect van creatie te behouden, is de afbeelding die door de AI wordt gegenereerd volledig aanpasbaar, zodat de artiest deze kan aanpassen om perfect overeen te komen met zijn visie.
Deze oplossing biedt dus een waardevolle ondersteuning voor artiesten - die erg blij zijn om met dit gereedschap te werken - waardoor ze sneller content kunnen produceren terwijl ze het menselijke aspect van kunst en hun unieke stijl behouden. Kortom, deze AI biedt een balans tussen technologische innovatie en respect voor artistieke creativiteit.
Een dienst voor spoedgevallen in de dierengeneeskunde:
We ontwikkelden een innovatief hulpmiddel om interventierapporten te genereren, zodat dierenartsen zich meer kunnen concentreren op de zorg voor dieren. Onze oplossing omvat twee niveaus:
- Ten eerste moet de dierenarts bij elke interventie een gedetailleerd rapport opstellen, inclusief de uitgevoerde acties, voorgeschreven medicijnen en gestelde diagnose. Deze technische rapporten kosten veel tijd voor dierenartsen, die deze na hun werkdag moeten opstellen. Om hen waardevolle tijd te besparen, hebben we een Deep Learning AI geïmplementeerd die deze rapporten in plaats van de dierenartsen opstelt, zodat zij zich kunnen concentreren op de zorg voor dieren.
- Ten tweede, wanneer iemand het noodnummer belt, wordt het gesprek doorgestuurd naar een telefonisch centrum zonder dat onmiddellijk kan worden bepaald of het een echte noodsituatie betreft. Een LLM-type AI volgt het gesprek en stelt automatisch een transcript op. Dit transcript wordt intern bewaard en ook naar de dierenartsen gestuurd voor hun interventie. Het doel is opnieuw om tijd te winnen, zodat dierenartsen zich kunnen concentreren op echte noodgevallen.
De voordelen van onze oplossing zijn talrijk:
- Het bespaart tijd voor dierenartsen door de automatisering van het opstellen van interventierapporten, zodat ze zich kunnen concentreren op de effectieve zorg.
- De automatische transcriptie van gesprekken en de beoordeling van noodsituaties optimaliseren het beheer van interventies. Deze automatisering maakt niet alleen een beter beheer van tijd en middelen mogelijk, maar verbetert ook de klantervaring door snelle en gepersonaliseerde feedback.
Kortom, de integratie van AI in deze service verhoogt de operationele efficiëntie en verbetert tegelijkertijd de klanttevredenheid.
Een beheerder van een hoogspanningsnetwerk:
Onze klant wilde de levensduur van zijn apparatuur optimaliseren: kabels, transformatoren en andere apparaten hebben een theoretische levensduur die door de fabrikant wordt opgegeven. Onze klant wilde echter de werkelijke levensduur van deze apparatuur kennen om hun vervanging beter te plannen.
Daarom hebben we systeemstoringen en onderhoudsoefeningen geanalyseerd: op basis van deze analyse hebben we een Machine Learning AI ontwikkeld die de theoretische levensduur van apparatuur kan bepalen (Voorspellingsanalyse). Deze duur is dus niet de levensduur zoals die door de fabrikant wordt verstrekt, maar een schatting gebaseerd op werkelijke gebruikscondities.
Zo zal apparatuur die dicht bij de zee staat sneller slijten door het zoute zeelucht. Daarentegen zal apparatuur die in de Ardennen staat, minder blootgesteld aan deze factoren, langer meegaan. Al deze storinginformatie stelt ons in staat om te bepalen of apparatuur aan het einde van zijn levensduur is. Na ons te hebben verdiept in het onderwerp en erover te hebben gesproken met onze klant, hebben we vastgesteld dat apparatuur doorgaans veel storingen heeft aan het begin en het einde van zijn levensduur.
Het doel van dit project was om patronen te definiëren op basis van storinggegevens van technici en informatiesystemen van onze klant. Kunstmatige intelligentie werd geïntegreerd om een reeks informatie te analyseren die nauwkeuriger voorspellingen mogelijk maakt van de werkelijke levensduur van apparatuur. Hoewel deze voorspelling niet altijd perfect is, biedt het een betrouwbare schatting om vervanging van apparatuur vooraf te plannen.
De integratie van AI in dit project heeft onze klant geholpen zijn middelen beter te beheren en onderhoud van zijn elektriciteitsnetwerk te optimaliseren.
#8.
Conclusie
Kunstmatige intelligentie heeft zich enorm ontwikkeld sinds haar opkomst en is steeds meer aanwezig in ons dagelijks leven, zowel privé als professioneel. We realiseren ons soms zelfs niet eens meer dat we te maken hebben met AI omdat het een integraal onderdeel is geworden van onze gewoonten.
De verschillende takken van AI, zoals machine learning, deep learning, natuurlijke taalverwerking, computer vision en robotica, bieden talloze mogelijkheden die kunnen worden aangepast aan het bedrijfsleven. Dit geldt met name voor autonome drones die gebruik maken van computer vision, die zowel kunnen worden ingezet voor inventarisatie als voor het bewaken van een exploitatieterrein.
Het is een opmerkelijk instrument dat onder andere tijd bespaart voor uw bedrijf door taken sneller uit te voeren dan uw personeel en gedurende een langere periode een hoog tempo kan handhaven. Het optimaliseert en automatiseert bepaalde processen, maar AI kan de mens niet op alle vlakken vervangen; het blijft een gereedschap.
Het is een beetje zoals een rekenmachine: sneller dan een mens in berekeningen, maar niet per se slimmer in termen van intellectuele, emotionele of relationele capaciteiten. Het heeft vaardigheden om specifieke taken uit te voeren.
Op dit moment is AI vergelijkbaar. Alle toepassingen zijn ontworpen om een specifiek probleem op te lossen. We bevinden ons momenteel in het stadium van zwakke kunstmatige intelligentie, wat dus betekent dat AI niet in staat is om autonoom te denken en beslissingen te nemen.
Het is belangrijk om niet klakkeloos voor AI te kiezen alleen omdat het 'in' is; het is noodzakelijk dat uw bedrijf een dergelijk gereedschap nodig heeft.
Allereerst moet u uw problemen identificeren en vervolgens nadenken over de oplossing, het gereedschap dat het beste bij uw behoeften past, mét of zonder AI. Als u bijvoorbeeld data wilt analyseren maar niet veel data hebt, is deep learning mogelijk niet de juiste keuze.
U moet ook rekening houden met de kosten van het implementeren van een AI-gereedschap en op de lange termijn berekenen of dit echt een voordelige oplossing is.
Samenvattend is kunstmatige intelligentie een instrument dat in staat is tot verbazingwekkende prestaties, maar het moet worden gezien als een hulpmiddel en niet als een oplossing die de mens zal vervangen.