Wat is Kunstmatige Intelligentie?
Onderdeel van
Trefwoorden
In dit artikel vindt u een uitleg over wat AI precies is. Als eerst waar AI uit bestaat, namelijk algoritmen en data. Daarna worden de verschillende vormen van AI besproken zoals Supervised Machine Learning, Unsupervised Machine Learning, Reinforcement Learning en Deep Learning. Na het artikel vindt u een video die in 20 minuten een introductie geeft over AI. Als laatst vindt u links naar artikelen, een video en een online cursus voor verdere uitleg over AI.
Artificial intelligence (AI) is het vermogen van computers om taken uit te voeren waarvoor mensen hun intelligentie inzetten. Denk aan interacteren met de omgeving, analyseren, redeneren, problemen oplossen en voorspellen. U vindt artificial intelligence in voice assistants op een smartphone of zelfrijdende auto’s. Maar ook in programma’s die zonder tussenkomst van een mens een verantwoording schrijven over de jaarcijfers van een bedrijf.
Artificial intelligence bestaat uit 2 bestanddelen: een algoritme en data. Een algoritme is een reeks van instructies die leidt tot een bepaald resultaat. Dit klinkt heel abstract, maar de aanbevelingen om verder te kijken van een streaming videodienst als Netflix zijn gebaseerd op een algoritme. Aan de hand van ons kijkgedrag leert Netflix wat we interessant vinden en doet op basis daarvan een aantal aanbevelingen. Om die aanbevelingen te kunnen doen, is data nodig. In dit geval ons eigen kijkgedrag én dat van anderen. Data is de grondstof die algoritme laat werken. Door meer data te analyseren kan het algoritme betere aanbevelingen doen.
Een algoritme en data zijn de 2 bestanddelen van artificial intelligence (Kennisnet)
Artificial intelligence heeft onderhoud nodig
Zelf kunnen leren betekent niet dat alles vanzelf gaat. De werking ervan is zo goed of slecht als de kwaliteit van het algoritme dat door mensen is bedacht en de data waarmee het is getraind. Als de trainingsdata niet wordt vernieuwd blijft het algoritme niet leren. Het algoritme neemt beslissingen op basis van wat het heeft geleerd voordat wij het uiteindelijk als programma gebruiken. Je kunt het programma zo doorontwikkelen dat het ook weer nieuwe gegevens verzamelt tijdens het gebruik. Door die gegevens te verwerken, kan er een nieuwe momentopname worden gemaakt. Zo verbeter je de artificial intelligence.
Vormen van artificial intelligence
Artificial intelligence kent verschillende verschijningsvormen:
Supervised machine learning
Bij supervised machine learning helpen we de artificial intelligence bij het leren. Van tevoren is bekend wat de juiste uitkomst is en wat de relaties zijn tussen gegevens. De gebruikte gegevens zijn allemaal door mensen gelabeld. Denk aan een spreadsheet waar boven elke kolom staat aangeven wat daarin staat. Het algoritme hoeft niet zelf uit te zoeken wat de gegevens betekenen en welke bij elkaar horen. Door het algoritme met steeds meer gegevens te voeden, worden de resultaten steeds nauwkeuriger. Denk aan het bepalen van de verkoopprijs van een huis. Door een algoritme veel historische gegevens te geven van verkochte huizen met de uiteindelijke verkoopprijs, perceeloppervlakte, locatie en andere kenmerken leert het de relaties daartussen steeds beter kennen. Daardoor kan het nauwkeuriger een verkoopprijs bepalen.
Bij supervised machine learning is de juiste uitkomst van tevoren bekend en leren we het algoritme wat de relaties zijn tussen gegevens (Kennisnet)
Unsupervised machine learning
Bij unsupervised machine learning programmeren we niet wat de juiste uitkomst is en welke gegevens precies relevant zijn. We vragen het algoritme om dat zelf te doen door gegevens te clusteren en zo patronen te vinden in een dataset. Unsupervised machine learning wordt gebruikt als gegevens niet geclassificeerd zijn of om juist nieuwe verbanden en clusters te ontdekken. Denk bijvoorbeeld weer aan de aanbevelingen die YouTube of Vimeo doet. Hiervoor zijn niet van tevoren allerlei categorieën bepaald, het systeem doet dat zelf, blijft ze herkennen en houdt ze actueel.
Bij unsupervised machine learning vragen we een algoritme zelf gegevens te clusteren door patronen te vinden in een dataset (Kennisnet)
Reinforcement learning
Bij reinforcement learning leert het algoritme een taak uit te voeren door het krijgen van beloningen voor acties die een juiste uitkomst opleveren. Dit soort algoritmes kunnen we gebruiken als er weinig data beschikbaar is. Vergelijk het met het trainen van een hond: als hij iets goed doet, geven we een beloning en anders niet. Zo leert het algoritme wat gewenste acties zijn die bijdragen aan het behalen van een bepaald doel.
Dit soort algoritmes wordt bijvoorbeeld bij zelfrijdende auto’s gebruikt. Ergens tegenaan botsen is geen goede uitkomst. Op tijd stil staan voor een boom wel. Zo leert de auto steeds beter beslissingen nemen. Hetzelfde geldt voor robots die leren lopen. Vallen is geen goede uitkomst. Een volgende stap kunnen zetten is dat wel. Zo leert een robot letterlijk met vallen en opstaan hoe groot de juiste stap moet zijn.
Bij reinforcement learning leert het algoritme een taak uit te voeren door het krijgen van beloningen voor acties die een juiste uitkomst opleveren (Kennisnet)
Deep learning
Deep learning gebruiken we bij data zoals afbeeldingen, video’s of geluidsopnamen. In vergelijking met de andere vormen van artificial intelligence heeft deep learning veel meer data nodig om verbanden te leggen en patronen te zien, maar het levert dan mogelijk nog accuratere resultaten op. Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens.
Zo kunnen we bijvoorbeeld een artificial intelligence-systeem maken dat aan de hand van een aantal lagen vogelsoorten leert herkennen:
- Door het systeem te voorzien van veel voorbeelden van verschillende vogels te geven, leert het welke kenmerken bij vogels horen.
- Een laag van het algoritme analyseert bijvoorbeeld de vorm van het object. Door het herkennen van vleugels en een snavel weet het dat het hier om een vogel gaat.
- Een andere laag analyseert de kleur van de vogel en herkent dat het om een gele vogel gaat.
- Een volgende laag zou op basis van de combinatie van deze kenmerken ook de specifieke soort vogel kunnen herkennen, bijvoorbeeld een parkiet.
Als we het algoritme dan een nieuwe vogel laten zien, die niet in de trainingsset zat, kan het de vogel alsnog herkennen aan de hand van de kenmerken.
Deep learning algoritmes bestaan uit verschillende lagen. Elke laag leert steeds nieuwe en complexere eigenschappen van de gegevens (Kennisnet)
Bron en link naar hele tekst: Uitleg Artificial Intelligence, 2021. Kennisnet.
Video: 'Introduction to Artificial Intelligence'
Kunstmatige Intelligentie, of AI, is de toekomst van de technologie en het is al realiteit geworden aangezien bedrijven zijn begonnen met het bouwen van intelligentie systemen met behulp van AI. In deze video leer je waar Kunstmatige Intelligentie over gaat en hoe het is ontstaan. Ook leer je over de verschillende toepassingen van AI en kijk je naar het verschil tussen Artificial Intelligence, Machine Learning en Data Science. Ten slotte uitleg over de toepassingen van Machine Learning.
Bron: Simplilearn - Introduction To Artificial Intelligence
Voor meer informatie over AI zie:
- AI en data governance bij de UvA, een verkenning. Hoofdstuk 3. Link naar artikel op openresearch
- Een gratis online cursus om de basis van AI te begrijpen: Elements of AI, University of Helsinki
- David, A. 2018. Understanding Artificial Intelligence. Medium.
- Video: Artificial Intelligence in 10 minutes, YoutTube.
- A visual introduction to machine learning, R2D3.
Afbeelding credits
Icon afbeelding: Flickr - AI