Artificial Intelligence: de drie grootste misvattingen op een rij

Artificial Intelligence misvattingen

Ooit gehoord van de hype cycle? Dit is de cyclus waar elke Artificial Intelligence trend – groot of klein – doorheen gaat. Oftewel: innovatie > verwachtingen > desillusie > verlichting > productiviteit. De meest recente versie staat op de website van Gartner, die de hype cycle in 2000 introduceerde. Alle data science trends en technieken bevinden zich weer op een ander ‘moment’ in de cycle. Bovendien verschilt het hoelang die trends en technieken op een bepaald punt in de cycle blijven hangen. Dit kan 1 jaar zijn (3D-printen), maar ook 20 jaar (Speech Analytics).

Speech Analytics viel zelfs enkele jaren buiten de hype cycle. Maar niets is voorgoed: kijk hoe populair deze trend nu is. Het is de voorouder van bijvoorbeeld spraakherkenning (voice assistants) en beeldherkenning. Veel bedrijven hebben weleens van trends zoals Speech Analytics gehoord of willen iets met de overkoepelende techniek doen: Artificial Intelligence. Dit gaat regelmatig gepaard met verkeerde verwachtingen. Daarom een overzicht van de grootste misvattingen over Speech Analytics en Artificial Intelligence.

1. Computers en robots begrijpen alles om zich heen

Mensen hebben de neiging om menselijke eigenschappen te geven aan objecten en dieren. Maar ook robots ontkomen niet aan toegekende, menselijke karaktertrekjes. Een voorbeeld hiervan kwam aan bod tijdens een college over Artificial Intelligence, zo’n 15 jaar geleden. Het ging over Braitenberg Vehicles: simpele robots met twee lichtsensoren, gekoppeld aan twee wieltjes. Maar als je experimenteert, bijvoorbeeld door de linkersensor te koppelen aan het rechterwieltje, vertoont de robot interessant gedrag. De robot rijdt op licht af, ontwijkt dit of draait er juist omheen. Mensen zijn geneigd hier emoties aan te verbinden, respectievelijk: agressie (eropaf), angst (vluchten) en liefde (ontkennen). Deze robot begrijpt echter niets van de wereld om zich heen. En dit was niet alleen 15 jaar geleden het geval.

Dit komt omdat we robots nooit het wat en waarom achter zaken hebben aangeleerd. Sterker nog: de robot heeft geen geheugensysteem dat informatie verwerkt. We voeden robots wel met informatie, maar deze wordt meteen omgezet in actie. Kijk naar voetbalrobots. Ze kunnen lopen, schoppen, tegenstanders ontwijken. Hierdoor lijkt het alsof deze robots het spel snappen, maar in werkelijkheid hebben ze geen idee waarom een bal überhaupt rolt. Het grootste gedeelte van de input is simpelweg voorgekauwd door de mens. Je hoeft hier alleen Artificial Intelligence technieken aan toe te voegen en voilà: je hebt een robot die alles lijkt te begrijpen.

2. Robots nemen de wereld over

We zeiden het net al: zonder input en feedback vertoont een robot willekeurig gedrag. Stel dat je een robot letterlijk de opdracht ‘Neem de wereld over’ geeft. Als een robot een beetje goed geprogrammeerd is, vraagt ‘ie zich waarschijnlijk af: ‘Wat ís de wereld?’. En: ‘Wat betekent overnemen?’. Tel daarbij op dat de robot ook nog de figuurlijke betekenis van ‘overnemen’ moet achterhalen, oftewel: de mensheid uitschakelen.

In 2017 vond er een interessante conferentie plaats van het Future of Life Institute. Dit ging over Beneficial Artificial Intelligence. Volgens bekende AI- en robotica-onderzoekers moeten robots niet ongestuurd intelligent zijn, maar gestuurd (beneficial). Daarom stelden deze onderzoekers 23 principes op waar Artificial Intelligence volgens hen aan moet voldoen. Die principes gingen over ethiek, onderzoek en de gevolgen van AI op lange termijn. Meer dan 8000 personen hebben deze principes al ondertekend, waaronder Stephen Hawkin en Elon Musk.  

3. Taaltechnologie kun je overal inzetten

Veel bedrijven zijn gevoelig voor trends. ‘Zij doen iets met Artificial Intelligence, dus wij willen dit óók’ is een veelvoorkomende gedachte. Daarom bekijken deze bedrijven regelmatig de hype cycle of soortgelijke trendwatching-tools. Niets mis mee: bepaalde technieken worden niet voor niets populair. Zo ook taaltechnologie, maar dit gaat vaak gepaard met een valkuil. Sommige bedrijven hebben niet duidelijk voor ogen wát ze precies uit gesprekken of teksten willen halen. Een computer is prima in staat om de meestvoorkomende woorden naar boven te halen, maar dan krijg je woorden als ‘ja’, ‘ik’ en ‘de’. Dit geldt ook voor de bedrijfsnaam en de meest verkochte producten of diensten.

Wát dan precies?

Een overzicht van woorden zoals ‘ja’, ‘ik’ en ‘de’ is niet bepaald een gewenst resultaat. Het wordt pas interessant als een onderwerp een uitgebreide definitie heeft, zodat relevante woorden eruit worden gefilterd. Daarna kies je voor een van deze processen:

  • Geef genoeg teksten een specifiek onderwerp. Met andere woorden: zorg ervoor dat je duizenden teksten labelt of annoteert. Je leert een computer welke woorden of woordcombinaties bij een bepaald onderwerp horen. Op deze manier kun je het label (onderwerp) voorspellen van ‘nieuwe’ teksten.
  • Specificeer een onderwerp en zoek hier vervolgens genoeg teksten bij. Noteer de woorden of woordcombinaties die duiden op dat onderwerp. Je gebruikt dat onderwerp dus voortaan om ‘nieuwe’ teksten te zoeken. Dit heet classificatie en gaat door totdat alle teksten op één lijn liggen, dus hetzelfde onderwerp hebben. Desnoods door meer woorden of woordcombinaties toe te voegen.

Labelling of classificatie?

Classificatie lijkt een tijdrovend proces, maar uit ervaring weten we dat er minder voorbeelden (dus teksten) nodig zijn om het bijbehorende algoritme te trainen. De verklaring hiervoor is dat dit algoritme veel meer menselijke kennis bevat. Toch werkt labelling op den duur beter. Het is namelijk onmogelijk om álle menselijke kennis in een algoritme te stoppen. Menselijke kennis groeit, en dat betekent dat je de kennis van het classificatie-algoritme continu moet updaten.

Kortom: Speech Analytics – en dus ook Artificial Intelligence – zijn ingewikkelder dan in eerste instantie gedacht wordt. Artificial Intelligence is vergevorderd, maar nog niet bij haar eindstation. Maar nu is de vraag: bestaat er wel een eindstation? Zijn trends zoals Speech Analytics op den duur ‘perfect’, of is er altijd ruimte voor optimalisatie?

Posted on 31 januari 2020

Share the Story

Back to Top