Een introductie op Kunstmatige Intelligentie
We noemen de diersoort waartoe we behoren Homo sapiens of wijze mens vanwege het belang dat we hechten aan onze intelligentie. Al sinds de oudste overgeleverde bronnen zien we dat de mens pogingen doet om het eigen denken beter te begrijpen. De mens laat materiële sporen na van zijn meta-reflecties op het eigen denken, AI is daar een voorbeeld van. We kunnen AI daarom voorstellen als een geavanceerde poging om het menselijke denken te begrijpen.
1. De opzet van AI

De vraag die AI bezighoudt, is hoe een combinatie van atomen zijn omgeving kan observeren, hoe het mentale voorstellingen kan maken van die wereld en hoe het die omgeving vervolgens kan manipuleren. AI hield zich aanvankelijk bezig met de studie van menselijke denkprocessen. Het vakgebied is in 1956 ontstaan en had zich als doel gesteld om menselijk denken te begrijpen door het te simuleren. Geleidelijk aan is de opzet van AI gewijzigd waardoor het op dit moment een verzamelterm is voor uiteenlopende projecten. In dit artikel worden enkele van die projecten geïntroduceerd.  

2. Gebruikte methodes binnen AI

AI is een academische discipline die streeft naar het gebruik van een empirische methode. Op basis van observatie en het formuleren van toetsbare hypotheses wil AI zijn wetenschappelijkheid waarborgen. Stuart Russell en Peter Norvig onderscheiden in hun handboek Artificial Intelligence: A Modern Approach (2010) vier strategieën om de resultaten van AI te testen.

2.1 Menselijk gedrag simuleren: Turing Test

De meest bekende test is de Turing Test. De Turing Test werd in 1950 ontworpen door Alan Turing. De test gaat uit van het principe dat menselijke intelligentie succesvol wordt gesimuleerd wanneer een machine dezelfde output kan genereren als een mens, namelijk menselijk gedrag. Een computer slaagt voor de Turing Test wanneer een menselijke ondervrager na het stellen van schriftelijke vragen het verschil niet kan maken tussen de antwoorden van de machine of van een mens. Om de Turing Test te slagen, moet een computer aan verschillende vereisten voldoen. Zo moet hij in staat zijn tot:

  • Natural Language Processing: het moet natuurlijke taal kunnen simuleren
  • Knowledge Representation: het moet in staat zijn om kennis op te slaan
  • Automated Reasoning: het moet in staat zijn om antwoorden te genereren op de door de mens gestelde vragen en moet dus in staat zijn tot een vorm van redeneren
  • Machine Learning: het moet zich kunnen aanpassen aan nieuwe situaties, het moet m.a.w. patronen kunnen herkennen en op basis daarvan aangepaste oplossingen kunnen produceren

De Turing Test is gericht op het resultaat, namelijk menselijk gedrag simuleren. De strategie om menselijk of dierlijk gedrag na te bootsen leidde tot belangrijke ontwikkelingen in de aerodynamica en bio-engineering. Zo werden vleugels van vogels gesimuleerd om vliegtuigen te bouwen en wordt ook natuurlijke taal gesimuleerd.

2.2 De cognitieve methode: menselijk denken definiëren

Ten tweede is er de cognitieve benadering. Daarin wordt er gefilosofeerd over de werking van het menselijk denken. Om te kunnen beweren dat een machine in staat is om te denken zoals een mens hebben we een definitie nodig voor menselijk denken. We moeten kunnen definiëren wat menselijke cognitie is. AI is daardoor sterk verankerd met de filosofische traditie, meer bepaald met de tak van de filosofie die we in het Engels philosophy of mind noemen.

Lang was er geen andere methode om het menselijk denken te bestuderen dan door middel van introspectie. Door vanuit het eigen bewustzijn de eigen gedachten en mentale ervaringen te analyseren, hebben verschillende filosofen hun ideeën op schrift gesteld. Voorbeelden hiervan zijn de werken van Descartes, Locke en Kant.

Niet alleen in het westen zijn er filosofische tradities ontstaan waarbinnen over het denken van de mens wordt gereflecteerd. Ook China en Indië kennen hun filosofische tradities. Zo vormen de Upanishaden, de Bhagavad Gita en de Dhammapada uit de Vedische traditie een belangrijke bron voor het denken van de oud-Indische mens. De filosofische reflecties uit het Oosten bieden, net als de filosofische reflecties uit het Westen, waardevolle inzichten over het denken van de mens vanuit een introspectief standpunt.

De filosofische traditie over het denken van de mens bestaat in het westen al sinds de Griekse oudheid. Filosofie is altijd belangrijk gebleven in onze westerse traditie, maar sinds het ontstaan van de wetenschappelijke methode in de 16e eeuw, is er een experimentele en wiskundige traditie bijgekomen. Met de komst van de neurowetenschap in de 20e eeuw spelen computermodellen en neurofysiologie een belangrijke rol bij de studie van het menselijk denken. Het brein en ons zenuwstelsel worden gezien als het orgaan wat onze cognitie mogelijk maakt. Dankzij neurowetenschap hebben we nu naast een introspectieve methode ook een empirische manier om het menselijk denken te bestuderen. De cognitieve methode wordt voornamelijk toegepast in de neurowetenschap, maar blijft relevant voor AI.

2.3 Rationele agents

Een derde strategie stelt een artificieel intelligent systeem voor als een rationele agent. Een agent is in het Engels iemand die handelt. Het woord komt van het Latijnse werkwoord agere of doen. Een agent of handelende persoon is iemand die op basis van een veranderende omgeving handelingen doet die invloed hebben op die omgeving. Een rationele agent is iets of iemand die op basis van de gekende informatie de best mogelijke handelingen genereert gezien de situatie. De strategie om te werken met rationele agents wordt gebruikt in combinatie met reinforcement learning. Zo wordt aan robots geleerd om zich te navigeren door een doolhof door hen met een puntensysteem te straffen of te belonen. Ook op die manier wordt menselijke intelligentie gesimuleerd.

2.4 Van logische preposities naar intuïtief leren

Een vierde strategie die werd toegepast binnen AI was de focus op logica en helder redeneren. Men dacht aanvankelijk dat menselijke intelligentie rationeel was. Door logische proposities in te voeren in de computer konden bepaalde uitkomsten worden gegenereerd. In een later stadium werd het belang van intuïtief leren pas erkend. In dit stadium wordt de informatie die een computer nodig heeft niet langer door mensen voorgekauwd, maar worden er bijvoorbeeld heel veel afbeeldingen ingevoerd, op basis waarvan de computer zelf conclusies leert trekken. Zo kunnen scans van longen worden ingevoerd in een computer om op basis daarvan afwijkend weefsel en dus longkanker te detecteren. Soms zijn de resultaten van een artificiële intelligentie nauwkeuriger of anders dan die van de mens. AI zou daardoor een belangrijke rol kunnen spelen in de medische sector in het proces van diagnosticering. AI software bijvoorbeeld kan extra controle bieden ter ondersteuning van artsen in ziekenhuizen. Het kan artsen heel wat tijd sparen om AI software te gebruiken. Daarnaast kan het de druk en verantwoordelijkheid bij artsen verlagen en biedt het een extra controle, waardoor er meer mensen sneller en juister kunnen worden behandeld.

Sinds Aristoteles werd er in het westen nagedacht over de vraag hoe we goed of juist moeten redeneren. Dit leidde tot de ontwikkeling van de traditionele logica, een filosofische discipline waarbij de geldigheid van stellingen werd bestudeerd. Traditionele logica werd aanvankelijk toegepast binnen AI om regeltjes te schrijven voor computers. Maar geleidelijk aan kwam er meer ruimte voor de rol van intuïtie. Dit leidde binnen AI tot het ontstaan van Deep learning. De overgang van een nadruk op logica en helder redeneren naar leren door middel van intuïtie gebeurde in verschillende fases.

2.4.1 Regeltjes programmeren

Vroeger gebeurde AI op basis van het programmeren van regeltjes. De mens moest alle stappen die een computer moest uitvoeren, uitschrijven in code. Alles wat een computer moest kunnen berekenen, moest dus op voorhand worden uitgeschreven. Een voorbeeld hiervan wat betreft diagnostisering:

  • Indien de temperatuur van een patiënt hoger is dan 37 graden, dan heeft de patiënt koorts.
  • Indien de patiënt naast koorts ook moet hoesten, dan is de uitkomst griep.

De mens moet dus op voorhand alle informatie invoeren. De computer gaat de stapjes gewoon af om zo tot de door de mens ingevoerde diagnose te komen. Dit legt veel verantwoordelijkheid bij de mens. De computer leert niet zelf, het kan geen eigen conclusies genereren. Het voert slechts uit wat de mens aan regeltjes heeft ingevoerd. De computer kan daardoor ook geen menselijke fouten corrigeren.

2.4.2 De computer bouwt zelf modellen

In een volgende fase voegde de mens informatie toe aan de computer, en werden de machines vervolgens getraind om zelf dingen te leren. Computers werden getraind op data. Ze leerden zelf modellen maken op basis van die data. Een klassiek voorbeeld hiervan is het invoeren van data om te voorspellen in welke situatie een huis duur of goedkoop zou zijn. Op basis van de ingevoerde informatie leert de computer bepaalde dingen voorspellen.

  • Indien grote tuin + gelegen in centrum, dan is een huis duur.
  • Indien geleden buiten het centrum + klein woonoppervlak, dan is een huis goedkoop.

In deze methode worden er ingewikkeldere relaties gelegd tussen de variabelen. De mens moet weten welke variabelen invloed hebben op de uitkomst, maar hoeft niet exact te weten in hoeverre de variabelen invloed hebben op de uitkomst. Dat berekent de computer zelf. Een nadeel aan deze methode is dat je als mens nooit alle relevante of bruikbare informatie van een afbeelding als aparte variabelen kunt invoeren. Als je bijvoorbeeld niet invoert hoeveel kamers een huis heeft, dan zal de computer nooit leren dat de hoeveelheid kamers invloed heeft op de kostprijs van het huis.

Deze methode werd lang gebruikt en leverde bruikbare resultaten op. Maar de methode was nog niet complex genoeg. Afbeeldingen toevoegen werkte bijvoorbeeld nog niet. Daarom ontstond Deep Learning. 

2.4.3 Deep Learning

De stap naar Deep Learning houdt in dat de mens niet langer alle informatie in hoeft te voeren. De mens voegt afbeeldingen toe en de computer haalt daar vervolgens zelf alle relevante informatie uit. Doordat de mens zelf geen variabelen meer invoert en de computer zelf mentale modellen genereert, creëert de computer soms ook oplossingen die de mens niet kan voorspellen. AI door middel van deep learning genereert creatieve oplossingen. Het leert door een proces dat eerder lijkt op intuïtie dan op logisch redeneren en evenaart daardoor veel meer

datgene wat we intelligentie noemen. Deze manier van werken valt minder goed te begrijpen. Deep learning valt minder goed empirisch te onderbouwen, net omdat de computer zelf modellen leert maken en data leert ordenen, op een vrijwel intuïtieve manier.

Dit levert interessante vragen op:

Het laat ons nadenken over de definitie van intelligentie. In de westerse filosofische traditie sinds Aristoteles werd intelligentie geassocieerd met logisch redeneren. AI toont ons intelligente resultaten die meer door middel van intuïtief leren tot stand lijken te komen dan door logisch redeneren. Een interessante vraag is dan wat intuïtie precies is?  

3. Conclusie

AI is dus ontstaan vanuit de ambitie om menselijke intelligentie beter te begrijpen door het na te bouwen. Er zijn verschillende methodes ontwikkeld om de resultaten van artificieel intelligente systemen te toetsen. Van die methodes was de Turing Test de eerste en wellicht ook de bekendste, maar zeker niet de laatste. Er is de afgelopen decennia een bloeiend scala aan wetenschappelijke activiteit ontstaan die allemaal onder de noemer AI valt. Het vakgebied is erg dynamisch en blijft zich volop ontwikkelen. De studie is in Nederland erg populair. Zo is het aantal bachelorstudenten kunstmatige intelligentie tussen 2012 en 2017 verdubbeld aan de Universiteit van Amsterdam, de Vrije Universiteit Amsterdam, de Rijksuniversiteit Groningen, de Radboud Universiteit Nijmegen en de Universiteit Utrecht (bron). In België is het studie-aanbod in AI minder uitgebreid. Enkel de Universiteit van Leuven biedt een Master in de Kunstmatige Intelligentie aan. 

 

 

Bronvermelding

  • Russell Stuart & Norvig Peter. Artificial Intelligence. A modern approach (3th ed.), New Jersey: Pearson Education, 2010.