Niets is menselijker dan te hopen op een betere wereld, maar de menselijke onnozelheid die je tegenwoordig meekrijgt in gesprekken over kunstmatige intelligentie heeft me vooral aangezet om deze weblog te beginnen. Beste collega digitalisten, ik ben weliswaar opgevoed met het idee dat er geen domme mensen of domme vragen bestaan, maar verdiep je alsjeblieft in de materie als je erover mee wilt praten. Loop niet blind achter de meute aan, herhaal niet zonder meer wat een ander beweert en probeer door de hype heen te kijken. Laat deze blog je meenemen door de jungle van zin en onzin over de onderwerpen artificial Intelligence, machine learning en deep learning. Kunstmatige domheid heerst namelijk niet in ons lezerspubliek, of wel dan?
Dan Brown’s recente roman De Oorsprong doet een goede poging te verhalen, wat het betekent om je te omgeven met kunstmatige intelligentie. Robert Langdon krijgt de beschikking over Winston, een persoonlijke assistent van vermoorde visionair-miljardair Edmond Kirsch. De technologie van de digitale assistent loopt met onderliggende kwantum computing jaren vóór op de concurrentie. Deze blijkt via een normale, menselijke dialoog antwoord te kunnen geven op de vragen: waar komen we vandaan? En: waar gaan wij naartoe? Dus voor Winston is het een peulenschilletje om Robert Langdon te helpen bij tot het oplossen van de moord. Welke rol Winston heeft bij het plot, zal ik hier niet verklappen. Brown beschrijft dat kunstmatige intelligentie een nieuwe levensvorm is, die in symbiose met de mens in de toekomst, of je het gelooft of niet, de wereld zal gaan bepalen. In de categorie fictie met een vleugje science is deze roman redelijk geloofwaardig en zeker een aanrader om te lezen of cadeau te geven.
Maar deze blog is niet voor boekrecensies. Dit artikel leidt je langs de vragen over kunstmatige intelligentie. Hier vind je de antwoorden op vragen die je nog niet hebt gesteld. Velen op de werkvloer hebben hun mond er vol van en jij moet het allemaal nog maar zien. Je wilt ook niet dom gevonden worden, maar de feiten van grijsgedraaide meningen onderscheiden.
Wat is kunstmatige intelligentie?
Kunstmatige intelligentie is een technologie of systeem dat menselijke prestaties kan nadoen, bijvoorbeeld door te leren, conclusies te trekken of dialogen met mensen aan te gaan. Het is een technologie voor wetenschappers, waarbij kunstmatige intelligentie ingezet wordt om van hypothesen naar theorieën te komen. Kunstmatige intelligentie is inmiddels ook een technisch hulp- of productiemiddel voor overheid en bedrijfsleven. Momenteel wordt het vooral toegepast bij beslissingen die je voortdurend maakt, zonder erover na te denken. Kunstmatige intelligentie of AI (artificial intelligence) wordt ook wel verward met machine learning. Machine learning is een categorie van AI die tot doel heeft kennis of patronen te extraheren uit een reeks observaties.
Wat is AI zonder machine learning?
Machine learning is slechts één van de vereisten om een AI systeem samen te stellen. Als component stelt machine learning een apparaat in staat om de volgende taken uit te voeren:
- zich aanpassen aan een nieuwe omstandigheden die de oorspronkelijke ontwerper niet heeft voorzien
- patronen herkennen in (grote) gegevensbronnen, eventueel in combinatie met het netwerk of met sensoren
- nieuw gedrag creëren of voorspellingen doen aan de hand van herkende patronen
- beslissingen nemen aan de hand van het succes of falen van dit gedrag
Wat is kunstmatige intelligentie nog meer?
Als je deze weblog met Google Chrome leest, kun je binnen een paar seconden dit artikel aan jezelf voor laten lezen. Installeer de plugin Read Aloud en je heb daarmee kunstmatige intelligentie toegepast: het omzetten van tekst in spraak. Kunstmatige intelligentie is dus ook:
- verwerking van natuurlijke taal, gewone taal vs computertaal, bits/bytes
- natuurlijke taal begrijpen, zoals je Sonos speaker en Apple’s Siri
- kennispresentatie. Het vermogen om informatie zo op te slaan, zodat snelle toegang mogelijk is
- planning, doel-zoeken en what-if analyses. Het vermogen om aan de hand van opgeslagen of tussentijdse informatie bijna onmiddellijk (zonder dat een mens het merkt) conclusies te trekken
- robotica, co-botica, domotica etc.
Is machine learning een synoniem voor AI?
Machine learning (ML) en artificial intelligente (AI), worden vaak onterecht door elkaar gebruikt. Machine learning is geen synoniem voor kunstmatige intelligentie, maar het is een onderdeel ervan. Beide zijn technologieën en bestaan uit belangrijke technische componenten. Met zowel machine learning als kunstmatige intelligentie ben je in staat om een theorie te kwantificeren, te testen en verder te onderbouwen. Door steeds bredere toepassingen nemen ze een deel van ons denkproces over, kunnen ze ons leven gemakkelijker maken en versnellen ze de wetenschap.
Wat is machine learning?
Machine learning is het leerproces van kunstmatige intelligentie. Machine learning maakt gebruik van algoritmes. Enorme hoeveelheden gegevens kunnen daarmee geanalyseerd worden. Zelfs de beste algoritmes kunnen niet zelf nadenken, zelfinzicht tonen of een eigen mening geven, hoewel sommige toepassingen wel de indruk wekken van “eigen intelligentie”, omdat ze simpelweg goed leren. Goed kunnen leren en intelligentie zijn twee verschillende dingen.
Wat hebben ML en AI met big data te maken?
Vergeleken met de traditionele statistiek, gaan er met machine learning verschillende deuren open, die voorheen gesloten bleven. Door nagenoeg onbeperkte rekenkracht, opslagcapaciteit en logische verbindingen met netwerken, kan machine learning volledig los gaan op enorme datasets, terwijl de statistiek “slechts” modelleert op basis van steekproeven. In dit kader wordt ook wel van big data gesproken. Meta data management, oftewel goed georganiseerde data, is een voorwaarde om successen met kunstmatige intelligentie te oogsten. Wetenschappers hoeven niet meer per sé van tevoren aannames te maken, maar kunnen met machine learning zélf leren bij aselecte gegevensinvoer en waarschijnlijkheden, aangegeven door de algoritmen. Door onderscheid te maken in trainingsgegevens en testgegevens, kan het algoritme uiteindelijk ruwe data verwerken, initieel, middels sensoren of van het web.
Wat houdt het werk rondom AI en ML in?
Iemand die werkt in het speelveld van kunstmatige intelligentie en machine learning is voortdurend gegevens aan het kneden, bijstellen en filteren. Alles draait om het algoritme, dus de persoon stelt het algoritme bij en verfijnt de werking ervan door te programmeren en te filteren. Het gaat erom dat er uitvoer wordt geproduceerd die de gewenste patronen onthult, zodat hij of zij de gegevens kan begrijpen. Vaak zijn er ook invoergegevens nodig naast de al aanwezige dataset, dus iemand die met machine learning werkt moet ook alles begrijpen van gegevens die van verschillende invoerbronnen komen, zoals sensoren, camera’s, microfoons etc. Het aantal variabelen om tegelijkertijd mee te werken is groot en complex.
Allemaal mooi, maar wat is dan deep learning?
Ja, en dan is er nog deep learning, ook bekend als deep neural learning of deep neural network. Zowel machine als deep learning zijn subsets van kunstmatige intelligentie, maar deep learning vertegenwoordigt de volgende evolutie van machine learning. In machine learning zijn algoritmen gecreëerd door menselijke programmeurs verantwoordelijk voor het doorgeven en leren van de gegevens. Ze nemen beslissingen op basis van wat ze van de gegevens leren. Deep learning leert door een kunstmatig neuraal netwerk dat erg op de werking van het menselijke brein lijkt en de machine in staat stelt om gegevens in een structuur te analyseren net zoals mensen dat doen. Deep learning machines vereisen geen menselijke programmeur om hen te vertellen wat te doen met de gegevens. Dit wordt mogelijk gemaakt door de buitengewone hoeveelheid gegevens die we verzamelen en consumeren – gegevens zijn de brandstof voor diepgaande modellen.
Alles is vreugd & jolijt?
Het enthousiasme waarmee momenteel systemen ontwikkeld worden met kunstmatige intelligentie is onvoorstelbaar groot. Kunstmatige intelligentie zit in de hoopgevende hoek, bijvoorbeeld door medische en wetenschappelijke toepassingen. Maar er is ook een schaduwkant aan kunstmatige intelligentie, machine learning en deep learning. In relatie tot deze technologieën worden steeds vaker ethische overwegingen gemaakt en discussies gevoerd. Binnenkort zal weblog Epic Features hier ook aandacht aan besteden. Tot zover slaan we deze discussie plat met: ja, kunstmatige intelligentie discrimineert in algoritmen, maar mensen discrimineren nog veel meer.
Wat is er hoopgevend aan deze technologieën?
Onwaarschijnlijk veel. Kunstmatige intelligentie biedt al mogelijkheden en toepassingen, die voorheen praktisch onmogelijk waren en zelfs ondenkbaar. Kunstmatige intelligentie verslaat menselijke kampioenen gemakkelijk met spelletjes, zoals AlphaGo Zero die geen spelregels uitgelegd kreeg. Vooral hoopgevend zijn de vier hierna beschreven toepassingen in de medische wereld, die ons wellicht sneller en dichterbij goede behandelingen brengen van nu nog ongeneeslijke ziekten.
1. diagnose stellen bij ziekten
Het vergt jaren van medische opleiding om een juiste diagnose te kunnen stellen. Zelfs dan is diagnostiek een uitdaging, vooral omdat er overal in de wereld specialistisch onderzoek plaatsvindt en het voor een medicus onmogelijk is om overtal het zicht op te houden. Op veel gebieden is de vraag naar medische experts veel groter dan het beschikbare aanbod, waardoor het voor een medicus moeilijk is om naast zijn drukke bestaan ook nog alle nieuwe medische inzichten te volgen. Bijblijven in zijn vak is voor een medicus nodig om continu levensreddende diagnoses te kunnen stellen. IBM’s super computer Watson, gebaseerd op deep learning, stelt nu al beter diagnoses bij kanker dan een medicus.
Machine Learning-algoritmen kunnen patronen leren zien op dezelfde manier als artsen ze zien. Een belangrijk verschil is dat algoritmen duizenden concrete voorbeelden nodig hebben om te leren. En deze voorbeelden moeten netjes worden gedigitaliseerd. Machine Learning is dus met name handig op gebieden waar de diagnostische informatie die een arts onderzoekt al is gedigitaliseerd, zoals:
- Longkanker of beroertes detecteren op basis van CT-scans
- Beoordeling van het risico op plotse hartdood of andere hartziekten op basis van elektrocardiogrammen en cardiale MRI-afbeeldingen
- Classificeren van huidlaesies in huidafbeeldingen
- Indicatoren van diabetische retinopathie vinden in oogafbeeldingen
2. medicijnen ontwikkelen
Het ontwikkelen van medicijnen is een duur en tijdrovend proces. Veel van de analytische processen die betrokken zijn bij de ontwikkeling van geneesmiddelen kunnen efficiënter worden gemaakt met machine learning. Dit heeft het potentieel om jaren werk en honderden miljoenen investeringen te besparen. Kunstmatige intelligentie is al met succes gebruikt in alle vier hoofdfasen in de ontwikkeling van geneesmiddelen.
In de eerste fase in de ontwikkeling van geneesmiddelen gaat het om de biologische oorsprong van een ziekte te begrijpen, evenals resistentie mechanismen. Bij deze fase is bijzonder grote hoeveelheden gegevens nodig om de kans te vergroten levensvatbare doelroutes te ontdekken. Met machine learning-algoritmen kunnen gemakkelijker alle beschikbare gegevens geanalyseerd worden en kunnen algoritmen zelfs geleerd worden om automatisch goede doeleiwitten te identificeren, welke cruciaal zijn in deze fase van het ontwikkelen van nieuwe medicijnen.
Vervolgens moeten medische onderzoekers een verbinding vinden die op de gewenste manier kan inter-ageren met het geïdentificeerde doelmolecuul. Het gaat hierbij om het screenen van een groot aantal, vaak vele duizenden of zelfs miljoenen, potentiële verbindingen op hun effect op het doeleiwit (affiniteit). En niet te vergeten hun niet-doelgerichte bijwerkingen (toxiciteit). Deze verbindingen kunnen natuurlijk, synthetisch of biologisch ontwikkeld zijn. De huidige software is echter vaak onnauwkeurig en levert veel slechte suggesties (valse positieven) op, dus het duurt erg lang om het te beperken tot de beste kandidaat-geneesmiddelen (ook bekend als leads).
Machine Learning-algoritmen kunnen hier ook bij helpen: ze kunnen leren de geschiktheid van een molecuul te voorspellen op basis van structurele vingerafdrukken en moleculaire descriptoren. Machine learning kan ook helpen bij het filteren van miljoenen uitkomsten tot de beste opties, met minimale bijwerkingen voor patiënten. Dit bespaart veel tijd in het ontwerpen van medicijnen.
Fase drie in het ontwikkelen van medicijnen gaat om het vinden van geschikte kandidaten. Ook hier kan kunstmatige intelligentie uitkomst bieden. Machine learning kan het ontwerp van klinische proeven versnellen door automatisch geschikte kandidaten te identificeren en de juiste verdeling voor groepen proefdeelnemers te waarborgen. Algoritmen kunnen helpen bij het identificeren van patronen die goede kandidaten van slechte scheiden. Ze kunnen ook dienen als een vroeg waarschuwingssysteem voor een klinische proef die geen afdoende of gevaarlijke resultaten oplevert, waardoor de onderzoekers eerder kunnen ingrijpen en mogelijk de ontwikkeling van het medicijn wordt tegengehouden.
In de laatste fase in de ontwikkeling van nieuwe medicijnen gaat het om het vinden van zogenaamde biomarkers. Dat zijn meetbare indicatoren van een of andere biologische toestand of conditie. We kunnen patiënten alleen voor een ziekte behandelen als medici er zeker van zijn dat de diagnose juist is. Sommige methoden zijn erg duur en omvatten gecompliceerde laboratoriumapparatuur en kennis van experts, zoals het uitlezen van het hele genoom (sequencing).
Biomarkers zijn moleculen in lichaamsvloeistoffen, meestal menselijk bloed, die absolute zekerheid bieden of een patiënt een ziekte heeft of niet. Ze maken het diagnosticeren van een ziekte veilig en goedkoop. Het vinden van geschikte biomarkers voor een bepaalde ziekte is moeilijk. Het is een duur, tijdrovend proces waarbij tienduizenden potentiële molecule-kandidaten worden gescreend. Kunstmatige intelligentie kan een groot deel van het handmatige werk automatiseren en het proces versnellen. De algoritmen classificeren moleculen in goede en slechte kandidaten, waardoor clinici zich kunnen concentreren op het analyseren van de beste prospects.
3. Behandelingen personaliseren
Verschillende patiënten reageren verschillend op medicijnen en behandelingsschema’s. Dus gepersonaliseerde behandeling heeft een enorm potentieel om de levensduur van patiënten te verlengen. Maar het is heel moeilijk om te bepalen welke factoren de keuze van de behandeling moeten beïnvloeden.
Machine Learning kan dit gecompliceerde statistische werk automatiseren en helpen ontdekken welke kenmerken aangeven dat een patiënt een bepaalde reactie op een bepaalde behandeling zal hebben. Het algoritme kan dus de waarschijnlijke reactie van een patiënt op een bepaalde behandeling voorspellen.
Het systeem leert dit, door te verwijzen naar vergelijkbare patiënten en hun behandelingen en resultaten te vergelijken. De resulterende voorspellingen maken het voor artsen veel eenvoudiger om het juiste behandelplan op te stellen.
4. verbeteren van gen-bewerking
CRISPR-cas9 is een populaire techniek voor het gericht bewerken van genen in de ontwikkeling van medicijnen. Meer dan 3000 genetische ziektes, denk aan kleurenblindheid of ziekte van Huntington, worden veroorzaakt door maar één verkeerd geplaatste nucleotide in het DNA. Vooral daar is deze techniek interessant, maar vergt uiterst precieze uitvoering. In hoog tempo worden de CRISPR-cas9-systemen nu met kunstmatige intelligentie bijgevijld en preciezer gemaakt.
AI helpt ons dus al om ziekten efficiënter te diagnosticeren, medicijnen te ontwikkelen, behandelingen te personaliseren en zelfs genen te bewerken. Maar dit is nog maar het begin. Hoe meer we onze medische gegevens digitaliseren en verenigen, hoe meer we kunstmatige intelligentie kunnen gebruiken om ons te helpen waardevolle patronen te vinden – patronen die we kunnen gebruiken om nauwkeurige, kosteneffectieve beslissingen te nemen in complexe analytische processen. We kunnen dus met recht zeggen, dat er hoop is op een betere wereld met kunstmatige intelligentie.