Wat is Artificiële Intelligentie nu eigenlijk en wat brengt de toekomst?

Het AI-tijdperk lijkt aangebroken. Als een lawine donderen de AI-platformen en -toepassingen over ons heen. Tijd om even stil te staan bij wát AI nu eigenlijk is. Hoe definiëren we het? Waar komt het vandaan? En: wat brengt de toekomst?

Het is november 2022 als OpenAI de chatbot ChatGPT introduceert. AI-taaltoepassingen zijn niet nieuw, maar wat deze tool kan, slaat iedereen met verstomming. Ook wetenschappers. “Niemand van mijn collega’s zag dit nu al aankomen”, reflecteert Tony Belpaeme, professor bij de vakgroep Elektronica en Informatiesystemen. “Ongelooflijk hoe vlot en natuurlijk die chatbot is. Zelfs de makers konden hun ogen amper geloven.”

Joni Dambre, professor bij dezelfde vakgroep, treedt hem bij: “Wij volgen al jaren de evoluties van generatieve taalmodellen, maar tot voor kort waren de teksten die daaruit kwamen veel minder samenhangend.”

Revolutie van AI met ups en downs

Toch komt een toepassing als ChatGPT niet zomaar uit de lucht vallen: de evolutie van AI is al een kleine eeuw bezig (zie tijdlijn). “Doorheen de jaren wisselen gouden periodes en zogenaamde AI-winters elkaar af. Spectaculaire innovaties scheppen hoge verwachtingen, daarna volgen teleurstellingen, omdat die verwachtingen niet ingelost werden”, vertelt Joni.

Of er nu opnieuw zo’n teleurstelling volgt, weten we niet. Wetenschappers zijn het er wél over eens dat de snelheid waarmee AI zich nu ontwikkelt, ongezien is. Om de haverklap is er een nieuwe baanbrekende toepassing en er gaat geen dag voorbij of AI is in de media. Hoe zijn we in deze AI-rollercoaster beland?

First things first, want voor een goed begrip is het nodig om uit te leggen wat AI nu precies is. En daar wringt al meteen een schoentje. “Zelf heb ik me lang verzet tegen de term AI”, bekent Joni. “Want wat iedereen vandaag AI noemt, is eigenlijk vooral machine learning. Terwijl die twee geen synoniemen zijn.”

AI: alles wat een computer nog niet kan

“AI, of artificial intelligence, is de simulatie van menselijke intelligentie in computers”, definieert Tony. “Wat kunnen wij dat een eenvoudige computer niet kan? Het is die grens die we met AI proberen opzoeken. Die menselijke vaardigheden bouwen we dan na zodat een computer ze kan, maar dan sneller.”

AI is dus de overkoepelende term voor machines die een vorm van menselijke intelligentie laten zien. Machine learning of ‘machinaal leren’ is dan weer een subdomein van AI. Het is de algemene term voor het onderzoeksveld dat algoritmes en technieken ontwikkelt waarmee computers zelf kunnen leren. Zo kunnen de systemen patronen ontdekken, voorspellingen doen, beslissingen nemen of specifieke taken uitvoeren. Naarmate ze meer gegevens verwerken, leren ze zichzelf beter te presteren. Bij machine learning gaat het met andere woorden over machines die zelfstandig kunnen ‘leren’.

Een ander belangrijk AI-subdomein zijn de regelgebaseerde systemen. Die nemen beslissingen op basis van een set vooraf geprogrammeerde regels. Een bekende toepassing is een AI-systeem in de geneeskunde, dat diagnoses stelt op basis van vooraf gedefinieerde regels.

Basis: neurale netwerken

De machine learning-techniek duikt voor het eerst op in de jaren 1950. “Sindsdien zijn er heel wat spectaculaire dingen gebeurd”, blikt Tony terug. “Denk maar aan de artificiële intelligentie die al een aantal jaar verweven zit in ons dagelijks leven: de navigatie-apps die in no time de beste route voor jou berekenen, streamingplatformen die series of films aanbevelen die passen bij jouw persoonlijke smaak, het automatisch roosteren van personeel of de flitscamera’s die nummerplaten herkennen.”

De ruggengraat van machine learning zijn tegenwoordig neurale netwerken: computersystemen die gebaseerd zijn op het menselijk brein. Die netwerken bestaan uit kunstmatige neuronen, die onderling verbonden zijn. Elk kunstmatig neuron ontvangt input van buitenaf of van andere neuronen, voert een bewerking uit en geeft het resultaat door. Zo werken ze samen om gegevens te verwerken.

Decennialang was er amper aandacht voor neurale netwerken, en bleef die techniek best niche. De complexe systemen vereisten een te grote computerkracht, en er was te weinig data om ze te voeden. Toch bleef een aantal onderzoekers hierin investeren, met succes. Zo is er Geoffrey Hinton, die begin deze eeuw het gebruik van heel complexe neurale netwerken introduceert: deep learning. De term ‘deep’ verwijst naar de verschillende lagen neuronen. Hoe complexer de neurale netwerken, hoe groter de hoeveelheden data die het systeem nodig heeft om te leren en hoe complexer de kenmerken die de neuronen kunnen herkennen.

Razendsnel patronen herkennen

Toen in 2012 een neuraal netwerk alle concurrenten versloeg in een internationale wedstrijd rond beeldherkenning, was het hek van de dam. Sinds die doorbraak werden nog veel stappen gezet die ervoor zorgden dat diepe neurale netwerken nu veel efficiënter zijn, minder data nodig hebben om te leren en tegelijk altijd maar complexere taken kunnen oplossen.

Vandaag is deep learning de voorkeurstechniek voor zowat alle complexe AI-toepassingen - van beeld- en spraakherkenning tot natuurlijke taalverwerking. Door middel van training leert het systeem zichzelf patronen en kenmerken herkennen. De programmeur moet niet langer zo intensief ingrijpen om algoritmen bij te sturen, want die bepalen nu grotendeels zélf of hun beslissingen goed of fout zijn. AI-systemen kunnen op basis daarvan razendsnel ongestructureerde data classificeren. Hoe meer data ze ontvangen, hoe nauwkeuriger ze kunnen werken.

AI als creator

En dan, in september 2021, lanceert OpenAI de app DALL-E. Op basis van een korte beschrijving stelt de app originele afbeeldingen samen. Voor het eerst kan een AI-systeem beelden genereren op basis van tekst, in plaats van ze te herkennen, én voor het eerst is zo’n systeem beschikbaar voor het brede publiek. Het is een voorbeeld van generatieve AI: een deep learning-model dat leert om statistisch waarschijnlijke resultaten te genereren op basis van de input die het model ontvangt.

Een jaar later lanceert datzelfde bedrijf ChatGPT: een generatief taalmodel dat antwoordt op input met tekst van ongeziene kwaliteit. De chatbot is gevoed met grote hoeveelheden tekst: boeken, artikelen en gesprekken - zodat hij kan leren hoe taal werkt. Aan de hand daarvan voorspelt het systeem welke woorden op elkaar volgen in een tekst.

De toekomst van AI

Hoe het nu verder gaat? Neemt AI de wereld over, of belanden we opnieuw in een AI-winter? Niemand die het weet. Want hoe spectaculair en indrukwekkend de recente AI-doorbraak ook is, het is niet allemaal rozengeur en maneschijn. “We moeten ons heel bewust zijn van de mogelijke problemen en ethische vraagstukken. Denk bijvoorbeeld aan de zogenaamde biases”, waarschuwt Joni. “AI-modellen werken met datasets, ingevoerd door de makers. Maar volgens welke normen en waarden? Soms zijn AI-systemen zo complex, dat we zelfs als maker de controle verliezen.”

Tony ziet de toekomst heel wat minder pessimistisch: “Natuurlijk moeten we stilstaan bij de mogelijke kwade gevolgen. Maar de modellen blijven slimmer worden, en mensen werken er voortdurend aan om al die fouten eruit te krijgen.”

Joni Dambre is gespecialiseerd in machine learning en neurale netwerken. Haar onderzoeksgroep (AIRO) verdiept zich in machine learning, deep learning, robotica en computerprogramma’s geïnspireerd op het brein.

Tony Belpaeme is verbonden aan zowel de UGent als imec. Zijn onderzoeksteam bestudeert cognitieve robotica en de interactie tussen mens en robot. Hij schreef het boek Artificial Intelligence, op weg naar de maakbare mens (Academia Press).