Cursus
Inzicht in Machine Learning
2 uur
313.7K
Welkom bij deel elf van onze maandlange serie Data ontrafeld. Als onderdeel van Data Literacy Month verduidelijkt deze serie kernbegrippen uit de wereld van data, beantwoordt hij vragen die je misschien niet durfde te stellen en hebben we onderweg ook wat plezier. Wil je bij het begin beginnen? Lees dan onze eerste aflevering in de serie: Wat is een dataset?
Deze week kijken we dieper naar hoe AI in het nieuws wordt besproken en naar enkele valkuilen rond AI waar iedereen zich bewust van moet zijn. Deze blogpost gaat in op hoe AI in het nieuws kan worden opgeklopt en hoe je kunt voorkomen dat je in de AI-hypevalkuil trapt.
Wil je je verder verdiepen in AI en de verschillende vaktermen die in dit domein worden gebruikt? Dan raden we aan om een eerder deel in de Data ontrafeld-serie te lezen over het verschil tussen AI, machine learning, deep learning en data science.
Het probleem met de AI-hypevalkuil
Kunstmatige intelligentie (AI) is alomtegenwoordig geworden en heeft zijn weg gevonden naar talloze toepassingen om ons heen—van gezichtsherkenning om je telefoon te ontgrendelen tot aanbevelingen voor producten waarin je mogelijk geïnteresseerd bent.
Met de grote ontwikkelingen in AI in de afgelopen jaren is er veel media-aandacht geweest voor AI-technologieën en hoe die worden ingezet in de industrie en de academische wereld. Hoewel dat over het algemeen welkom is, heeft het ook de hype rond veel van de nieuwste doorbraken vergroot. Deze dynamiek heeft geleid tot opgeklopte berichtgeving over de mogelijkheden van huidige AI-tools en -technologieën en over hun potentiële risico’s.
Die sensationele berichtgeving kan tot drie belangrijke risico’s leiden in hoe het brede publiek over AI denkt:
- Onrealistische verwachtingen van wat AI-tools en -technologieën kunnen, wat een onterechte dosis optimisme creëert over waar de technologie naartoe gaat
- Opgeklopte angst voor automatisering en het idee dat AI-tools en -technologieën “zelfbewust” zullen worden
- Afleiding van de problemen die AI vandaag teisteren en hoe we die kunnen oplossen
Een kader om AI-hype te begrijpen
Een goed kader om deze dynamiek rond AI te illustreren komt van Gartners Hype Cycle, die verschillende fasen in de levensloop van een opkomende technologie laat zien. Laten we de volwassenheidsschaal van AI begrijpen aan de hand van de hypecyclus zoals hieronder uitgelegd.
- De Hype Cycle begint met de fase “Trigger”, waarin het universum aan mogelijkheden wordt geschetst en enthousiasme ontstaat over de nieuwe technologie.
- De tweede fase is de piek, waar verwachtingen zich opstapelen en overschatte mogelijkheden beginnen af te brokkelen.
- De derde fase raakt de bodem, toepasselijk de “Trough of disillusionment” genoemd—waar de fantastische maar lastige ideeën niet van de grond komen. Hier dringt de realiteit door en geven mensen veel krachtige ideeën op tegenover wat praktisch uitvoerbaar is.
- De lastige fase is voorbij met de komst van de “Slope of enlightenment”, waarin beperkingen van de technologie met vernieuwende ideeën worden overwonnen, wat leidt tot de laatste fase en de geboorte van geheel nieuwe sectoren die de mensheid op onvoorstelbare manieren dienen.
Volgens AI-onderzoekers bij Google bevinden machine learning en AI zich ergens tussen de trigger en de piek van opgeblazen verwachtingen. Dat betekent dat veel mogelijkheden die in het nieuws worden besproken ook best fantasie kunnen zijn.
Voorbeelden van de AI-hypevalkuil
De hypevalkuil verschuift de aandacht van het grote publiek weg van de echte problemen die AI teisteren naar discussies zoals “machines die menselijk bewustzijn krijgen” of “robots die de planeet overnemen”. Hoewel het goed is om je bewust te zijn van alle mogelijkheden en risico’s die met AI-tools en -technologieën gepaard gaan, is die discussie vaak niet gegrond in de daadwerkelijke mogelijkheden en risico’s van AI.
Hier zijn enkele voorbeelden die de hypevalkuil in actie laten zien
- Lamda en ‘sentiente’ AI: Google’s LaMDA-project haalde de krantenkoppen na de sensationele claim van een ingenieur dat het large language model bewustzijn had gekregen. Hoewel LaMDA inderdaad indrukwekkend is, is er geen bewijs dat het bewust is. In onze Weekly Roundup leer je meer over de onderliggende technologie achter LaMDA.
- IBM Watson: IBM Watson werd lange tijd omschreven als de ultieme tool om sectoren te transformeren. Maar na verloop van tijd kon IBM Watson de grootse claims niet waarmaken en werd het slachtoffer van de technologiehype.
- Sophia de robot: Sophia is een geavanceerde chatbot in een mensachtig robotlichaam. De chatbot is verpakt met veel aandacht voor het menselijk laten klinken en eruitzien. Hoewel die technologie indrukwekkend is, dachten velen ten onrechte dat mensachtige robots al realiteit waren geworden.
De sensationalisering van dit soort nieuwsverhalen leidt niet alleen af van nuttige use-cases van AI, zoals het voorspellen van Covid-19-hotspots of het verstrekken van krediet aan ondernemers om hun zaak te openen. Het leidt ook af van de reële risico’s die AI vandaag teisteren.
Veel AI-systemen, zoals nieuwsfeeds, aanbevelingssystemen en meer, zijn een integraal onderdeel van ons leven geworden en beïnvloeden onze voorkeuren en afkeren. Deze AI-systemen kunnen geplaagd worden door bias, wat mensen die ermee in aanraking komen vandaag al raakt.
Hoe je de AI-hypevalkuil vermijdt
Data- en AI-geletterdheid zijn de sleutel om te zorgen dat je niet in de AI-hypevalkuil trapt. Begrijpen waartoe AI in staat is, wat de beperkingen zijn en welke risico’s eraan kleven, is cruciaal om een kritischer en evenwichtiger perspectief te ontwikkelen op waar het vakgebied naartoe gaat.
Om jezelf van de nodige kennis te voorzien om dat perspectief te ontwikkelen, volg je onze cursus Understanding Machine Learning en begin je aan je data-geletterdheidsreis. De volgende (en laatste!) aflevering in de Data ontrafeld-serie behandelt de verschillende soorten bias in AI die iedereen zou moeten kennen. Bekijk in de tussentijd de volgende bronnen:
Onderwerpen
