Narrow AI, ook wel zwakke AI genoemd, verwijst naar systemen voor kunstmatige intelligentie die ontworpen zijn om een specifieke taak uit te voeren en binnen een beperkt aantal randvoorwaarden te opereren.
Uitleg over Narrow AI
Narrow AI voert specifieke taken uit, zoals spraakherkenning of beeldanalyse. Het is het meest voorkomende type AI dat we in ons dagelijks leven tegenkomen. Voorbeelden zijn de spraakassistenten op onze telefoons zoals Siri en Google Assistant, de aanbevelingsalgoritmen van Netflix en Amazon, en de AI die autonome voertuigen aanstuurt.
Narrow AI is ontworpen om taken uit te voeren die normaal menselijke intelligentie vereisen, maar werkt binnen een beperkt aantal randvoorwaarden en is taakgericht. Het heeft geen begrip of bewustzijn; het volgt vooraf geprogrammeerde regels of leert patronen uit data. Zo kan een Narrow AI voor beeldherkenning objecten in afbeeldingen identificeren omdat het getraind is op een dataset met gelabelde objecten, niet omdat het begrijpt wat een object is.
De term "Narrow AI" wordt gebruikt om dit type AI te onderscheiden van Artificial General Intelligence (AGI), ook wel sterke AI. AGI verwijst naar een type AI dat in staat is om te begrijpen, te leren en kennis toe te passen over een breed scala aan taken, vergelijkbaar met een mens. Narrow AI daarentegen is ontworpen voor specifieke taken en mist het vermogen om taken buiten zijn ontworpen scope uit te voeren.
Narrow AI wordt gebruikt omdat het specifieke taken efficiënter en nauwkeuriger kan uitvoeren dan mensen. Het kan 24/7 zonder pauzes werken, heeft geen salaris nodig en kan snel grote hoeveelheden data verwerken. Het is vooral nuttig voor taken die repetitief, tijdrovend of gevaarlijk zijn voor mensen.
Voorbeelden van Narrow AI-toepassingen in de echte wereld
Narrow AI wordt in veel domeinen toegepast, bijvoorbeeld:
- Spraakassistenten. Siri, Alexa en Google Assistant zijn voorbeelden van Narrow AI die is ontworpen om spraakopdrachten te begrijpen en erop te reageren, en taken uit te voeren zoals wekkers zetten, telefoontjes plegen en vragen beantwoorden.
- Aanbevelingssystemen. De aanbevelingsalgoritmen van platforms als Netflix, Amazon en Spotify zijn voorbeelden van Narrow AI. Ze analyseren gebruikersgedrag en -voorkeuren om films, producten of nummers aan te bevelen.
- E-mailfiltering. E-maildiensten zoals Gmail gebruiken Narrow AI om spamberichten te filteren en binnenkomende e-mails in verschillende mappen te categoriseren.
- Weersvoorspelling. Het voorspellen van temperatuur, neerslag en andere omstandigheden op basis van klimaatdata
Wat zijn de voordelen van Narrow AI?
Narrow AI biedt verschillende voordelen:
- Efficiëntie. Narrow AI-systemen kunnen specifieke taken efficiënter en nauwkeuriger uitvoeren dan mensen, waardoor de tijd en moeite die nodig zijn om deze taken te voltooien, afneemt.
- Beschikbaarheid. In tegenstelling tot mensen kunnen Narrow AI-systemen 24/7 zonder pauzes werken en constante service leveren. Ze zijn ook eenvoudig op- of af te schalen om aan de vraag naar een bepaalde taak te voldoen.
- Minder menselijke fouten. Door taken te automatiseren kan Narrow AI helpen de kans op menselijke fouten te verkleinen.
- Verbeterde veiligheid. In bepaalde sectoren, zoals productie of transport, kan Narrow AI de veiligheid verbeteren door gevaarlijke of repetitieve taken over te nemen die risico’s voor menselijke werknemers vormen.
Wat zijn de beperkingen van Narrow AI?
Ondanks de voordelen heeft Narrow AI ook beperkingen:
- Gebrek aan flexibiliteit. Narrow AI-systemen zijn ontworpen voor specifieke taken en kunnen geen taken uitvoeren buiten hun ontworpen scope. Een voorbeeld hiervan zie je bij spraakherkenningssystemen. Deze systemen zijn ontworpen om menselijke spraak te herkennen en te transcriberen, maar kunnen moeite hebben met accenten of dialecten buiten hun ontworpen bereik. Zo kan een systeem dat is ontworpen voor Amerikaans Engels moeite hebben om een Schots accent nauwkeurig te transcriberen, wat tot transcriptiefouten leidt.
- Afhankelijkheid van data. De prestaties van Narrow AI-systemen zijn sterk afhankelijk van de kwaliteit en kwantiteit van de data waarop ze zijn getraind. In het domein van gezichtsherkenning kan een AI-systeem dat is getraind op een niet-diverse dataset bijvoorbeeld moeite hebben om gezichten van personen uit bepaalde rassen of etniciteiten nauwkeurig te herkennen. Dit kan leiden tot bevooroordeelde of onnauwkeurige resultaten, met serieuze gevolgen in onder meer wetshandhaving en beveiliging.
- Gebrek aan begrip. Narrow AI-systemen begrijpen de taken die ze uitvoeren niet echt. Ze volgen simpelweg vooraf geprogrammeerde instructies of patronen die ze uit data hebben geleerd. In de medische diagnostiek kunnen AI-systemen bijvoorbeeld getraind zijn op grote datasets met medische afbeeldingen en bepaalde patronen of afwijkingen nauwkeurig identificeren. Maar ze begrijpen mogelijk de onderliggende biologische mechanismen of klinische context niet, wat kan leiden tot een verkeerde diagnose of onjuiste behandeladviezen. Dit benadrukt het belang van ontwikkeling en testen in samenwerking met medische experts die de benodigde context kunnen bieden en de resultaten kunnen interpreteren.
De toekomst van Narrow AI en de risico’s
Narrow AI is overal: in onze telefoons, auto’s en op de werkvloer. We zijn er afhankelijk van geworden omdat het ons leven makkelijker maakt. Bovendien blijft narrow AI verbeteren, waardoor we op de drempel staan van artificial general intelligence.
Ik ontwikkel bijna elke week een Narrow AI-toepassing voor mijn blogs en onderzoek. Het tabelclassificatiemodel is het meest bekende Narrow AI-model. Daarnaast heb ik gewerkt aan voorspellen van tijdreeksen, clusteren, computervisie, Natural Language Processing en spraakherkenningsmodellen. Wil je meer leren over Classificatie in machine learning? Dan kun je praktisch aan de slag met het bouwen van een Narrow AI-model.
Grote taalmodellen zoals GPT-3.5 Turbo en GPT-4, die menselijke context beter begrijpen, hebben onze werkomgevingen veranderd. Bedrijven integreren deze technologieën nu op de werkvloer, waardoor medewerkers efficiënter worden.
Hoewel Narrow AI veel voordelen biedt, zijn er ook aanzienlijke risico’s op het gebied van bias, gebrek aan uitlegbaarheid van modellen, betrouwbaarheid, veiligheid en de impact op banen. Grondige risicoanalyses en verantwoord AI-gebruik zijn essentieel om deze gevaren te beperken terwijl narrow AI zich verder in ons leven en werk verspreidt.
Deze Narrow AI-modellen groeien nu uit tot multimodale systemen die meerdere inputs kunnen begrijpen en verwerken. Dat helpt hun fundamentele beperkingen aan te pakken en maakt ze slimmer en waardevoller. Leer meer over multimodale technologieën in Het laatste nieuws over OpenAI, Google AI en wat dit betekent voor data science.
Wil je meer leren over AI en machine learning? Bekijk dan de volgende bronnen:
Veelgestelde vragen
Wat is het verschil tussen Narrow AI en Artificial General Intelligence (AGI)?
Waar Narrow AI is ontworpen om specifieke taken uit te voeren, verwijst AGI naar AI-systemen die in staat zijn om te begrijpen, te leren en kennis toe te passen over een breed scala aan taken, vergelijkbaar met een mens.
Kan Narrow AI AGI worden?
Op dit moment niet. Hoewel Narrow AI flinke vooruitgang heeft geboekt, blijft de ontwikkeling van AGI—een AI met brede cognitieve vermogens vergelijkbaar met een mens—een complexe uitdaging en onderwerp van lopend onderzoek.
Wat zijn enkele voorbeelden van Narrow AI?
Narrow AI is overal in ons dagelijks leven. Voorbeelden zijn spraakassistenten zoals Siri en Alexa, aanbevelingssystemen van Netflix en Amazon, en e-mailfiltersystemen van Gmail.
Als gecertificeerd data scientist haal ik met passie het maximale uit de nieuwste technologie om innovatieve machinelearning-toepassingen te bouwen. Met een sterke achtergrond in spraakherkenning, data-analyse en -rapportage, MLOps, conversationele AI en NLP heb ik mijn vaardigheden aangescherpt in het ontwikkelen van intelligente systemen die echt impact maken. Naast mijn technische expertise ben ik ook een sterke communicator met een talent om complexe concepten terug te brengen tot heldere, beknopte taal. Daardoor ben ik uitgegroeid tot een veelgelezen blogger over data science, waar ik mijn inzichten en ervaringen deel met een groeiende community van data-professionals. Op dit moment richt ik me op contentcreatie en redactie, waarbij ik met large language models werk aan krachtige en aansprekende content die zowel bedrijven als individuen helpt het beste uit hun data te halen.
