De verschillende soorten AI

Als we in het nieuws over "kunstmatige intelligentie" of "AI" lezen, lijkt het soms alsof we het over één technologie hebben. In werkelijkheid bestaat AI uit een rijke verzameling van verschillende benaderingen en technieken, elk met eigen sterktes en toepassingsgebieden. In dit artikel geven we je een helder overzicht van de belangrijkste soorten AI, zodat je beter begrijpt wat er achter de schermen gebeurt wanneer je met AI-systemen interacteert.

Smalle versus algemene AI: een fundamenteel onderscheid

De meest basale indeling is tussen smalle (of zwakke) AI en algemene (of sterke) AI.

Smalle AI is ontworpen voor één specifieke taak of domein. Alle AI die we vandaag de dag gebruiken valt in deze categorie: de gezichtsherkenning op je smartphone, de spraakassistent in je slimme speaker, of de algoritmes die je Netflix-aanbevelingen bepalen. Deze systemen kunnen indrukwekkend goed zijn in hun specifieke taak, maar kunnen hun vaardigheden niet overdragen naar andere gebieden.

Algemene AI zou daarentegen mensachtige intelligentie hebben en elke intellectuele taak kunnen uitvoeren die een mens kan doen. Dit blijft voorlopig sciencefiction - ondanks alle vooruitgang in het veld, bestaat algemene AI nog niet en experts verschillen van mening over of en wanneer dit mogelijk zal zijn.

Twee hoofdbenaderingen: regels versus leren

Binnen het AI-veld bestaan twee fundamenteel verschillende benaderingen:

Symbolische AI (ook bekend als regelgebaseerde AI) werkt met expliciete regels en logica die door mensen zijn gedefinieerd. Denk aan "als X, dan Y"-regels. Deze traditionele benadering is transparant en uitlegbaar, omdat je precies kunt zien welke regels tot een bepaalde conclusie hebben geleid. De Nederlandse verzekeraar Achmea gebruikt bijvoorbeeld regelgebaseerde systemen voor het beoordelen van bepaalde verzekeringsaanvragen.

Machine Learning laat computers patronen in data ontdekken zonder expliciete programmering. In plaats van regels te schrijven, train je het systeem met voorbeelden waaruit het zelf leert. Dit heeft AI-toepassingen mogelijk gemaakt die vroeger onmogelijk leken, zoals nauwkeurige beeldherkenning en geavanceerde taalbegrip. De Buienradar-app gebruikt machine learning om nauwkeurige regenvoorspellingen te maken op basis van historische weerpatronen.

De drie belangrijkste leermethoden

Machine learning kent drie hoofdcategorieën, elk met een andere aanpak voor het leren uit data:

Supervised Learning (Begeleid Leren) traint een systeem met voorbeelden waarvan het juiste antwoord bekend is. Het is als leren met een leraar die zegt of je antwoord goed of fout is. Albert Heijn gebruikt supervised learning om te voorspellen welke producten klanten waarschijnlijk willen kopen op basis van eerdere aankopen.

Unsupervised Learning (Onbegeleid Leren) krijgt data zonder labels en moet zelf patronen ontdekken. Het is als puzzelstukjes sorteren zonder het eindplaatje te kennen. ING gebruikt deze techniek om afwijkende transactiepatronen te ontdekken die kunnen wijzen op fraude.

Reinforcement Learning (Versterkend Leren) leert door interactie met een omgeving en krijgt beloningen of straffen afhankelijk van de resultaten. ProRail experimenteert met deze techniek om treinregelingen te optimaliseren, waarbij het systeem leert welke aanpassingen leiden tot minder vertragingen.

Deep Learning: de revolutie binnen AI

De meest spraakmakende AI-doorbraken van de laatste jaren zijn te danken aan Deep Learning, een krachtige vorm van machine learning die werkt met kunstmatige neurale netwerken met vele lagen.

Deep learning is losjes geïnspireerd op hoe onze hersenen werken. Het "diepe" verwijst naar de vele verborgen lagen in het netwerk, die steeds complexere patronen kunnen herkennen. Deze techniek heeft geleid tot doorbraken in beeldherkenning, spraakverwerking en taalbegrip.

In het Erasmus MC in Rotterdam wordt deep learning gebruikt om medische beelden te analyseren en artsen te helpen bij het opsporen van ziektes. De vertaaldienst DeepL, die veel Nederlanders gebruiken, maakt gebruik van deep learning om vertalingen te maken die vaak verrassend natuurlijk klinken.

De kracht van deep learning komt met een prijs: de systemen zijn complex, vereisen enorme hoeveelheden trainingsdata, en het is vaak moeilijk te begrijpen hoe ze tot bepaalde conclusies komen.

Gespecialiseerde AI-systemen

Naast deze brede categorieën bestaan er gespecialiseerde AI-systemen voor specifieke toepassingen:

Natuurlijke Taalverwerking (NLP) stelt computers in staat om menselijke taal te begrijpen en te genereren. KLM's klantenservice gebruikt NLP-systemen om vragen van klanten te begrijpen en te beantwoorden.

Computer Vision geeft machines het vermogen om beelden en video's te interpreteren. In de Rotterdamse haven worden computer vision-systemen gebruikt om containers automatisch te identificeren en te volgen.

Robotica combineert AI met fysieke systemen. Bij de TU Delft wordt gewerkt aan slimme robots voor logistiek en gezondheidszorg.

Expertsystemen bootsen het besluitvormingsproces van menselijke experts na. Het UMC Utrecht gebruikt expertsystemen om behandelingen voor kankerpatiënten te optimaliseren.

Nieuwere ontwikkelingen in het AI-veld

Het AI-landschap evolueert voortdurend. Enkele recente ontwikkelingen zijn:

Hybride AI-benaderingen combineren verschillende technieken. Het Nederlandse cyberbeveiligingsbedrijf Fox-IT gebruikt zowel regelgebaseerde systemen als machine learning om cyberaanvallen te detecteren.

Multimodale AI kan verschillende soorten gegevens verwerken en combineren, zoals tekst, beeld en geluid. Dit brengt ons dichter bij hoe mensen informatie verwerken.

Foundation Models zijn enorme, veelzijdige modellen die op een breed scala aan gegevens zijn getraind en voor verschillende taken kunnen worden gebruikt. GPT (dat ChatGPT aandrijft) en DALL-E zijn bekende voorbeelden.

Ethische dimensies van AI

Bij het bespreken van AI-soorten is het belangrijk om ook de ethische dimensie te erkennen. Verschillende AI-benaderingen brengen uiteenlopende uitdagingen met zich mee: sommige systemen functioneren als ondoorzichtige "black boxes" waarvan moeilijk te begrijpen is hoe ze tot beslissingen komen, AI kan onbedoeld vooroordelen uit trainingsdata overnemen en versterken, en de behoefte aan enorme hoeveelheden gegevens voor training botst regelmatig met privacybelangen - uitdagingen waarop de Nederlandse overheid en onderzoeksinstituten zoals de Universiteit van Amsterdam actief inspelen met onderzoek naar verantwoorde AI-ontwikkeling.

De juiste AI voor de juiste taak

Elke AI-benadering heeft sterke en zwakke punten. De keuze voor een bepaalde techniek hangt af van de specifieke uitdaging:

• Voor taken waar transparantie cruciaal is, zoals in medische diagnoses of kredietbeoordelingen, kunnen regelgebaseerde of hybride systemen de voorkeur hebben.
• Voor complexe patroonherkenning, zoals in beeldanalyse of taalbegrip, is deep learning vaak effectiever.
• Voor taken waar je moet reageren op veranderende omstandigheden, zoals autonoom rijden, kan reinforcement learning een goede keuze zijn.

De meest effectieve AI-systemen combineren vaak verschillende technieken om optimale resultaten te bereiken.

Een divers landschap

Als we over "AI" spreken, hebben we het over een rijk en divers landschap van verschillende benaderingen en technieken. Het begrijpen van deze diversiteit helpt ons om beter te begrijpen wat AI wel en niet kan, en hoe het in verschillende contexten kan worden toegepast.

Hoewel de technologie indrukwekkend is, blijft het belangrijk om te onthouden dat alle huidige AI-systemen nog steeds smalle AI zijn - ontworpen voor specifieke taken zonder het algemene begrip en bewustzijn dat mensen hebben. Dit onderscheid helpt ons om realistische verwachtingen te hebben van de mogelijkheden en beperkingen van AI-technologie.

In de komende artikelen zullen we dieper ingaan op elk van deze AI-soorten. We zullen verkennen hoe symbolische AI en machine learning elkaar aanvullen, de verschillende leermethoden in detail uitleggen, de revolutie van deep learning belichten, en de ethische uitdagingen van verschillende AI-benaderingen bespreken. Blijf ons volgen voor meer inzichten in de fascinerende wereld van kunstmatige intelligentie.