We moeten op zoek naar een gezamenlijke wetenschappelijke benadering voor AI

Abonneer je gratis op Techzine!

We speculeren veel over de toekomst van Artificial Intelligence (AI). Angstbeelden of juist overdreven rooskleurige toekomstscenario’s overheersen vaak het debat. Dit komt voornamelijk omdat het een technologie betreft, waarvan de toekomst tot op zekere hoogte onzeker en chaotisch is. Toch kan speculeren over AI zinvol zijn, zolang we het zorgvuldig en met enige onderbouwing doen.

De laatste jaren zijn er veel veranderingen geweest in het tijdperk van Deep Learning (DL). Met name de beschikbaarheid van big data, betaalbare GPU-chips voor het trainen van modellen en een groot aantal nieuwe DL-algoritmen hebben een grote rol gespeeld in de vooruitgang van DL. Ik verwacht dat we hier in de toekomst een nieuw element aan kunnen toevoegen, namelijk het toenemende vermogen om onbewerkte data te annoteren met menselijke interpretaties die leesbaar zijn voor machines.

Dit toenemende vermogen is echter ook een toenemende noodzaak. Normaliter kunnen alleen data die zorgvuldig zijn geannoteerd en in de metadata zijn voorzien van een bepaald type menselijke interpretatie, succesvol worden gebruikt voor DL-toepassingen. DL leert namelijk niet alleen van de beschikbare data, het heeft ook menselijke classificaties nodig die leesbaar zijn voor machines. Het goede nieuws is dat dit vandaag al mogelijk is, zelfs als de onbewerkte data zeer complex is. Het slechte nieuws is dat er geen garanties kunnen worden gegeven op vragen als: Hoeveel data is genoeg? Is er een bovengrens aan het aantal gemaakte fouten? Hoe robuust zal de toepassing zijn? Om op dergelijke vragen antwoord te krijgen moeten we nog steeds veel experimenteren en data labelen.

De noodzaak van voldoende gelabelde data is dan ook één van de meest voorkomende knelpunten bij de ontwikkeling van DL-applicaties. Hoewel DL-methoden de afgelopen jaren vrij goed kunnen bepalen welke data en labels bij elkaar horen, zijn ze zeer beperkt in het vertellen waarom dat zo is. Het verklaren van oorzaken en gevolgen is essentieel als we een volgende stap willen zetten in cognitieve ontwikkeling. Alleen op deze manier kan een AI-toepassing belangrijke beslissingen gaan maken. Denk hierbij aan vragen als: Moet de patiënt morgen medicijn A of B gebruiken? Moet het bedrijf volgend jaar beleid A of B aannemen?

Interessant is dat de fundamentele wiskunde om statistiek verklarend vermogen te geven al bestaat. Het knelpunt is echter dat we DL-toepassingen niet makkelijk kunnen voorzien van goede causale veronderstellingen. Data alleen is dan ook niet voldoende om dergelijke causale veronderstellingen af ​​te leiden. Er is nog altijd een menselijk oordeel nodig om een DL-toepassing causale veronderstellingen te geven, bijvoorbeeld in de vorm van een causale graaf die de richting van causaliteit tussen de waargenomen variabelen beschrijft. 

Er zijn dus twee grote uitdagingen om AI een volgende stap te laten maken in de toekomst, namelijk het verzamelen van geannoteerde datasets en de uitdaging om AI te voorzien van goede causale veronderstellingen over data en de wereld. Maar stel nu dat we deze uitdagingen overwinnen, waar komen we dan terecht? We zouden dan bijvoorbeeld de prijs van medisch onderzoek kunnen verlagen, zodat de ontwikkeling van medicijnen geen extra miljarden kost. Online reisbureaus zouden hun klanten betere reisbestemmingen kunnen voorschotelen met minder inspanning. Verkeersproblemen kunnen beter worden gecoördineerd dankzij een betere planning etc.

Echter ligt het echte potentieel van toekomstige AI-toepassingen in het verbeteren van wetenschappelijke kennis, nieuwe materialen, nieuwe behandelingen, nieuw beleid en nieuwe manieren om ons leven te transformeren. Hoewel we sinds de opkomst van AI de neiging hebben om te denken dat intelligentie voortkomt vanuit een individuele robot of AI-agent, komen wetenschappelijke ontdekkingen meestal voort uit jarenlange groepsinspanningen. Daarom moeten we ophouden om ons te concentreren op het individu en meer handelen vanuit een gezamenlijke wetenschappelijke benadering. Op deze manier kunnen we de ontwikkeling van Artificial Intelligence een volgende stap laten maken.

Dit is een ingezonden bijdrage van Maarten Stol, Principal Scientist bij BrainCreators. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.