Vindt u AI te technisch? Met een paar eenvoudige verklaringen worden zelfs de ingewikkeldste algoritmen klaar en duidelijk.

Praktisch bekeken is artificiële intelligentie een combinatie van wiskunde en informatica.

Om te werken, heeft AI twee dingen nodig. Ten eerste veel gegevens, want die vormen de brandstof, zoals benzine voor een motor. Ten tweede een computerspecialist die de eerste instructies verschaft om die gegevens te verwerken. Die instructies zijn de beroemde algoritmen.

AI leert van eigen ervaring

Neem nu een AI-systeem dat in de medische sector zou worden gebruikt, voornamelijk voor de analyse van röntgenfoto’s. Bij het ontwerp ervan converteert de IT-wetenschapper in wiskundige algoritmen de redenering van een menselijke arts die röntgenbeelden interpreteert. Door steeds meer dergelijke röntgenfoto’s (gegevens, dus) te verwerken, begint de AI het type breuken of tumoren op nieuwe beelden die de arts voorlegt, te identificeren. Net als de mens leert naarmate hij meer ervaring opdoet, wordt de diagnose nauwkeuriger en relevanter naarmate de AI meer nieuwe gevallen te verwerken krijgt.

Natuurlijk vervangt het systeem de menselijke arts niet. Dat is trouwens ook niet de bedoeling. Maar de AI kan hem bijstaan in zijn besluitvorming, zodat de patiënt op de meest geschikte manier wordt behandeld.

‘Machine learning’ en ‘Deep Learning’: niet echt ingewikkeld!

Die artificiële intelligentie, die steeds beter presteert door geleidelijk te leren – zoals een kind op school – is de meest beloftevolle categorie van AI. Het systeem vertrekt van de aanvankelijke instructies (de algoritmen) van zijn ontwerper en slaagt erin zijn algoritmen te verbeteren en aan te passen naar gelang van de nieuwe dingen die het leert. Dat staat bekend als "machine learning” (machinaal leren) of zelfs "deep learning” (diep leren).

In het eerste geval heeft de AI nog steeds menselijke feedback nodig om te vernemen wanneer het zich vergist. Het systeem past zijn werking dan automatisch aan. In het tweede geval is de AI zo geavanceerd dat menselijke feedback overbodig wordt.

Zodra het AI-systeem een database heeft gekregen om zich mee te voeden, leert het volledig zelfstandig, via meerdere lagen algoritmen die de neurale netwerken van ons menselijk brein nabootsen.

Het gouden tijdperk van data

Om in "deep learning" te kunnen werken, heeft AI gigantische datavolumes nodig. Die hoeveelheden gegevens nemen de laatste jaren in omvang toe. Dat is te danken aan de wijdverspreide opkomst van aangesloten objecten in ons dagelijks leven (horloges, koelkasten, kleding, auto's, enz.) en het "internet der dingen". Al die aangesloten voorwerpen interageren en genereren op hun beurt weer nieuwe gegevens. De term "Big Data" wordt gebruikt om die gigantische berg beschikbare gegevens te beschrijven. AI-systemen zouden die grondstof kunnen ontginnen om zich in de toekomst sneller te ontwikkelen.