Een kijkje onder de motorkap van Artificial Intelligence
13 april 2019 
9 min. leestijd

Een kijkje onder de motorkap van Artificial Intelligence

Dit artikel is een aanvulling op het artikel Een beter bewustzijn van Artificial Intelligence. Dat artikel gaf een zeer globaal overzicht van wat AI (niet) is, kan en doet. Mocht u nog helemaal niet bekend zijn met wat AI is, dan raad ik u aan eerst het voorafgaande artikel te lezen. Dit artikel gaat namelijk dieper in op de werking van AI, en hoe AI daadwerkelijk leert.

Begrippen;

Er zullen een aantal begrippen gebruikt worden die niet algemeen bekend zijn. Om dit artikel begrijpelijk te houden zijn hier de versimpelde betekenissen van deze begrippen:

Begrip Omschrijving
Zenuw (Neuron) Een sensor die reageert op informatie.
Zenuwstelsel / zenuwnetwerk / neural network: Een netwerk van zenuwen, waarbij de ene zenuw zijn opgenomen informatie doorgeeft naar de volgende.
Agent (uit te spreken als “edjent”): Iets of iemand die voor een ander handelt. Dat kan een werknemer zijn, of een stukje AI, maar ook bijvoorbeeld een thermometer. Agent is een zeer algemeen begrip.
Kunstmatig (artificieel): Niet van natuurlijke oorsprong, maar door mensen gemaakt of ontworpen.
Intelligentie (intelligence): Intelligentie is een algemeen begrip dat een mentale eigenschap beschrijft met veel verschillende functies; zoals de mogelijkheid patronen op te merken in waarnemingen, zich in de ruimte te oriënteren, te redeneren, plannen te maken, problemen te doorgronden en op te lossen, in abstracties te denken, ideeën en taal te begrijpen en te produceren, informatie op te slaan in het geheugen en daar weer uit op te halen, te leren van ervaringen.

De filosofie achter een “goede” agent

iris-data-set

Om zeker te weten dat de agent ook echt doet waarvoor het wordt ingezet, zullen we deze eerst aan de hand mee moeten nemen door het training proces. Net als dat kinderen eerst aan de hand meegenomen worden voordat ze zelfstandig een eigen leven kunnen leiden.

De leidende vraagstelling;

We gaan door dit artikel heen en zullen dan ook proberen antwoord te geven op de volgende vraagstellingen.

Hoe leert een agent (mens of AI) :

  1. onderscheidt te maken tussen een roos en een tulp?
  2. een spam mail te herkennen?

Dit is een versimpeld voorbeeld van een al bestaand AI curriculum, namelijk het Iris probleem. Een Iris is een bloem met drie varianten die zeer op elkaar lijken, maar toch net iets anders zijn. Met de eerste AI was dit een mooie situatie om te beginnen met trainen. Daarnaast gaan we ook naar een praktischer voorbeeld kijken, namelijk een spamfilter.

Wat betekent het om te leren

studying

Leren en ontwikkelen gaan hand in hand. Als we alleen maar zouden leren, en vervolgens niks met deze nieuwe informatie doen, ontwikkelen we ook niet. Om te begrijpen hoe AI leert en zichzelf ontwikkelt moeten we dus eerst antwoord geven op de vraag: hoe leert/ontwikkelt een mens? Daarvoor zijn 3 cruciale onderdelen nodig:

  • Informatie
  • Zintuigen
  • Medium

Zonder informatie kunnen wij niet leren, en dus niet ontwikkelen. Zonder zintuigen kunnen wij deze informatie niet tot ons nemen. En zonder medium kunnen we de informatie niet opslaan of overdragen. Nu we dit duidelijk hebben, kunnen we stap voor stap kijken naar wat het betekent om te ontwikkelen.

Informatie verzamelen;

We pakken terug op onze bloemen vraagstelling. Er zal eerst informatie verzameld moeten worden over de bloem. Dat betekende vroeger fysiek opzoek gaan naar een bloem of een boek lezen over de bloem, tegenwoordig kunnen we informatie over de bloem ook opzoeken via het internet. Informatie verzamelen werkt echter net iets anders voor AI. Het is namelijk aan ons om informatie voor de agent te verzamelen waar het van kan leren.

training-data-example-flower

Hierbij zijn de labels cruciaal! Als wij geen goede en relevante labels definiëren en niet aanvullen met de juiste informatie, trainen we de agent op verkeerde data en hebben we er in principe niks aan.

Zintuigen gebruiken;

Vervolgens kunnen we de bloem ervaren met onze zintuigen. Dit betekent niets minder dan kijken, ruiken, voelen en zelfs luisteren naar, of proeven van de bloem. In het geval van Artificial Intelligence kunt u de zintuigen zien als de software en hardware die de agent tot zijn beschikking heeft. Zo kunnen we bijvoorbeeld AI gebruik laten maken van een camera om live beeld te geven aan de training data.

Het medium;

Een medium is een drager of overdrager van informatie. Anders gezegd, een manier om informatie van A naar B te krijgen en bij C op te slaan. In de mens is het opslagmedium de hersenen, en de overdrager het zenuwstelsel. Het opslag medium is iets anders bij AI, namelijk een harde schijf. Het zenuwstelsel is wel hetzelfde, en dit is ook wat AI in staat stelt om te leren en ontwikkelen. Dit cruciale onderdeel gaan we dan ook in detail behandelen. Wederom, in begrijpbare taal!

Zenuwcellen zijn de sleutels tot kennis en ontwikkeling

Het zenuwstelsel speelt een cruciale rol in leren en ontwikkelen. Het geeft de mens en Artificial Intelligence een methode om informatie over te dragen naar het respectieve opslag medium, en tegelijkertijd te leren van deze opgenomen informatie. Maar hoe verloopt dat proces? En hoe kunnen draadjes en bolletjes de mogelijkheid bieden om informatie te verwerken?

Wanneer wij informatie opvangen;

Als we onze zintuigen gebruiken ontvangen we informatie, waardoor er een aantal zenuwen afgaan. Welke zenuwen afgaan is afhankelijk van de opgenomen informatie. Sommige zenuwen reageren bijvoorbeeld alleen op geur en anderen alleen op smaak. Daarnaast reageren sommige zenuwen ook alleen op de geur van een roos en anderen op de geur van een tulp, waardoor het makkelijker wordt om onderscheid te maken in de geuren die wij opnemen.

Zenuwen die afgaan bij ruiken aan een roos kunnen wel overlappen met de zenuwen die afgaan bij ruiken aan een tulp, maar het zullen nooit precies dezelfde zijn. Dit fenomeen van overlappende zenuwen verklaart waarom we soms een (bijna) identieke ervaring hebben als op een eerder moment (ook wel bekend als een déjà vu).

Een overlappend voorbeeld;

We kennen het allemaal wel, u bent in een restaurant en u haalt uw neus op om al die lekkere geuren van het eten op te nemen. Vervolgens doen al die geuren u denken aan een voorgaande ervaring met eten, mogelijk in een totaal ander restaurant. Of misschien zelfs aan iets totaal anders dan een restaurant, bijvoorbeeld een markt met veel eetkraampjes. Dit gebeurt omdat heel veel zenuwen op dat moment overlappen met de zenuwen die eerder afgingen toen u op een plek was met veel eten. Voor uw gevoel is deze ervaring vrijwel identiek, maar voor uw zenuwstelsel is deze ervaring toch net iets anders.

“Neurons that fire together, wire together”;

simple-neural-network

Dit is een bekend gezegde van de neuropsycholoog Donald Hebb uit het boek “Organization of Behavior”.

Vertaald: zenuwen die samen afgaan, stemmen op elkaar af. Hoe meer de hersenen en het zenuwstelsel een bepaalde taak uitvoeren, hoe sterker dat stukje van het zenuwstelsel wordt, waardoor het proces elke keer efficiënter wordt. Met andere woorden, het zenuwstelsel stelt zichzelf scherper af naarmate een agent zijn taak vaker herhaald. In ons voorbeeld van de bloemen onderscheiden betekent dit: als we vaker en vaker aan een bepaalde bloem ruiken, worden we steeds beter in het onderscheiden van die bloem. Dit komt doordat alle zenuwen met elkaar in verbinding staan.

Wat betekent het om “af te stemmen”?

Bovenstaande afbeelding zou moeten helpen om dit beeld te verhelderen. De bolletjes zijn de zenuwen, en de draadjes de verbindingen tussen de zenuwen. We pakken weer terug op ons bloemen voorbeeld.

Op het moment dat we ruiken aan een bloem komt er informatie in de eerste laag (input). Laten we zeggen dat de bovenste 2 zenuwen 100% gevuld worden met informatie (en dus heel heftig reageren), en de onderste zenuw maar voor 30% (en dus bijna niet reageert).

De informatie stroomt vervolgens door de draadjes naar de tweede laag (hidden), waardoor de zenuwen in deze laag ook afgaan (“fire”). Wanneer er veel informatie van de ene zenuw naar de andere zenuw stroomt, wordt de verbinding (“wire”) tussen deze zenuwen sterker.

Hoe vaker we dit proces herhalen, hoe sterker (of zwakker) de verbindingen tussen twee zenuwen worden. Sterker nog, wanneer informatie niet vaak genoeg door de verbindingen stroomt, breekt deze verbinding in sommige gevallen volledig af. Zodoende leert het zenuwstelsel zichzelf aan om irrelevante informatie niet volledig te negeren, maar hier minder de focus op te leggen.

Het zenuwstelsel, in mens en AI gelijk

Nu we deze informatie tot ons hebben, kunnen we wat dieper ingaan op de werking van het zenuwstelsel en hoe het proces van informatie analyse werkt. Wederom, in begrijpbare en behapbare stukjes. We pakken de onderstaande afbeelding als voorbeeld voor ons zenuwstelsel wat gebruikt wordt om de roos en de tulp te onderscheiden.

information-flow-in-neural-network

Informatie ontvangen;

Stel we ruiken voor de allereerste keer aan één roos, dan komt er een bepaalde mix van geur moleculen (informatie) ons zenuwstelsel in. Deze informatie komt in de “input layer” terecht (de gele zenuwcellen). Deze drie zenuwcellen reageren op de informatie (afschieten). De sterkte waarmee de zenuwen reageren wordt in percentages uitgedrukt. Laten we zeggen dat bij het ruiken aan een roos de gele zenuwcellen als volgt reageren:

Cellen 1 2 3
Activatie 40% 20% 70%

Deze percentages hebben weer effect op de “hidden layer” (blauwe zenuwcellen).

Informatie verwerken

De “hidden layer” heet niet voor niets “hidden”. U hoeft namelijk niet precies te weten wat hier gebeurt om te snappen wat een zenuwstelsel in AI doet. U weet waarschijnlijk ook niet precies hoe het zenuwstelsel in uw eigen lichaam in elkaar zit en wat het precies doet. Maar toch maakt u er elke milliseconden van de dag gebruik van, en weet u precies wat de uitkomst is van alle informatie die hier doorheen gaat.

Het enige wat echt belangrijk is om te begrijpen wat een bepaald zenuwstelsel doet, is de informatie die in het stelsel gaat en de conclusies die hier uitgehaald kunnen worden.

Onderscheid in informatie

Nu de informatie door de “hidden layer” is gegaan, komt het terecht in de “output layer” (de paarse zenuwcellen). Hier kunnen we conclusies gaan trekken, maar voor we dat kunnen doen moeten we eerst een hypothese (voorspelling) doen:

Wanneer de paarse cel 1 sterk reageert, ruiken we aan een roos. Wanneer de paarse cel 2 sterk reageert, ruiken we aan een tulp.

versimpeld-netwerk

Laten we zeggen dat bij de eerste keer ruiken aan de bloemen de paarse cellen als volgt reageren:

Paarse cel 1 2
Roos 70% 30%
Tulp 40% 60%

Het zenuwstelsel heeft tijd en ervaring nodig om zichzelf af te stemmen. Om een concreet beeld te krijgen van de verschillen tussen de roos en de tulp, zullen we vaker aan deze bloemen moeten ruiken. De volgende keer dat we aan de bloemen ruiken reageren de zenuwen waarschijnlijk weer net iets anders.

Als we vaak genoeg ruiken aan de bloemen komen de resultaten er als volgt uit zien:

Paarse cel 1 2
Roos 76% 25%
Tulp 35% 69%

Conclusies trekken

Onze voorspelling was dat wanneer cel 1 sterk reageert, we aan een roos ruiken. Dat kunnen we ook uit de resultaten halen van de bovenstaande tabel. Cel een reageert sterker dan cel twee, dus ruiken we aan een roos! Hetzelfde geld voor onze voorspelling van de tulp. Dit is goed nieuws, dat betekent namelijk dat onze agent zijn werk goed verricht! Nu is het zaak dat we van de 76% kans op een roos naar de 99% gaan. Dat doen we door te blijven trainen.

Reflectie

AI is geen nieuw begrip, het heeft wel een nieuwe betekenis gekregen. En hoewel AI vooralsnog niet echt intelligent is, heeft het wel de potentie om dit te worden. Het is nog onbekend wanneer we op dat punt zijn, en er zal nog onnoemelijk veel onderzoek naar AI gedaan moeten worden. Vooral op gebieden als ethiek en veiligheid, aangezien hier de grootste gevaren liggen.

Experts zijn zich meer dan bewust van de gevaren van dien. Maar het is niet alleen belangrijk dat de experts zich hier bewust mee bezig houden, ook de gebruikers dienen de kansen en gevaren van AI goed te weten. We willen namelijk niet dat AI ons onder controle heeft, maar andersom. En dat kan alleen wanneer we ons bewust maken van deze techniek.

En hierbij komen we aan het einde van dit artikel. We hopen dat u hier wat van heeft opgestoken, en dat u zich nu bewust(er) bent van wat deze techniek (niet) is, kan en doet.