Marie Dewitte
Biomedica en AI-onderzoekster aan de IT-bachelor Multimedia en Creatieve Technologie (MTC) aan Howest
Ik ga aan de slag met artificiële intelligentie (AI). Met deze technologie gaan we proberen een complexe, computationele taak uit te voeren dat niet met conventioneel programmeren valt op te lossen. Dat doen we aan de hand van data. Alles valt of staat met onze data.
Bijvoorbeeld je wil aan handschriftherkenning doen. Bij traditioneel programmeren moet je zelf bepaalde regels proberen op te stellen: als ik dit zie, dan betekent dit dat. Je voelt al meteen aan dat het voor herkennen van handschrift heel moeilijk is om generieke regels te bepalen. In feite is dat onbegonnen werk. Daar kan AI dan een sterke rol hebben.
We gaan eigenlijk heel veel voorbeelden van die data – bijvoorbeeld foto’s van handschrift – tonen aan een algoritme. We geven het algoritme onze data en vertellen het ook wat het resultaat is dat we willen bekomen. Vervolgens laten we het algoritme zijn ding doen en zelf bepalen welke verschillen hij vindt tussen alle letters en cijfers. We laten het systeem dus zelf de regels bepalen.
Sommige bedrijven zitten op hopen data die ze doorheen de jaren hebben verzameld. Vaak hebben zij zelf geen data scientist in huis en komen zo bij ons terecht. Kunnen we aan de slag met die data? Wat zijn de mogelijkheden met die data? Soms heeft een bedrijf een heel specifiek probleem en willen ze hiervoor AI inzetten, sommige bedrijven willen specifieke elementen optimaliseren aan de hand van AI. Wij begeleiden hen daarin.
Momenteel hebben we een project lopen waar we kijken in welke mate we de labelfase kunnen automatiseren. Dat labelen is op dit moment een hele dure aangelegenheid voor bedrijven. Het vraagt namelijk extreem veel expertise als je bijvoorbeeld met een medische dataset werkt. Dan moet daar meteen een dokter aan te pas komen. Via dit project kijken we naar het volledige proces, van datacaptatie tot het in productie brengen van een AI-systeem, waar de mogelijkheden tot automatisatie zich bevinden. Zo willen we de Vlaamse bedrijven helpen om met deze technologie aan de slag te gaan.
Recent werkte ik aan een model voor een bedrijf. Voor het bedrijf in kwestie was het cruciaal dat het model te verklaren was. Artificiële intelligentie heeft het kenmerk van zelf te kunnen classificeren, maar hoe het systeem tot een bepaalde conclusie komt, is vaak nog een black box.
Uiteindelijk leidde dit tot een AI-algoritme dat zo accuraat mogelijk kon voorspellen en waar we bovendien in staat waren om te zien waar de beslissing precies vandaan kwam.
Dat was een zeer leuk project omdat je merkte dat het systeem naar dezelfde dingen keek als de mens, maar dat zij toch een ander soort fouten maakten dan dat wij doen. Dat was een heel leuk experiment met een heuse ontdekkingstocht.
Er is geen eensgezindheid over de evolutie van AI. Ook binnen onze eigen groep hebben we daar allemaal een andere mening over. Ikzelf ben bijvoorbeeld enorm benieuwd naar de ontwikkelingen binnen explainable AI, terwijl iemand anders vooral uitkijkt naar wat er gaat gebeuren in de wereld van reinforcement learning, waar de agent zelf gaat exploreren binnen een omgeving.
Wat we ook zeker in de gaten moeten houden zijn GANs (Generative Adversarial Networks). Daar laten we twee algoritmes strijden tegen elkaar. Het ene model gaat bijvoorbeeld afbeeldingen genereren, terwijl het andere nagaat of het al dan niet om een valse afbeelding gaat. Dat is eigenlijk de basis van deep fakes, de alom bekende filmpjes waar o.a. Barack Obama fake news verkondigt.
Momenteel spreken we nog van ‘narrow AI’: het is zeer goed in het uitvoeren van één bepaalde taak, maar het is niet in staat om een andere taak uit te voeren. Momenteel gebeurt er ook veel onderzoek rond ‘general AI’ waar algoritmes verschillende taken kunnen oplossen.
Er valt nog zoveel te ontdekken. Allemaal individuele elementen die elk op hun manier de wereld zullen beïnvloeden. AI is dan ook een ongelooflijk boeiende wereld, maar tegelijkertijd is het heel moeilijk om bij te blijven. Het tempo waarop dat AI vooruitgaat, is verschroeiend hard.
Vaak stelt men zich de vraag: gaan de robots de wereld overnemen? Nu zeker nog niet. Ikzelf ben er momenteel niet bang voor, want het zal nog een tijd duren vooraleer we van ‘general AI’ kunnen spreken. Het is belangrijk dat we als community samenkomen en daarover praten en grenzen vastleggen. We moeten die discussie voeren. Dat is onze verantwoordelijkheid. Daarnaast heb je als data scientist ook de verantwoordelijkheid om op te letten met welke data je aan de slag gaat. We moeten die mogelijke biases waar je bepaalde doelgroepen benadeelt koste wat kost vermijden
De veelzijdigheid van artificiële intelligentie. Er gebeuren tegenwoordig echt zotte dingen met artificiële intelligentie. Dingen die je niet voor mogelijk hield en er dan plots zijn.
Zo heb je bijvoorbeeld een model genaamd ‘auto encoders’. Dat algoritme probeert eigenlijk de input opnieuw te genereren. De eerste keer dat je dat tegenkomt denk je: wie is er daarop gekomen en wat voor nut heeft dat om je input opnieuw te maken? Als je daar dan dieper in duikt en ziet wat de mogelijkheden daarmee zijn, is dat echt indrukwekkend. Dat gaat van eerder simpele processen zoals compressie tot complexe anomaliedetectie of zelf het opvullen van foto’s.
Ikzelf ben heel analytisch bezig met AI. Recent ging ik naar een conferentie waar men de technologie gebruikt in kunstwerken. Dat is een volledig andere benadering van de algoritmes die ik zelf gebruik. Wat je allemaal kan doen met heel eenvoudige algoritmes is echt fantastisch. Die veelzijdigheid en de ongelimiteerde mogelijkheden is echt wat mij drijft in deze wereld.