AI-gereedschap
Kunstmatige intelligentie leidt – naast discussie – ook tot praktische oplossingen. Vijf wetenschappers leggen uit welke concrete toepassingen ze ontwikkelen op basis van AI en welke uitdagingen dat met zich meebrengt.
Big Data-onderzoeker Jacco van Ossenbruggen, Centrum Wiskunde & Informatica
Recht doen aan culturele diversiteit in historisch archief
‘Bij de Koninklijke Bibliotheek in Den Haag hebben ze ruim 400 jaar aan gedigitaliseerde kranten. Dat zijn zo’n 150 miljoen individuele artikelen, publiek toegankelijk via Delpher.nl. Dit is onmogelijk met de hand te doorzoeken, dus gebruikt Delpher een zoekmachine. Je voert zoekwoorden in en de artikelen met de meeste hits komen in de top-10 van resultaten. Met kunstmatige intelligentie kun je dat zoeken versnellen en verfijnen. De vraag is natuurlijk wel: vindt zo’n machine de relevante artikelen? Een historisch krantenarchief is namelijk ook vaag en slordig: digitale opnames kunnen slecht zijn, kranten zijn beschadigd, er zijn gestencilde oorlogskrantjes, vlugschriften, metadata als datum en titel zijn soms dubieus. Sommige artikelen zijn kort, andere lang en er zijn foto’s zonder tekst. Er sluipt altijd een zekere onvolledigheid in zoekresultaten en je wilt niet dat er bronnen uit beeld blijven. Eén van de uitdagingen waar wij voor staan is AI-systemen ontwikkelen die wel recht doen aan de culturele diversiteit en die bijvoorbeeld minderheidsstandpunten kunnen vinden en vergelijken met meer mainstream opinies.’
AI-onderzoeker Guido de Croon, Technische Universiteit Delft
Drones die zelf beslissen
‘Mijn onderzoek richt zich op kleine drones: vliegende robotjes, met de afmeting van een flink insect. Alleen al vanwege het lage gewicht is dat voor allerlei toepassingen veiliger. Neem de controle van gewassen in een kas. Wat je wilt is een autonoom systeem dat navigeert en inspecteert. Een zwerm die zijn eigen gang gaat en je attendeert op problemen. Dat kun je bijvoorbeeld ook inzetten voor de opsporing van slachtoffers bij een ramp.
Klassieke robotsystemen bouwen eerst een kaart van de omgeving en bepalen dan routes. Dat kost rekenkracht en geheugen waarvoor in kleine drones geen ruimte is. Maar de dierenwereld laat zien dat je heel goed zonder kaart kunt navigeren. Het blijkt dat je met een paar regels al heel ver komt: ontwijk ad hoc obstakels en elkaar, en meet de afstand tot je beginpunt. In ons geval bijvoorbeeld het signaal van een wifi-router. We hebben dit gedemonstreerd met een zwerm van zes drones van net dertig gram, die zelf een ruimte leerden ontdekken. Waar we van dromen is dat wij niet meer actief regels opstellen, maar dat een zwerm zelf de beste regels uitvindt. Misschien wel heel andere regels dan mensen kunnen bedenken. Een vorm van evolutie.’
PhD deeltjesfysica Bob Stienen, Radboud Universiteit Nijmegen
Verbanden die geen fysicus kan zien
‘Mensen – dus ook natuurkundigen – zien vrij makkelijk patronen in twee of drie dimensies. Dat is handig als je een tijger in het bos moet opmerken. Maar het helpt niet om verbanden te zien tussen de vele parameters die bij botsende deeltjes een rol spelen. Voor een computer is het anders: het aantal dimensies van je dataset maakt niet meer zo veel uit, het is vooral een kwestie van rekenkracht. Ik onderzoek hoe we dit binnen de deeltjesfysica kunnen gebruiken. De deeltjesfysica jaagt op verschijnselen of deeltjes die niet in het Standaard Model voorkomen. We zoeken naar afwijkingen binnen enorme hoeveelheden metingen met de detectoren bij de Large Hadron Collider (LHC-versneller) van CERN. Dat kan op twee manieren. Door een theoretische voorspelling na te trekken, ongeveer zoals je een hond op een drukke foto zou zoeken: vind de neus of staart. Met genoeg voorbeelden kan een computer zoiets leren. De andere methode is een computer met veel data leren wat normaal is en de echte data daarmee vergelijken. Deze technieken zijn veel sneller dan klassieke analyses. Rekenen in milliseconden, in plaats van dagen of weken. Maar computers kunnen wetenschappers niet vervangen, ze zijn gereedschap. Uiteindelijk kunnen alleen wij natuurkundige verklaringen opstellen.’
Machine Learning-informaticus Sander Bohté, Centrum Wiskunde & Informatica
Efficiënt lokaal netwerk zoals ons brein
‘Het brein is een inspiratie voor neurale netwerken. Metaforisch, als netwerk van neuronen die elkaar signalen doorgeven én letterlijk, omdat het brein zo efficiënt is. Ongeveer een miljoen keer zuiniger dan wat we momenteel in neurale netwerkchips bereiken. Dat komt omdat hersenneuronen maar eens in de seconde een puls aan elkaar doorgeven, een nul of een één die eenvoudig optellen, een zogeheten spiking neural network. In de klassieke kunstmatige neurale netwerken gaan 16- of 32-bits getallen stap voor stap door het netwerk en zijn steeds vermenigvuldigingen nodig. Dat complexe communicatieproces vergt veel energie, vooral omdat het hele netwerk voortdurend áán staat. Als je nu een assistent als Hey Google gebruikt, gaat alles naar de cloud en weer terug. Een simpele vraag vergt al snel honderdduizend keer zo veel energie als een lokale afhandeling in het apparaat zou doen. Alleen zou een klassiek neuraal netwerk je mobieltje of smartwatch weer snel leegtrekken. Ons werk hier is gericht op algoritmes die de spiking neurale netwerken optimaal gebruiken. Voordeel daarbij is dat niet al je data voortdurend naar de cloud gaan. Privacy is ook niet onbelangrijk.’
Financieel econoom Albert J. Menkveld, Vrije Universiteit Amsterdam
Zegen en vloek van de flitshandel
‘Ik heb als wetenschapper niet echt zicht op wat de effectenmarkt aan kunstmatige intelligentie gebruikt, maar dát het gebeurt weet iedereen. De flitshandel in aandelen drijft op het herkennen van patronen en daarop reageren. Ik onderzoek wat die snelle technologie teweegbrengt en ook of dat efficiënt is. De technologie om een ander te snel af te zijn is kostbaar. Wat levert het op om een microseconde voor te lopen op andere marktpartijen? Omgekeerd is het interessant om te zien hoe supersnel reageren de markt kan helpen of verstoren. Flitshandelaren bieden liquiditeit voor de kleinere kortlopende orders, maar lijken te roven op grote langlopende orders. Economen uit Chicago hebben al voorgesteld de continue handel in te wisselen voor hoogfrequente veilingen, bijvoorbeeld tien per seconde. Dit zou de kostbare wapenwedloop in microseconden eruit halen.
Kunstmatige intelligentie is vooral goed in het herkennen van patronen in veel data. Lijkt een beweging in de markt op iets wat we eerder hebben gezien en wat gebeurde er toen? Dat geeft richting aan je investeringen nu. Het blijven overigens kansprocessen. Het verleden is nooit een garantie voor de toekomst, zoals ze zeggen.’