Rebecca Johnson is een expert op het gebied van Artificial Intelligence, werkzaam bij corporate research bij Siemens. Ze legt uit hoe ze deze technologie van de toekomst ziet. Wat zijn de uitdagingen en wat is de meerwaarde?

Artificial Intelligence (AI) is niets nieuws. De eerste toepassingen werden in het midden van de vorige eeuw gepubliceerd, en in de jaren negentig was er zelfs een kleine AI-golf. Waarom die hype nu?

Er zijn veel redenen. Processen zijn beter geworden, computers sneller, clouds bieden onbeperkte opslagruimte, enzovoort. Maar de belangrijkste reden is data: AI heeft enorme hoeveelheden data nodig en enorme hoeveelheden data hebben AI nodig. Elk AI-systeem moet eerst leren van duizenden trainingsdata. Anders blijft het nog steeds ‘dom’. Dertig jaar geleden was het nog heel moeilijk om voldoende data te verkrijgen. Maar de ontwikkeling van het internet of things ( IoT) heeft dat allemaal veranderd. Vandaag de dag zijn er enorme hoeveelheden data die veel waardevolle informatie bevatten. Maar om die verborgen informatie te verkrijgen, moeten we de data analyseren. Dat is iets wat de klassieke programmering vaak niet aankan. Maar AI-technieken wel.

Rebecca Johnson

Dus wat voor soort dingen kan een AI-systeem leren?

Veel – om precies te zijn, alles wat in een wiskundige formule beschreven kan worden. Maar het is niet voldoende om alleen een neuraal netwerk te programmeren, een paar miljoen beelden te laten zien, en dan verwachten dat het alles kan doen. Net als elke andere software-ontwikkelaar moet de programmeur van een AI-systeem eerst de eisen van het systeem begrijpen en een geschikte architectuur definiëren. In het algemeen bestaat een AI-systeem uit meerdere lagen, en elk van hen heeft een unieke taak. Stel dat ik een AI-systeem wil ontwikkelen dat een handschrift herkent, dan kan ik een laag definiëren die verschillen tussen zwart en wit detecteert, een laag die lussen herkent, enzovoort. Maar als ik als ontwikkelaar vergeet om iets essentieels in die laagarchitectuur op te nemen, dan zal het, hoe lang ik het systeem later ook train, nog steeds niet werken.

Een AI-ontwikkelaar moet dus, zoals elke softwareontwikkelaar, eerst het probleem analyseren en begrijpen om er een architectuur uit te kunnen afleiden en te implementeren. En dan heb je nog steeds een wat wij een “dom” AI-systeem noemen, dat vervolgens met data getraind moet worden totdat het betrouwbare resultaten oplevert?

Precies. In principe – dankzij het IoT – zijn er voldoende data beschikbaar. Maar soms zijn ze moeilijk te achterhalen, bijvoorbeeld in de medische wereld. Als een AI-systeem kwaadaardige veranderingen in beelden van weefsel moet detecteren, dan moet je het eerst trainen met veel voorbeelden van gezond en ziek weefsel – bij voorkeur met miljoenen. Met name in de geneeskunde zijn de regels voor privacy van data zeer streng, en zelfs geanonimiseerde beelden zijn moeilijk te verkrijgen. Hoe moet het systeem dan leren? Uiteraard is de bescherming van de persoonlijke levenssfeer en data van mensen heel belangrijk, maar we zullen het moeten hebben over welke data we in de toekomst willen delen, in het belang van iedereen.

Komen uitdagingen, zoals de ingetogenheid om de juiste gegevens in handen te krijgen alleen in de geneeskunde voor?

Absoluut niet. Bij Siemens zitten we bijvoorbeeld op een voorraad aan dataschatten: product-, ontwikkelings-, verkoop- en ordergegevens en meer, vanaf meer dan 150 jaar. Waardevolle informatie die ons kan onderscheiden van andere bedrijven. Natuurlijk delen we onze schat aan ervaring niet met mensen buiten het bedrijf. Maar tot nu toe hebben we ook intern nog steeds problemen om de waarde van onze data optimaal te benutten. In dit geval is niet de privacy van de gegevens het probleem, maar de informatie die overal is verspreid in documenten, databases enz. Met ondersteuning van het topmanagement hebben we nu een groot project opgezet om met behulp van een industriële kennisgrafiek een soort corporate memory te creëren, zodat niets verloren gaat.

 Wat is de situatie bij Siemens? Hoe belangrijk denk je dat AI is?

Het is essentieel! Wij zijn een digitaliseringsbedrijf in al onze marktsegmenten. Zonder AI zouden we al snel niet meer tot de marktleiders behoren. Als in de toekomst bijvoorbeeld veel energieleveranciers efficiënt willen samenwerken met de intelligente infrastructuur van een stad, dan zullen we de enorme hoeveelheden data moeten begrijpen die voortdurend worden gegenereerd door sensoren, computers, enzovoort. Daarvoor zijn AI-methoden nodig, net zo hard als bijvoorbeeld voor fabrieken waar robots autonoom samenwerken. Daarom is kunstmatige intelligentie een van onze belangrijkste onderzoeksgebieden, met meer dan 450 individuele projecten – van de ontwikkeling van nieuwe algoritmes tot gebruikerservaringen. En we zijn op de goede weg. Onlangs nog zijn er statistieken over octrooiaanvragen in AI gepubliceerd (zie: Rapport van de WIPO). Zoals je weet zijn octrooiaanvragen altijd een indicatie van hoe actief een bedrijf op een bepaald gebied onderzoek doet. En in belangrijke marktsegmenten als medische wetenschap, energiemanagement en natuurwetenschappen en engineering staan we op de eerste of tweede plaats.

Reageer op dit artikel