“Het is vooral artificial intelligence wat de komende jaren een grote verandering teweeg zal brengen”, zegt Deborah Nas, deeltijd hoogleraar Strategic design for technology-based innovation aan de TU Delft tijdens het digitale event van NIVE Opleidingen ‘Digital finance: van kans naar kracht’. Maar wat is dat eigenlijk artificial intelligence? Ze legt het haarfijn uit.
Wat is artificial intelligence?
Artificial intelligence is een woord dat we bedacht hebben om iets te duiden wat een computer niet zou kunnen. Dus toen in 1997 de computer Deep Blue met schaken won van wereldkampioen Kasparov was dat een grote schok, want voor schaken heb je creativiteit en strategisch inzicht nodig. En dat is niet iets wat een computer in huis heeft. Toen noemden we dat artificial intelligence. Als we daar nu op terugkijken zeggen we: dat was gewoon brute kracht berekening. De computer rekende gewoon per stap de beste opties door. AI is dus een schuivend begrip. Het is een soort kapstokbegrip.

Deborah Nas legt uit hoe het zit met artificial intelligence, machine learning en deep learning
Wat is machine learning?
Binnen artificial intelligence is er een specialisatie die machine learning heet. Dat gebruiken we allemaal in onze mailbox. Daar is een algoritme geprogrammeerd, die erop getraind is – met heel veel spammails – om spam uit je mail te vissen. Daardoor heb je weinig spam meer in je inbox. Op het moment dat er een heel nieuw soort spammail wordt uitgevonden, is de kans groot dat die weer in je inbox verschijnt. Totdat het algoritme opnieuw getraind is. Machine learning is dus een algoritme dat wordt getraind met heel veel data, en kan één ding heel erg goed.
Wat is deep learning?
Binnen machine learning is er een specialisatie die deep learning heet. Dat programmeer je niet langer, maar je geeft het algoritme een opdracht om zelf iets te leren. Een voorbeeld daarvan is: je voedt het tienduizenden filmpjes van YouTube waaraan het label kat hangt en je zegt tegen het algoritme: leer een kat herkennen. Dat is niet te programmeren, want je moet heel veel variabelen ingeven, en dan nog is het verschil tussen een kat en een hond bijna niet te maken. Met deep learning kan dat wel. Waarom heet het deep learning? Dat is omdat je meerdere algoritmes op elkaar stapelen en hoe meer je er op elkaar stapelt, hoe dieper het algoritme eigenlijk wordt. En hoe intelligenter het wordt. Want hoe hoger een algoritme in de hiërarchie zit, hoe meer het naar context kan kijken. Zo probeer je eigenlijk een menselijk brein na te bootsen, en hoe mensen leren. Dit is de technologie die gebruikt wordt in beeld- en spraakherkenning. Sommige techies leven zich daar helemaal in uit en zo ontstaat de chihuahua/muffin challenge (of dog or mop, of dog or bagel, etc.). Als alle context weg is, is het voor een algoritme heel moeilijk om het verschil te zien.
Exponentiële ontwikkeling
Die technologie is al heel ver en ontwikkelt zich heel hard en het zit ook gewoon al in je smartphone. Als je een foto maakt van een tabel, dan kan Excel de computerbeelden met machine learning omzetten in een digitaal bestand. Je hoeft alleen een paar items te reviewen, waarvan hij niet zeker weet wat hij ervan moet maken. Dat is precies dezelfde technologie.
Waarom ontwikkelt het zich zo snel? Je hebt daar heel veel rekenkracht voor nodig. Het is een exponentiële technologie, die ontwikkelt zich volgens de wet van Moore. Als we dat vanaf 2008 twintig jaar vooruit in een tabel zetten, dan blijkt dat we nog maar helemaal aan het begin staan. En we hebben nog geen idee wat we met al die rekenkracht kunnen en willen in de toekomst, maar dat het zich snel ontwikkelt, dat is wel duidelijk. En dat we dingen gaan kunnen waarvan we nu nog geen idee hebben, dat is ook wel duidelijk.

Deborah Nas: “Zoals je ziet, we staan nog maar aan het begin van de exponentiële ontwikkelingen”
Volg Executive Finance op LinkedIn!
lang: en_US