Deep Learning maakt ons leven gemakkelijker – maar ook kwetsbaarder

Digitale dokters, zelfrijdende auto’s en slimme koelkasten: dankzij ‘deep learning’ worden de laatste jaren dingen mogelijk waar we dertig jaar geleden alleen nog maar van konden dromen. Maar de slagkracht van big data heeft ook zijn schaduwzijde. Automatisering maakt banen overbodig. En bestaat er straks nog privacy? Het is aan ons om de robot in toom te houden.

Kunstmatige intelligentie (AI) is van oudsher een grote inspiratiebron voor schrijvers van sciencefiction: van de zelfbewuste computer HAL in de film 2001: A Space Odyssey tot de destructieve robots uit The Terminator. Maar recentelijk zijn een aantal van de technologieën die we tot voor kort alleen in sciencefiction tegenkwamen werkelijkheid geworden: een auto die zelf rijdt, of een digitale dokter die zelfstandig diagnoses stelt. Waarom is het juist nu dat deze slimme technologieën lijken door te breken? Brengen ze fundamenteel nieuwe mogelijkheden en gevaren? En hoe kunnen we ons het beste voorbereiden op deze potentieel ontwrichtende transformatie van de samenleving?

Serieus onderzoek naar kunstmatige intelligentie, namelijk het creëren van slimme computers die kunnen leren van ervaringen, bestond al vanaf het moment dat de eerste computers rond 1940 het daglicht zagen. Tot aan vandaag zijn computers iedere twee jaar dubbel zo krachtig geworden, een fenomeen dat bekend staat als de Wet van Moore. Meer recentelijk is daar een tweede explosieve groeiwet bijgekomen, namelijk die van de ‘big data’: ongeveer elke twee jaar verdubbelt de hoeveel data die de mensheid genereert.

Gevoed door deze groeiwetten van computerkracht en data is de kunstmatige intelligentie tot grote bloei gekomen. Met name het deelvakgebied ‘machine learning’, dat zich bezighoudt met het ontwikkelen van software die met behulp van data voorspellingen kan doen, profiteert hiervan. Een belangrijke machine-learningtechnologie, die bekend staat als ‘deep learning’, traint op het brein geïnspireerde modellen — diepe neurale netwerken — waarbij gebruik wordt gemaakt van enorme hoeveelheden data en veel computerkracht. Dit soort slimme systemen blinken uit in het beantwoorden van vragen als: ‘Gaat deze persoon zijn lening terugbetalen?’, of ‘in welk product is deze klant geïnteresseerd?’ en ‘heeft deze patiënt alzheimer?’

Is dit dier gevaarlijk?

Bekwaamheid in het voorspellen is altijd van levensbelang geweest voor de mens (‘is dit dier gevaarlijk?’), maar ook vandaag de dag kan het levens redden (‘wanneer vindt de volgende aardbeving plaats?’), je steenrijk maken (‘wat doet de koers van dit aandeel?’), je leven comfortabeler maken (‘welke temperatuur vindt de bewoner prettig?’), je gezond houden (‘welke behandeling past het beste bij deze symptomen?’), of een bedrijf efficiënter maken (‘gaat dit apparaat binnenkort kapot?’).

Tot voor kort was kunstmatige intelligentie nog vooral een academische aangelegenheid. Maar recentelijk zijn belangrijke barrières doorbroken om deze methoden op grote schaal toe te passen in de industrie en de maatschappij. Een aansprekend voorbeeld hiervan is spraakherkenning. Na jaren van zeer langzame progressie ging met de komst van deep learning de technologie na 2009 ineens met grote sprongen vooruit. Een paar jaar later werd spraakherkenning onder de naam Siri in de iPhone operationeel. Microsoft ontwikkelde een systeem dat spraak herkent, automatisch vertaalt en vervolgens weer in een andere taal uitspreekt (operationeel in Skype) en IBM heeft met Watson ingezet op intelligente ‘question & answering’-systemen. Eenzelfde transformatie zien we nu ook op het gebied van de beeldverwerking, met een breed scala aan toepassingen: van zelfrijdende auto’s en slimme beveiligingscamera’s tot automatische analyse van medische beelden. Met dit soort technologieën zullen digitale doktoren en digitale advocaten niet ver weg meer zijn.

Het is de verwachting dat zelflerende, voorspellende systemen in hoog tempo de weg naar de markt zullen vinden. Er is een aantal deelgebieden te definiëren waarin deze transformatie al in volle gang is.

Woning in de cloud

In de transportsector zullen zelfrijdende systemen binnen tien jaar het wegbeeld domineren. Vrijwel alle grote automerken, en ook internetgiganten als Google en Apple, bouwen aan hun eigen zelfrijdende auto. Om veilig te kunnen rijden moeten deze auto’s kunnen voorspellen wat hun medeweggebruikers van plan zijn, bijvoorbeeld: ‘Is deze voetganger van plan over te steken?’ Zelfrijdende auto’s zullen het verkeer dus een stuk veiliger maken, maar ook het werk van duizenden chauffeurs overbodig maken. Naast zelfrijdende auto’s zullen zelfvliegende drones de bezorging van kleine pakketjes gaan verzorgen.

Huizen, fabrieken, auto’s, maar ook wegen zullen met sensoren worden volgehangen. Deze sensoren registeren een grote variëteit aan data en sturen die naar ‘de cloud’, waar ze worden gecombineerd en geanalyseerd. Dit netwerk van sensoren dat is verbonden met het internet wordt wel met de term ‘internet of things’ aangeduid. Voorbeelden in huis zijn de ‘smartmeters’ en ‘smartplugs’ die je energieverbruik monitoren. Ook de slimme thermometer kan al de gewenste temperatuur anticiperen. En binnen een paar jaar stuurt je koelkast je een sms’je dat de melk bijna op is. In een fabriek kun je met behulp van sensoren voorspellen wanneer een onderdeel kapot dreigt te gaan (‘predictive maintenance’). Meer algemeen kan de efficiëntie van fabricageprocessen flink worden verbeterd met slimme sensornetwerken, een ontwikkeling die met ‘industrie 4.0’ wordt aangeduid. De mogelijkheden lijken onuitputtelijk: auto’s die met elkaar en met de weg communiceren om files te voorkomen, en ga zo maar door.

Ook in de gezondheidszorg worden enorme hoeveelheden data verzameld en in de vorm van elektronisch patiëntendossier opgeslagen. Naast de standaard klinische en demografische data neemt het volume aan medische beelden zoals MRI, CT en PET exponentieel toe. Met de snel dalende kosten van het sequensen van DNA (binnenkort nog maar € 1000 per genoom) duurt het ook niet lang meer voordat van iedereen het volledige DNA zal worden opgeslagen. Door het combineren van al deze patiëntdata met de medische literatuur zullen digitale dokters al snel diagnoses kunnen stellen en behandelingen kunnen aanbevelen. IBM’s Watson, die de quizshow Jeopardy won, wordt voor dit doel verder ontwikkeld, en Baidu heeft het eerste online­diagnosesysteem ‘AskADoctor’ recentelijk gelanceerd.

De impact van kunstmatige intelligentie zal ook in de financiële wereld gevoeld worden. Deze sector zit vol met voorspellingsproblemen die bij uitstek geschikt zijn voor machine-learning­algoritmen: van het voorspellen of iemand zijn lening kan terugbetalen en mogelijke fraude met creditcardtransacties tot het voorspellen van grote schadeclaims. In deze sector zijn ook veel banen gevoelig voor automatisering. Denk aan een financieel adviseur die informatie over uw persoonlijke financiële situatie vertaalt naar de best passende hypotheek. Maar ook accountants kunnen geassisteerd worden door intelligente algoritmen, die zoeken naar subtiele tekenen van fraude die zelfs voor het menselijk oog moeilijk te detecteren zijn. Banken zullen nieuwe services ontwikkelen met behulp van slimme algoritmen. Zo kan uw bank voorspellen of u aan het eind van de maand in financiële problemen dreigt te komen en u van passend advies voorzien. Een bank kent ook als geen ander het uitgavenpatroon van haar klanten en kan geanticipeerde aankopen verbinden met goede deals.

Product recommenders

De sector waarin machine learning tot dusver misschien wel de grootste impact heeft gehad is ‘customer intelligence’. Door van iedere klant en van elk product karakteristieke kenmerken te verzamelen (‘Jan is een man van boven de 50’) maar bovendien ook van elke klant te onthouden wat die ooit heeft gekocht, kan voorspeld worden waar een klant straks geïnteresseerd in zal zijn. Deze zogenaamde ‘product recommenders’ en ‘ad placement’-algoritmen worden door vrijwel alle grote internetbedrijven ingezet: Google en Facebook gebruiken het om advertenties te plaatsen, Amazon en Bol laten relevante producten zien, Booking beveelt hotelkamers aan, Netflix heeft filmtips, Pandora beveelt muziek aan en eHarmony levenspartners.

De ontwikkelingen in de kunstmatige intelligentie gaan op dit moment sneller dan velen voor mogelijk houden. Net als tijdens de industriële revolutie zal dit een automatiseringsgolf teweegbrengen die de productiviteit en dus de welvaart flink zal doen toenemen. Vrijwel iedere bedrijfstak zal op redelijk korte termijn niet ontkomen aan deze transformatie. Om de snelle ontwikkelingen in goede banen te leiden staan we voor grote uitdagingen. Ten eerste zullen door de toenemende automatisering veel van de huidige banen onder druk komen te staan. Maar de komst van intelligente machines zal ook leiden tot nieuwe kansen op de arbeidsmarkt. Het is de uitdaging om deze nieuwe kansen snel te detecteren en mensen in hoog tempo om te scholen voor de nieuwe werkvelden. Dit vergt van onderwijsinstellingen dat ze zich snel aanpassen. Ook ‘massively open online courses’ (MOOCs) kunnen hier een belangrijke rol in spelen. Verder pleit ik voor het onderwijzen van informatica en het aanwakkeren van ondernemerszin op de middelbare school. Cruciaal is het creëren van een wendbaar ecosysteem aan ondernemingen die snel de gaten in de arbeidsmarkt kunnen identificeren.

Een tweede uitdaging betreft het waarborgen van onze privacy. Met al die data in de cloud bestaat natuurlijk de kans dat die in de verkeerde handen vallen. Van de sensordata uit slimme huizen en auto’s kan feilloos worden herleid wat iemand de hele dag doet. Ook via medische gegevens kan worden afgeleid welke ziekten een persoon op latere leeftijd kan ontwikkelen. In de handen van verzekeringsmaatschappijen kan dit leiden tot hogere premies voor mensen met ‘slechte genen’.

Aan de andere kant is het niet wenselijk om medische gegevens binnen de muren van ziekenhuizen af te schermen van de buitenwereld. Het verbeteren van diagnoses en behandelingen zal vele malen effectiever blijken als we data weten te aggregeren. Gelukkig zijn er goede oplossingen voor het anoniem aggregeren van data, op een manier die garandeert dat er nooit iets over een individu kan worden afgeleid, al is dit helaas niet zo simpel als het weglaten van de naam en adres van elke persoon. Het garanderen van privacy in een wereld van big data zal een serieuze, maar niet onoverkomelijke uitdaging blijken.

Ten slotte hebben recentelijk een aantal vooraanstaande wetenschappers, onder wie Stephan Hawking en captains of industry als Elon Musk en Bill Gates, hun zorgen uitgesproken over de snelle ontwikkelingen van kunstmatige intelligentie. Zij geloven dat binnen niet al te lange tijd robots zo slim worden dat ze een gevaar voor mensen kunnen worden. Zo ver is het gelukkig nog lang niet, maar krachtige technologieën in de handen van de verkeerde personen kunnen wel erg gevaarlijk zijn. Hoe je het ook wendt of keert, technologische vooruitgang zal naast toenemende welvaart ook een donkere keerzijde kennen. Het is aan ons om die te beteugelen.

 

 

Bron: FD, 26 september 2015