AI bestaat niet!

AI bestaat eigenlijk niet. Tenminste, niet als één enkel ‘iets’. AI is niet alleen Siri of Alexa, niet alleen een manier om het weer te voorspellen, en zeker niet alleen een Large Language Model (LLM). AI is een parapluterm voor onderzoek binnen de computerwetenschappen. Allerlei processen, technieken en ook doelen vallen binnen dit onderzoek. Volgens Wikipedia zijn traditionele doelen van AI: leren, redeneren, kennisrepresentatie, plannen, taalverwerking, waarneming, en ook robotica-ondersteuning. En dat alles met een computer. Maar dat is niet alles.

Verschuivende definitie

Gek genoeg verschuift de definitie van de term AI voortdurend. Zaken waar we tegenwoordig absoluut niet meer van opkijken, zijn eerst tot het veld van AI gerekend. Denk bijvoorbeeld aan computers die beter kunnen schaken dan mensen: baanbrekend in de jaren negentig, maar nu doodnormaal. Nog een voorbeeld: je persoonlijke feed op social media als Instagram of X. Deze worden gemaakt met zogeheten recommendation systems. Voorheen was dit AI, nu is dit standaard data science en denkt niemand überhaupt aan het woord AI als ze over Instagram scrollen. Dit heet in het vakgebied ook wel het AI-effect of, slordig vertaald, de vreemde paradox. Wanneer een AI-kunstje veelgebruikt – en dus normaal – wordt, wordt het niet meer gezien als AI. De stelling van Tesler luidt dan ook: “AI is whatever hasn't been done yet.”.

De AI-hiërarchie

AI is dus een hele brede, vooral doelgerichte definitie, die voortdurend verschuift. Check. Maar toch hoor je voortdurend termen als Machine Learning en LLM's voorbijvliegen. Hoe zit dat?

AI omvat allerlei technieken. Net zoals AI, is Machine Learning (ML) ook een generieke term. Er zijn allerlei ML-technieken, zoals voor classificaties en regressies. Dit zijn veelal nog statistische modellen, die men steeds normaler vindt. ML bevat ook kunstmatige neurale netwerken (KNN’s), die de basis vormen voor deep learning (DL). KNN’s zijn, zoals de naam impliceert, netwerken van kunstmatige neuronen. Ja, afgekeken van hoe het bij mensen werkt! Zie figuur 1 voor een schematische weergave van hoe zo’n kunstmatig neuron werkt.

Figuur 1: Deze figuur toont schematisch hoe een kunstmatig neuron werkt.

Als je meerdere van die kunstmatige neuronen (zoals getoond in figuur 1) samenvoegt in een netwerk, dan krijg je een kunstmatig neuraal netwerk (KNN). Zie figuur 2 voor een visuele representatie van zo’n netwerk. Wanneer je dit netwerk steeds complexer maakt — met meerdere lagen van neuronen — spreek je van deep learning (DL). Doorgaans spreken we van DL wanneer een KNN minimaal drie verborgen lagen bevat.

Als je meerdere van die kunstmatige neuronen (zoals getoond in figuur 1) samenvoegt in een netwerk, dan krijg je een kunstmatig neuraal netwerk (KNN). Zie figuur 2 voor een visuele representatie van zo’n netwerk. Wanneer je dit netwerk steeds complexer maakt — met meerdere lagen van neuronen — spreek je van deep learning (DL). Doorgaans spreken we van DL wanneer een KNN minimaal drie verborgen lagen bevat.

Figuur 2: Als je meerdere kunstmatige neuronen samenvoegt in een netwerk, dan krijg je een kunstmatig neuraal netwerk (KNN). Met minimaal drie verborgen lagen, wordt er al van deep learning gesproken.

Deep learning is weer een parapluterm op zich, en ook niet iedereen is het eens over de definitie. Binnen de deep learning zijn er, je verwacht het al, weer allerlei doelen en richtingen. Generatieve AI (GenAI) valt binnen deep learning, met doelen als tekstgeneratie, inmiddels welbekend. Ook vinden we hier, onder andere: deep reinforcement learning, representation learning en discriminatieve taken (zoals doorgaans opgelost met statistische modellen binnen ML).

Eenmaal aangekomen bij GenAI, zijn we in het territorium van de LLM’s. Traditionele grote taalmodellen (lees: LLMs), zoals bekend van ChatGPT en Copilot, worden gebruikt voor tekstgeneratie en vallen dus binnen GenAI. Echter zijn er nog veel meer GenAI-technieken, waar ik in dit artikel niet op inga. Zoals Generative Adversarial Neural Networks (GANs), Latent Diffusion, Transformers (de techniek achter moderne LLMs) en Variational Auto Encoders (VAEs).

Zie figuur 3 voor een visuele weergave van deze hiërarchie van AI-technieken.

Figuur 3: De AI-hiërarchie gevisualiseerd

GOV-AI is uitlegbare AI

Hoe zit het met de black box; een term die vaak in verbinding wordt gebracht met AI? AI-modellen zijn niet transparant, wordt er gezegd. Maar over welke modellen gaat het dan precies? Doorgaans zijn de modellen die zijn opgebouwd uit kunstmatige neurale netwerken niet erg transparant. Dat komt deels door het fundamentele ontwerp, en ook door de grootte van de netwerken. Doordat deze modellen steeds groter en groter worden, wordt het lastiger om inzichtelijk te maken wat er nou precies gebeurt. Voor toepassingen in bepaalde sectoren, zoals de overheidssector, is dat niet oké. En dat is waar GOV-AI (Government AI) komt kijken. GOV-AI is een verzameling van technieken en ontwerpprincipes, die transparantie, verantwoording en datasecurity waarborgen bij ontwikkeling van AI-systemen. Een belangrijk onderdeel hiervan is de Explainable AI (XAI). XAI draait voornamelijk om het onderzoeken en ontwikkelen van technieken die mensen de mogelijkheid bieden om intellectuele sturing over AI-algoritmes en –systemen te houden. Essentieel voor gevoelige sectoren zoals de overheid!

AI in perspectief

De recente AI-hype, gevolgd op het revolutionaire product ChatGPT, heeft veel aandacht gebracht naar het vakgebied van AI. Maar doordat dit zo recent is, en het vakgebied al jarenlang in ontwikkeling is, is het logisch dat er misverstanden ontstaan. Nu je het einde van dit artikel hebt gehaald, kan je aan de eettafel eindelijk uitleggen hoe LLMs, AI, en Generatieve AI zich tot elkaar verhouden. Niet onbelangrijk, want er zijn veel ontwikkelingen. Ook weten we inmiddels één ding zeker: de definitie van AI zal over een jaar of tien weer anders zijn dan vandaag!