AI-schaamte: een nieuwe manier om je schuldig te voelen?

Hoi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live. Vandaag hebben we een onderwerp dat vaak onderbelicht blijft in discussies, namelijk over de opkomst van AI en energieverbruik. En een aansluitende vraag hebben we ook gekregen van onze luisteraar, dus die komt later aanbod . Er groeit een toenemende bezorgdheid dat de explosieve groei van generatieve AI, zoals ChatGPT en andere grote taalmodellen, bijdraagt aan een significant hoger energieverbruik. En dit roept natuurlijk vragen op over duurzaamheid en of we, vergelijkbaar met het concept van vliegschaamte, niet een vorm van AI-schaamte zouden moeten voelen. Laten we eerst eens kritisch kijken naar het begrip schaamte zelf. Want schaamte is een intens negatieve emotie die ontstaat wanneer je meent iets oneervols of immoreels te hebben gedaan. Het is een gevoel dat je kan verlammen en je zelfbeeld ernstig kan aantasten. Schaamte is nauw verbonden met hoe je denkt dat je omgeving jou ziet en jou beoordeelt. En in mijn ogen is schaamte daarom niet de juiste weg om positieve veranderingen teweeg te brengen. Schaamte doet me denken aan de moralistische benadering van de jaren 50 van de vorige eeuw. Het leidt typisch tot vingerwijzen of zoals de Engelsen zeggen, shaming en blaming. Met schaamte kunnen we anderen de maat nemen en het creëert ook nog eens onproductieve tegenstelling van alles of niets. Dus wie mij kent en wie mij een beetje kent weet dat ik positief ben ingesteld. En daarom pleit ik er liever voor dat we ons richten op positieve motivatie, constructieve actie en het maken van genuanceerde keuzes. In plaats van onszelf of anderen schaamte aan te praten over het gebruik van een jaar, kunnen we beter concrete stappen nemen om het energieverbruik juist te beheersen en mogelijk te verminderen. In onze organisatie hebben we bijvoorbeeld een tool ontwikkeld die het energieverbruik van verschillende machine learning modellen berekent. Dit stelt ons in staat om een zorgvuldige balans te vinden tussen betrouwbaarheid en energieverbruik van de modellen die wij trainen. En dan kunnen we dus ook een wel overwogen keuze maken tussen allerlei van dit soort metrieken. Ik ben ervan overtuigd dat dergelijke positieve benaderingen veel effectiever zijn dan het cultiveren van schaamtegevoelens. Maar laten we eens kijken naar enkele concrete manieren waarop het energieverbruik van AI hoe we dat kunnen beperken zonder afbreuk te doen aan de enorme voordelen die deze technologie uiteindelijk biedt. Energie-efficiëntie. We kunnen voortdurend zoeken naar manieren om onze AI modellen zo efficiënt mogelijk te maken. Dit kan door optimalisaties in de code, het gebruik van energiezuinige hardware of door modellen te trainen met minder, maar juist hoogwaardige data. Of we kunnen nadruk leggen op duurzame innovatie, waarbij we nieuwe technieken en technologieën ontwikkelen die minder energie verbruiken. Denk hierbij aan het gebruik van juist kleiner gespecialiseerde modellen voor specifieke taken in plaats van één groot generiek model voor alles. Dit vermindert niet alleen het energieverbruik, maar kan zelfs je prestaties verbeteren van de modellen die je gebruikt. En daar gaat alles over is verantwoordelijkheid nemen. Als ontwikkelaars en gebruikers van AI moeten we bewust zijn van de impact van onze keuzes. Dit betekent dat we verder kijken dan wat technisch mogelijk is en ook de bredere gevolgen voor milieu en maatschappij in oogschouw nemen. Verantwoorde AI vereist transparantie over energieverbruik en actieve inspanning om deze impact te minimaliseren. Wat we in dit kader zeker niet moeten vergeten is dat traditionele machine learning modellen zoals logistische regressie en beslisboommodellen doorgaans veel minder energie verbruiken in vergelijking met generatieve AI modellen. Deze traditionele modellen zijn vaak eenvoudiger, minder rekenintensief en vereisen minder data om goed te presteren. Hoewel ze niet dezelfde complexiteit en veelzijdigheid bieden als grote taalmodellen, kunnen ze in heel veel praktische toepassingen uitstekende resultaten leveren met een veel kleinere ecologische voetafdruk. En dit brengt ons bij een interessante vraag van een van onze luisteraars van Jonathan. Laten we even luisteren naar wat hij te zeggen heeft. Hi Joop, mijn naam is Jonathan Vollmuller en werk als data scientist bij RISK. Mijn vraag over AI is, hoe kijken jullie naar de trend van afgelopen jaar om steeds meer traditionele machine learning problemen op te lossen met LLMs? En zal de AI actie hier iets aan gaan veranderen? Hartstikke bedankt Jonathan voor je vraag, want je snijdt hier namelijk een zeer relevant punt aan dat we in de praktijk inderdaad regelmatig tegenkomen. De verleiding om met taalmodellen eenvoudige classificatiemodellen te prompten is heel erg groot. Het is inderdaad reuze simpel en je hebt snel resultaat. Ik wil niet in herhaling vallen wat betreft de duurzaamheidsaspecten die ik eerder heb besproken, maar die zijn hier natuurlijk ook van toepassing. Wel wil ik wijzen op het cruciale verschil in accuraatheid en betrouwbaarheid tussen classificatie met een groot taalmodel en met traditionele machine learning. Want met die laatste heb je meer controle, betere herhaalbaarheid en een hogere betrouwbaarheid van de uitkomst. Wat betreft het tweede deel van je vraag over de EU-AI-act, dit is inderdaad een aspect dat door de hype rond generatieve AI soms over de hoofd wordt gezien. Hoewel ik geen jurist ben, kan ik je vertellen dat deze wetgeving zeker invloed heeft. Want naar mijn mening gaat het niet zozeer om de vraag of je wel of niet onder de wet valt, of in welke risicoklasse je terechtkomt, maar eerder of je aan de vereisten van de bepaalde risicoklasse kunt voldoen. Een belangrijk aspect hierbij is uitlegbaarheid. Wat met grote taalmodellen op dit moment zo goed als onmogelijk is. We moeten er rekening mee houden dat systemen over het algemeen voor langere tijd worden ontwikkeld en ingezet. Daarom is het cruciaal om nu al slimme keuzes te maken. Dus de vraag voor classificatietaken zou ik in ieder geval altijd adviseren om te kiezen voor machine learning en dan specifiek voor de eenvoudigste, best uitlegbare varianten. Kijk, en naast het kiezen voor gemak voel je misschien ook wel een innerlijke druk om te kiezen voor het grootste en nieuwste, maar ook energie-intensiefste taalmodel. Het is verleidelijk om jezelf te overtuigen van de noodzaak hiervan, maar in werkelijkheid is het voor veel eenvoudiger en gestandaardiseerde taken zoals het beantwoorden van veelgestelde vragen of het bieden van basisinformatie vaak helemaal niet nodig om zo'n groot taalmodel te gebruiken. Kleinere en efficiëntere modellen kunnen dezelfde taken uitvoeren met veel minder energieverbruik. Deze modellen zijn specifiek ontworpen om lichtgewicht te zijn en kunnen snel en effectief antwoorden genereren voor minder complexe vragen. Dus door te kiezen voor een kleiner model bespaar je niet alleen op energiekosten, maar draag je ook nog eens bij aan een duurzamere inzet van AI-technologie. Het gaat uiteindelijk over bewustwording. En wanneer je deze denkwijze je eigen maakt over het kleine maken, schrappen van zaken die niet meer nodig zijn, wordt het net zo vanzelfsprekend als het uitdoen van het licht wanneer je een kamer verlaat. Het gaat erom dat we een cultuur creëren waarin we energiebewust zijn bij het gebruik van AI-technologie een natuurlijk onderdeel worden van ons dagelijks handelen. Dat betekent niet dat we moeten afzien van het gebruik van geavanceerde AI-modellen. Zeker niet wanneer deze echt nodig zijn en je helpen. Het gaat er juist om dat we wel overwogen keuzes maken waarbij we de voordelen van AI afwegen tegen de energie-nadelen en kosten daarvan. Dus voor complexe taken die echt de kracht van grote taalmodellen vereisen is het gebruiken van gerechtvaardigd, Ja gerechtvaardigd is misschien niet eens het juiste woord. Maar goed, voor alle dagelijkse toepassingen kunnen we vaak volstaan met eenvoudigere, energiezuinige alternatieven. Ik wil deze aflevering afsluiten met een oproep tot actie. Want in plaats van ons schuldig te voelen over het gebruik van AI kunnen we beter proactieve stappen ondernemen om het energieverbruik te beheersen en te verminderen. Dit begint bij bewustwording en eindigt bij concrete acties die energie-efficiëntie, duurzame innovatie en verantwoordelijkheid bevorderen. Ik moedig jullie, onze luisteraars, aan om kritisch na te denken over jullie eigen AI-gebruik. Stel jezelf vragen als "is dit grote model echt nodig voor deze taak?" "Kunnen we hetzelfde resultaat bereiken met een kleine efficiënte alternatief?" "Hoe kunnen we onze AI-systemen optimaliseren voor energiebesparing?" Laat me weten wat jouw tips en trucs zijn voor verantwoorden AI. Deel je ervaring en ideeën met ons. Samen kunnen we namelijk bouwen aan een toekomst waarin AI niet alleen krachtig en innovatief is, maar ook duurzaam en verantwoord. Dank je wel weer voor het luisteren naar je AIToday Live. Heb jij ook een vraag die je beantwoord wil zien in de podcast? Stuur die dan eventjes op. Makkelijkst is via LinkedIn. En dan krijg je van ons persoonlijk antwoord. Dank je wel weer voor het luisteren. Tot de volgende keer. [Muziek]