AI is meer dan Generatieve AI alleen

Hoi, welkom bij een nieuwe korte aflevering van AIToday Live. Mijn naam is Joop Snijder, CTO van Aigency. En vandaag neem ik je mee in een onderwerp dat me de laatste tijd steeds meer opvalt in gesprekken over AI. Het lijkt erop dat voor veel mensen AI tegenwoordig synoniem is geworden met generatieve AI. Je weet wel, zoals ChatGPT, Midjourney, Dall-E en dat soort soortgelijke technologieën die tekst, afbeeldingen en andere media kunnen genereren. En hoewel deze toepassingen indrukwekkend zijn en terecht veel aandacht krijgen, doen we onszelf tekort door te denken dat AI alleen maar generatieve AI is. In deze aflevering wil ik deze misvatting rechtzetten en je meenemen in de rijke, diverse wereld van AI-technologieën die veel meer omvatten dan alleen het genereren van content. Doordat we dit onderscheid begrijpen, kunnen we als professionals en organisaties namelijk betere keuzes maken over hoe we AI kunnen inzetten voor onze specifieke uitdagingen. Een veel voorkomend misverstand dat ik in mijn dagelijkse werk vaak tegenkom is dat ze vragen: 'Yo, we willen ook AI gaan gebruiken dus we hebben JetGPT nodig.' Of ze vragen me: 'Ja, wat kunnen we eigenlijk allemaal doen met ChatGPT in onze organisatie?' En als ik dan doorvraag wat ze precies willen bereiken, blijkt vaak dat er een heel ander soort AI-oplossing veel beter bij hun behoefte zou passen. Het misverstand zit erin dat voor veel mensen AI tegenwoordig gelijk staat aan ChatGPT of andere tekstgeneratoren. Ze missen daardoor het bredere perspectief op wat AI allemaal kan betekenen voor hun specifieke uitdagingen. Dus laten we eens beginnen met de basis om dit misverstand uit de weg te ruimen. Want wat is AI eigenlijk? In het Nederlands, kunstmatige intelligentie, is in de kern een verzamelnaam voor systemen die taken kunnen uitvoeren die normaal gesproken menselijke intelligentie vereisen. Denk aan patroonherkenning, leren van ervaringen, redeneren en problemen oplossen. Het is een breed veld dat verschillende technologieën en benaderingen omvat. Stel je AI voor als een hele grote familie met veel verschillende takken en vertakkingen. Een generatieve AI is slechts één tak van deze rijke familie. Weliswaar een tak die momenteel veel in de schijnwerper staat, maar zeker niet de enige en in sommige contexten niet eens de meest relevante is. Een vraag die vaak opkomt is: wat is dan een algoritme en is ieder algoritme AI? Een algoritme is simpelweg een reeks instructies die gevolgd worden om een bepaalde taak uit te voeren of een probleem op te lossen. Denk aan een recept voor een gerecht. Dat is in feite ook een algoritme. En niet ieder algoritme is AI. Traditionele algoritmes volgen vaste, vooraf gedefinieerde regels en kunnen helemaal niet leren van data of zich aanpassen aan nieuwe situaties. AI algoritmes daarentegen kunnen dit wel. Ze kunnen patronen herkennen in data, daarvan leren en hun gedrag aanpassen. Dus laten we wat dieper ingaan op de verschillende vormen van AI, zodat je een beter begrip krijgt van het bredere landschap. Een generatieve AI, waar we tegenwoordig zoveel over horen, is inderdaad best wel fascinerend. Het zijn systemen die nieuwe content kunnen creëren. Tekst, afbeeldingen, muziek, zelfs video. En dat lijkt op wat wij als mensen zouden kunnen maken. Ze worden getraind op enorme hoeveelheden bestaande content en leren patronen, stijlen, structuren die ze vervolgens gebruiken om nieuwe originele content te geregieren. Maar daarnaast hebben we machine learning. En dat is een fundamentele tak van AI. Machine learning draait om systemen die kunnen leren van data zonder expliciete programmering. Ze herkennen patronen en maken voorspellingen of beslissingen gebaseerd op wat ze hebben geleerd. Denk hierbij aan de aanbevelingssystemen, recommendations, zoals je die van Netflix of Spotify krijgt. Of het wordt ook ingezet voor fraudedetectie bij banktransacties. Deze systemen zijn niet gericht op het genereren van nieuwe content, maar op het maken van nauwkeurige voorspellingen of klassificaties. En binnen machine learning heb je weer een specifieke vorm en dat heet dan deep learning. Dat juist weer gebruik maakt van neurale netwerken met meerdere lagen. Deep learning heeft revolutionaire doorbraken mogelijk gemaakt in beeldherkenning, spraakherkenning en de natuurlijke taalverwerking. Hier kan je denken aan beeldanalyses waarbij deep learning algoritmes kunnen helpen bij het detecteren van ziektes. Zoals bijvoorbeeld kanker en röntgenfoto's en MRI scans met een nauwkeurigheid bekijken die soms de bovenmenselijke nauwkeurigheid van radiologen gaat. En dan hebben we ook nog reinforcement learning waarbij AI systemen leren door interactie met een omgeving en beloond worden voor gewenst gedrag. Ik heb hier al eens een aflevering over gemaakt zoek die maar eens even op. Maar het wordt in ieder geval heel veel gebruikt in de robotica, gaming en denk aan AlphaGo dat de wereldkampioen versloeg in het spelletje Go. En het wordt heel veel gebruikt in procesoptimalisatie. Een andere vorm die vaak over het hoofd wordt gezien is kennisgebaseerde AI. Die werkt met expliciet gedefinieerde regels moet ik zeggen en met kennisbanken. En deze worden nog steeds gebruikt in expertsystemen voor specifieke domeinen. En vergeet niet de wereld van computer vision. En die richt zich op het begrijpen van visuele informatie uit de wereld. En waar wordt machine learning allemaal voor gebruikt? Toepassingen zijn eindeloos, maar laat me enkele voorbeelden noemen die misschien niet meteen in je opkomen als je aan AI denkt. En in de gezondheidszorg herkennen algoritmes patronen in medische beelden. En onderzoekers bijvoorbeeld in Cambridge hebben zelfs een AI systeem ontwikkeld dat Alzheimer jaren voor de eerste symptomen kan voorspellen. In de financiële wereld wordt machine learning ingezet voor wat ik al zei, fraudedetectie. Terwijl het in de logistiek helpt om vraag en aanbod beter op elkaar af te stemmen. Een Nederlands supermarktketen heeft zo bijvoorbeeld de verspilling van verse producten met 20% verminderd. Dat is nogal wat. In de energiesector optimaliseren ze AI modellen voor de productie en distributie. Terwijl in de landbouw AI systemen gewasziektes kan detecteren en bijvoorbeeld de ideale hoeveelheid water en voedingsstoffen kan bepalen. Nou, al deze toepassingen gaan helemaal niet over het genereren van content, maar over het maken van voorspellingen, herkennen van patronen, optimaliseren van processen en het nemen van beslissingen op basis van data. Maar waarom denken zoveel mensen dan dat AI tegenwoordig synoniem is met generatieve AI? Nou, dat heeft volgens mij een aantal redenen. Ten eerste is er de zichtbaarheid en toegankelijkheid. De generatieve AI tools, ChatGPT, DALI, CLOT, Majorney, nu het genereren met video, Sora, zijn direct toegankelijk voor het grote publiek. Je hoeft geen data scientist te zijn, niet afgestudeerd te zijn in AI om deze tools te gebruiken. Iedereen kan binnen enkele minuten best wel indrukwekkende resultaten behalen. En dit maakt ze veel zichtbaarder dan de meeste meer technische AI toepassingen die achter de schermen werken in bedrijven. En ten tweede is er het wauw effect. Een generatieve AI produceert resultaten die direct indruk maken. Een AI die een gedicht schrijft in de stijl van Shakespeare of een fotorealistische afbeelding creëert van een futuristische stad. Dat spreekt tot de verbeelding en geeft het gevoel van: dit is echt AI. Ook al zijn andere vormen van AI soms technisch gezien complexer of in ieder geval impactvoller. Ten derde is er de media aandacht. De lancering van ChatGPT eind 2022 leidde tot een explosie van media aandacht. En sindsdien zijn generatieve AI tools niet meer uit het nieuws weg te denken. De andere vormen van AI die al jaren bestaan en ontwikkeld worden krijgen simpelweg minder aandacht. Ten slotte is het economisch impact. De mogelijkheden van generatieve AI voor content creatie, marketing, klantenservice en vele andere toepassingen hebben geleid tot grote investeringen. Kijk maar naar wat de big tech aan het doen is. En een explosie van start-ups en producten in deze niche. En dit versterkt de zichtbaarheid en de perceptie dat AI vooral om generatieve modellen draait. Waarom is het eigenlijk zo belangrijk om te begrijpen dat AI meer is dan generatieve AI? Waarom vertel ik je dit? Wat mij betreft zijn daar een aantal goede redenen voor. Allereerst leidt het namelijk tot betere besluitvorming voor organisaties. Als je denkt dat AI alleen maar over het genereren van content gaat, mis je misschien kansen om andere AI technieken toe te passen die veel meer impact kunnen hebben voor jouw specifieke uitdagingen. Misschien heeft jouw organisatie meer baat bij een voorspellend model dan bij een tekstgenerator. Ten tweede voorkomt het verkeerde verwachtingen. Een generatieve AI is indrukwekkend, maar heeft natuurlijk ook gewoon beperkingen en is niet geschikt voor alle problemen. Als je AI alleen associeert met generatieve modellen, zou je te hoge verwachtingen kunnen hebben van wat deze modellen kunnen doen in andere contexten. Of je zou kunnen denken dat AI niet relevant is voor jouw situatie, terwijl dat wel het geval is. En ten derde, misschien eentje die je niet zo snel zou bedenken, stimuleert het innovatie en creativiteit. Door het bredere spectrum van AI technieken te begrijpen, kun je creatiever nadenken over hoe AI jouw specifieke problemen zou kunnen oplossen. Je bent niet beperkt tot de toepassingen die je in het nieuws ziet. En tenslotte bevordert het kritisch denken. Door de verschillende vormen en toepassingen van AI te begrijpen, ben je beter in staat om claims over AI te evalueren, potentiële risico's en voordelen af te wegen. En daarmee dus een weloverwogen beslissing te nemen over hoe je deze technologie wilt gebruiken. Wat kun je nou concreet doen met deze kennis? Hier zijn een aantal tips. En begin met het probleem, niet met de technologie. Daag je af welke uitdaging heeft mijn organisatie of team en welke vorm van AI zou hier het beste bij kunnen helpen. Verken ook de verschillende AI technieken en benaderingen. Er zijn talloze bronnen beschikbaar, boeken, online cursussen, webinars die je kunnen helpen om je kennis van verschillende AI domeinen te verbreden. Zoek bijvoorbeeld naar vergelijkbare toepassingen in jouw industrie. Welke AI oplossingen gebruiken vergelijkbare organisaties al met succes? Dit kan je enorm inspireren en praktische inzichten geven. Wat ik natuurlijk vaker zeg: begin klein en experimenteer. je hoeft niet meteen een grootschalig AI project op te zetten. Begin met een kleine, goed gedefinieerd experiment. En start de uitdaging met verschillende benaderingen. En uiteraard: weg samen met experts. Schakel indien nodig de hulp in van AI experts die je kunnen helpen bij het identificeren van de meest geschikte technieken en benaderingen voor jouw specifieke situatie. Wat kun je nu concreet doen naar het luisteren van deze aflevering? Mijn advies zou zijn: neem eens een actuele uitdaging in je organisatie en vraag jezelf af: welke vorm van AI zou je hier het beste bij kunnen helpen? En is dat wel of geen generatieve technologie? Door deze oefening te doen open je je geest voor het bredere spectrum van AI mogelijkheden en kun je tot verrassende en waardevolle inzichten komen. En bedenk: AI is niet een oplossing voor elk probleem, maar onmisbaar waar het past. Dank je wel weer voor het luisteren. Tot de volgende keer! [Muziek]