Artificial intelligence

Artificial intelligence roept uiteenlopende verwachtingen op. De één denkt aan een digitale assistent, de ander aan machines die zelfstandig complexe problemen oplossen. Voor een heldere uitleg is het nuttiger om te kijken naar wat een toepassing werkelijk doet. Welke informatie verwerkt zij, welke uitkomst levert zij op en onder welke omstandigheden is die uitkomst bruikbaar? Die vragen maken een abstract begrip begrijpelijk en toetsbaar.

Intelligentie als beschrijving van een taak

Bij kunstmatige intelligentie gaat het onder meer om het herkennen van patronen, het afleiden van voorspellingen en het verwerken van taal. Een programma kan op één afgebakende taak goed presteren zonder over algemene menselijke kennis te beschikken. Het herkennen van een voorwerp op een foto zegt bijvoorbeeld weinig over het vermogen om een ingewikkelde instructie uit te voeren.

Daarom is het verstandig om een toepassing te beschrijven met een werkwoord: ordenen, zoeken, vergelijken of samenvatten. Zo wordt duidelijker wat er verwacht wordt. Een brede uitspraak als dit systeem begrijpt onze organisatie is moeilijk te beoordelen. De bewering dat het bepaalde documenten bij het juiste onderwerp plaatst, kun je wel met concrete voorbeelden onderzoeken.

Verschillende manieren om resultaten te maken

Niet iedere slimme functie werkt op dezelfde manier. Soms leggen ontwikkelaars beslisregels vast. In andere gevallen wordt een model getraind met voorbeelden. Ook combinaties zijn mogelijk: een model doet een voorstel, waarna vaste controles bepalen of dat voorstel aan de vereisten voldoet. Voor gebruikers is vooral relevant wat zo’n combinatie betrouwbaar kan uitvoeren en waar beperkingen liggen.

Machine learning vormt een onderdeel van het bredere AI gebied. Deep learning is daarbinnen een benadering met neurale netwerken die meerdere verwerkingslagen gebruiken. De benamingen geven dus verschillende niveaus aan. Een toepassing hoeft niet de meest complexe techniek te gebruiken om geschikt te zijn. Een eenvoudige aanpak kan voldoende zijn wanneer de taak en de beschikbare informatie overzichtelijk zijn.

Waarom voorbeelden zo belangrijk zijn

Een systeem dat patronen uit gegevens leert, krijgt daarmee een bepaald beeld van de taak. Ontbreken belangrijke situaties in die voorbeelden, dan kan de kwaliteit bij nieuwe invoer tegenvallen. Een verzameling korte berichten zegt bijvoorbeeld weinig over hoe goed een toepassing lange, rommelige documenten verwerkt. Het gaat daarom niet alleen om de hoeveelheid materiaal, maar ook om de aansluiting bij het beoogde gebruik.

Neem bij een beoordeling bewust uiteenlopende gevallen op. Gebruik gewone voorbeelden, grensgevallen en informatie die onvolledig is. Bekijk of fouten zich concentreren rond een bepaald soort invoer. Die verschillen vertellen vaak meer dan één gemiddelde score. Ze helpen bovendien om een toepassing gerichter in te zetten of een handmatige controle op de juiste plek toe te voegen.

Een antwoord is nog geen bewijs

Bij systemen die tekst produceren, kan de presentatie sterker lijken dan de inhoud. Een goedlopende alinea bevat niet vanzelf juiste namen, cijfers of verwijzingen. Vraag bij belangrijke informatie daarom hoe een antwoord kan worden gecontroleerd. Wanneer het systeem een document samenvat, moet je kunnen terugzoeken of de samenvatting daadwerkelijk weergeeft wat in dat document staat.

Maak daarnaast onderscheid tussen een voorstel en een besluit. Een concepttekst kan nuttig zijn als vertrekpunt, terwijl een automatisch verstuurd bericht directe gevolgen heeft. Dezelfde techniek kan daardoor in de ene werkwijze goed passen en in de andere extra waarborgen vragen. Ontwerp de controle rond de gevolgen van de taak en de mogelijkheid om fouten te herstellen.

Beoordeel de hele werkwijze

Een demonstratie laat meestal zien hoe een toepassing in gunstige omstandigheden werkt. Tijdens echt gebruik spelen ook invoerproblemen, wachttijden en uitzonderingen mee. Laat gebruikers daarom een volledige taak uitvoeren. Bekijk hoeveel uitleg nodig is en of zij een onjuist voorstel herkennen. Een resultaat dat technisch correct is, kan nog steeds onhandig zijn voor degene die ermee moet werken.

Leg vooraf vast wat een verbetering zou betekenen. Dat kan minder zoektijd zijn, een beter overzicht of minder herhaald handwerk. Vergelijk vervolgens met de bestaande aanpak. Reken ook de tijd voor beoordeling en onderhoud mee. Zo voorkom je dat alleen het snelste onderdeel wordt gemeten terwijl de totale taak nauwelijks eenvoudiger wordt.

Artificial intelligence beoordelen vraagt vooral om nauwkeurige verwachtingen. Een bruikbare toepassing heeft een duidelijk doel, herkenbare grenzen en een manier om resultaten te controleren. Wie vanuit die uitgangspunten werkt, kan kansen onderzoeken zonder algemene beloften te verwarren met bewezen mogelijkheden in de eigen situatie.

Sergej Dergatsjev, eigenaar van Online Solutions Group, heeft CompanyGids nieuw leven ingeblazen en het platform verder uitgebouwd tot een moderne bedrijvengids voor België. Bezoek Company Gids en Online Solutions Group.