We zijn op bezoek in een onbekende stad en lusten wel een lekker koffietje. Als je net als ik bent, grijp je dan al snel naar je telefoon voor suggesties. Je opent de welbekende navigatie-app op je telefoon, die je niet alleen de snelste route toont, maar ook suggereert waar je de lekkerste koffie vindt, en zelfs een inschatting maakt van jouw voorkeur. Hoe vaker je de app gebruikt, en afhankelijk van jouw feedback, merkt de app subtiel je keuzes op en stemt het advies steeds beter af op wat jij fijn vindt. Hoe werkt dat precies? Het antwoord ligt in steeds complexer wordende statistische analyses in de vorm van algoritmes, kunstmatige intelligentie, machine learning en deep learning. En verderop in deze blog fantaseren we door naar generatieve AI en AI-agents. Laten we aan de hand van onze zin in een kop koffie bekijken wat het verschil ertussen is.
Algoritmes
Een algoritme is een reeks instructies die de computer volgt in de vorm van hoeveelheden, stappen en volgorde. Zo berekent de navigatie-app bijvoorbeeld met een kortste-route-algoritme welke weg je moet nemen. Die regels zijn vastgelegd en veranderen niet, tenzij een programmeur ze aanpast.
Kunstmatige intelligentie
Kunstmatige intelligentie gaat een stap verder dan vaste instructies. In plaats van alleen regels te volgen, verwerkt het informatie uit de omgeving en past het zich aan. Wat kunstmatige intelligentie onderscheidt van gewone algoritmes, is dat het patronen herkent en op basis daarvan zelfstandig beslissingen neemt. Zo kan de app met kunstmatige intelligentie voorspellen dat we, wanneer er regen wordt verwacht, liever binnen zitten dan op het terras, en daar zijn aanbevelingen op aanpassen.
Machine learning
Machine learning is een specialisatie binnen kunstmatige intelligentie. In plaats van vaste regels programmeer je een systeem dat leert van voorbeelden. Stel dat je de app laat zien welke cafés jij fijn vindt. Je verzamelt data in de vorm van foto’s van koffie, beoordelingen en klikgedrag. Met statistische modellen, zoals lineaire regressie of beslissingsbomen, past het systeem de parameters aan, zodat het steeds beter voorspelt welk café jij leuk vindt. Is bijvoorbeeld voor jou de sfeer het belangrijkst, of de prijs, of de kwaliteit van de koffie? En misschien is het wel zo dat jij bij 20 graden de voorkeur geeft aan een ijskoffie, en bij 10 graden aan een warme latte.
Deep learning
Deep learning is een verdere verdieping van machine learning. Het gebruikt neurale netwerken met meerdere lagen, een technologie die de werking van hersenen nabootst. Elke laag haalt andere kenmerken uit de data: randen, vormen, patronen en uiteindelijk complete objecten. Stel dat je foto’s van je ontbijt deelt: in de eerste lagen worden kleuren en contrast herkend, daarna vormen zoals rond of langwerpig, en in de laatste lagen ziet het netwerk granola, yoghurt en fruit. Zo helpt deep learning de app om complexere taken uit te voeren, zoals automatische beeld- en spraakanalyse.
De laatste jaren zijn er nog een paar lagen bijgekomen, mogelijk gemaakt door de technologie en statistiek zoals hierboven beschreven: generatieve AI en AI-agents. Generatieve AI is een toepassing van deep learning technologie, terwijl AI-agents een handige inzet zijn van meerdere generatieve AI-toepassingen.
Generative AI (genAI)
Generative AI is een toepassing van kunstmatige intelligentie, vaak in de vorm van deep learning, die nieuwe inhoud kan creëren. Terwijl eerdere AI-systemen vooral analyseerden en voorspelden, kan genAI daadwerkelijk nieuwe tekst, afbeeldingen, muziek of code maken. Stel dat de navigatie-app jou een gepersonaliseerde beschrijving geeft waarom café X perfect bij jou past. De app kan dan een unieke tekst genereren: “Gebaseerd op je voorkeur voor gezellige binnenruimtes en sterke koffie, is café X ideaal vanwege hun authentieke vintage inrichting en hun bekroonde espressoblend.”
Dit is geen vooraf geschreven tekst, maar wordt ter plekke gecreëerd op basis van jouw profiel en de café-eigenschappen.
AI-agents
Wanneer je verschillende genAI en kunstmatige intelligentie modellen aan elkaar koppelt en laat bepalen welk model wordt aangesproken, krijg je een AI-agent. Een AI-agent is een autonoom systeem dat niet alleen antwoorden geeft, maar ook daadwerkelijk acties onderneemt namens jou. Een AI-agent in de navigatie-app zou bijvoorbeeld kunnen zien dat jij vaak om 10:00 koffie drinkt, het weer checkt, jouw agenda raadpleegt, en vervolgens automatisch een tafel reserveert bij het voor jou best passende café. De AI-agent kan ook communiceren met het café om te vragen of jouw favoriete bestelling (cappuccino met havermelk) beschikbaar is, en zo nodig alternatieven voorstellen.
Het onderscheidt zich van de andere genoemde AI-vormen doordat het zijn eigen proces kan aansturen. Kon je eerst alleen bellen om een reservering te maken, maar nu ook via de website? Dan kan een geavanceerde AI-agent zelfstandig besluiten dat dat de meest efficiënte manier is om jouw reservering te maken.
In de praktijk
Hoewel de technologieën verschillen, komt het in essentie allemaal neer op steeds geavanceerdere vormen van statistische analyse. Je verzamelt data, kiest een model en schat met wiskundige methoden de parameters zo dat de uitkomst optimaal is.
Wanneer je binnen je organisatie aan de slag wilt gaan met kunstmatige intelligentie, neem dan in overweging welke technologie de meest passende is die aan de vraag kan voldoen. Met alleen algoritmes kom je vaak al een eind, zeker als het gaat om automatische keuzes maken. Hoe geavanceerder de technologie, hoe meer mogelijkheden, maar ook hoe moeilijker het is om te achterhalen hoe het tot een bepaalde beslissing komt. Zeker in het kader van transparantie naar de maatschappij toe, is het van belang duidelijk te kunnen communiceren hoe besluitvorming plaatsvindt bij gebruik van kunstmatige intelligentie.
Is jouw voorkeur voor koffie om het op te drinken met een interessant gesprek? Neem dan contact op met Niels en we vertellen je graag meer!
