Wij zijn door hen omringd. Ze vegen onze vloeren. Zij besturen onze auto’s. Ze beheren de voorraad in enorme magazijnen. Leermachines en kunstmatige intelligentie zijn niet langer sci-fi-concepten. Het zijn dagelijkse kostjes. Hun capaciteiten worden steeds scherper. Ze bootsen de menselijke cognitie na met een verontrustende precisie. Maar er hangt een vraag in de lucht. Hoe menselijk zijn deze machinehersenen eigenlijk? En kan die nabootsing gevaarlijk worden?
Het antwoord is niet eenvoudig. Het vereist dat je voorbij de hype kijkt. We moeten de mechanismen begrijpen.
De illusie van mensachtige intelligentie
Veel mensen gaan ervan uit dat een machine, omdat hij een kat kan herkennen of over een snelweg kan rijden, de wereld ‘begrijpt’ zoals een mens dat doet. Die veronderstelling klopt niet. Het is een gevaarlijke vereenvoudiging.
Eyke Hüllermeier, een AI-onderzoeker aan de Universiteit van Paderborn, suggereert dat we voorzichtig moeten zijn met dat label. De systemen die wij gebruiken denken niet. Ze berekenen kansen. Het zijn patroonvergelijkingen op een schaal die mensen niet kunnen bevatten. Maar de output kan er opmerkelijk menselijk uitzien.
“Hun vaardigheden komen steeds dichter bij die van mensen”, merkt Hüllermeier op. Maar nabijheid is geen identiteit.
Dit onderscheid is van belang. Wanneer een robotstofzuiger door uw woonkamer navigeert, “kiest” hij geen pad op basis van logica of voorkeur. Het verwerkt sensorgegevens om botsingen te voorkomen. Het is efficiënt. Het is niet bewust. Maar naarmate deze systemen complexere taken op zich nemen, vervaagt de grens.
Waarom dit belangrijk is voor dagelijkse gebruikers
Het gevaar is niet een robotopstand. Het is subtieler. Het gaat om vertrouwen. Wanneer AI-systemen zich gedragen op een manier die er opzettelijk uitziet, schrijven gebruikers er bedoelingen aan toe. Dit leidt tot misplaatst vertrouwen.
Als een zelfrijdende auto een beslissing neemt die in een bepaalde situatie ‘slim’ lijkt, kunnen gebruikers ervan uitgaan dat deze in een nieuw randscenario net zo ‘slim’ is. Dat is het niet. Het systeem werkt binnen een specifieke trainingsdataset. Buiten die grens mislukt het.
Het begrijpen van de grenzen van de huidige technologie is essentieel. We moeten weten wat deze tools kunnen doen. Wij moeten weten wat zij niet kunnen.
Waar de risico’s liggen
Het risico is geen boosaardigheid. AI heeft geen verlangen. Het risico is een verkeerde uitlijning.
- Overmatig vertrouwen: Mensen delegeren hun oordeel aan algoritmen. Wanneer het algoritme een fout maakt, is de mens er niet om dit op te vangen.
- Ondoorzichtigheid: We weten vaak niet waarom een model een specifieke beslissing heeft genomen. Dit is het ‘black box’-probleem.
- Databias: Deze systemen leren van historische gegevens. Als die data menselijke vooroordelen bevatten, versterkt de AI deze.
Het werk van Hüllermeier aan de Universiteit van Paderborn richt zich op het robuuster maken van deze systemen. Transparanter. Minder foutgevoelig. Maar de technologie ontwikkelt zich sneller dan de regelgeving. Sneller dan het publieke begrip.
De kernvraag
Dus, zijn ze menselijk? Nee. Het zijn geavanceerde statistische machines. Maar omdat hun resultaten bij veel taken niet meer te onderscheiden zijn van menselijke prestaties, is de psychologische impact reëel. Wij behandelen ze als gelijken. Dat zouden we niet moeten doen.
De vraag is niet of ze ons zullen vervangen. Het gaat erom of we ze voldoende vertrouwen om de sleutels te overhandigen. En of zij
De Black Box decoderen: hoe neurale netwerken feitelijk werken
We leven al in de machine, of we dat nu willen of niet. De trend is niet subtiel meer. Leren computers verschuiven van laboratoriumexperimenten naar de ruggengraat van onze economie en ons dagelijks leven.
Waarom nu? Twee redenen. Betere software-architecturen zoals neurale netten. En hardware die eindelijk de datahonger kan bijbenen.
Machines doen al het zware werk. Je ziet het in virtuele assistenten. Je ziet het bij industriële robots. Je zult het waarschijnlijk zien in de toekomst van de gezondheidszorg met robotachtige verpleeghulpmiddelen. Maar er gaapt een kloof tussen het gebruik van de tool en het begrijpen ervan. Hoe denken deze ‘machinebreinen’ eigenlijk? Zijn we iets aan het bouwen dat binnenkort onze eigen cognitie zal overtreffen?
Eyke Hüllermeier, hoofd van de afdeling Intelligent Systems and Machine Learning aan de Universiteit van Paderborn, legt de werking uit. Hij kijkt ook naar wat deze technologie onthult over ons gedrag en waar het naartoe gaat.
Het ongedefinieerde definiëren
Laten we beginnen met het moeilijkste deel: het definiëren ervan.
Künstliche Intelligenz is niet alleen een subtak van de informatica. Het is een rommelig kruispunt. Het raakt wiskunde. Engineering. Psychologie. Neurowetenschappen. Biologie. Filosofie. Taalkunde.
Er bestaat geen precieze, universeel aanvaarde definitie. Marvin Minsky, een van de grondleggers van het vakgebied, kwam met een pragmatische visie: het is de wetenschap om machines dingen te laten doen waarvoor menselijke intelligentie nodig is.
Maar dat roept de volgende, vervelende vraag op. Wat is menselijke intelligentie eigenlijk?
Tegenwoordig richt de heersende opvatting zich op probleemoplossende agenten. Deze systemen handelen rationeel om een doel te bereiken. Maar ze hebben ook ‘menselijke’ eigenschappen nodig. Leervermogen. Autonomie. Fouttolerantie. Deze kwaliteiten onderscheiden hen van standaard, rigide software.
Wanneer we deze benaderingen implementeren voor gebruik in de echte wereld, noemen we ze intelligente systemen.
“Künstliche Intelligenz ist de Wissenschaft, Maschinen die Dinge tun zu lassen, für die ein Mensch Intelligenz benötigen würde.” –Marvin Minsky
Deze definitie is breed van opzet. Een intelligent systeem kan hardware zijn. Denk aan een robotarm die auto’s in elkaar zet. Of het kan pure software zijn. Zoals de aanbevelingsengine die je de volgende aflevering van een programma stuurt waarvan je niet wist dat je het wilde.
De grens tussen hardware en software vervaagt. Het onderscheid is minder belangrijk dan de uitkomst. Kan het leren? Kan het zich aanpassen? Als het antwoord ja is, maakt het deel uit van de verschuiving. En het verandert snel.
Zwakke AI versus sterke AI: het verschil begrijpen
De manier waarop we kunstmatige intelligentie classificeren is niet alleen academisch muggenziften. Het bepaalt wat je daadwerkelijk kunt verwachten van de technologie in je broekzak of op je werkplek. Onderzoekers verdelen dit in twee hoofdcategorieën: Zwakke AI en Sterke AI.
Zwakke AI is wat ons omringt. Het simuleert intelligent gedrag voor specifieke taken. Denk aan spraakherkenning of de algoritmische advertenties die in uw feed verschijnen. De machine ‘denkt’ niet. Het voert gewoon een specifieke functie uit met hoge precisie.
Sterke AI is een heel ander beest. Het impliceert bewustzijn. Empathie. Onafhankelijke actie. Dit is de versie van AI die universele intelligentie bezit. Het komt overeen met menselijke cognitieve vaardigheden of overtreft deze. Wij hebben dit nog niet gebouwd. De eerste categorie zijn we nog aan het uitzoeken.
De verschuiving van regels naar data
Als je terugkijkt op de jaren tachtig en negentig was de aanpak van het bouwen van intelligente systemen radicaal anders. Destijds waren het expertsystemen die de boventoon voerden.
Het doel was eenvoudig maar ambitieus: het formaliseren van menselijke expertise. Ze gebruikten elementaire als-dan-regels.
“Ze probeerden menselijke kennis toegankelijk te maken voor logische computerverwerking door deze in eenvoudige voorwaardelijke regels om te zetten.”
Het was expliciet programmeren. Je vertelde de machine precies hoe hij moest denken. Als X gebeurt, doe dan Y. Het werkte voor smalle domeinen. Medische diagnostiek. Geologische onderzoeken. Maar het stuitte op een muur. Het kon de rommelige, ongestructureerde realiteit van de wereld niet aan.
Machine Learning neemt het stuur over
Tegenwoordig wordt het landschap gedomineerd door machine learning.
Het paradigma is volledig verschoven. We programmeren gedrag niet meer expliciet. Wij zijn trainingssystemen gebaseerd op empirische gegevens. De AI interageert met zijn omgeving. Het genereert datapunten. Het leert.
Het resultaat is een systeem dat zijn prestaties verbetert op basis van ervaring. Niet omdat een programmeur een langere lijst met regels heeft geschreven. Maar omdat het model zijn interne gewichten heeft aangepast na het zien van miljoenen voorbeelden. Dit is de basis van modern fundamenteel onderzoek. En het verandert alles, van de manier waarop we coderen tot de manier waarop we leven.
Maschinen übernehmen Tasks, die früher exclusieve menschliches Territorium waren. Doch der Vergleich denkt. Mens en machine zijn geen spiegelbeelden. Uw sterkte is een aanvulling.
Machines worden beloond. Ze verarbeiten informatie logisch consistent. Dit is systematisch. Dit is het geval. Als u een grote hoeveelheid complexe data vindt, wordt de mens steeds groter.
Het kan niet anders.
Ik richt me op de menselijke fehlen-maschinen-robustheit. Het is een goede menschenverstand. KI-Systeem is extreem gespecialiseerd. Het is een voortreffelijke oplading. Doch sterft Können ist geïsoleerd. Er is geen eingebettet in Alltagswissen.
De machine kan niet meer dan goed zijn. Der Mensch meistert viel meer op of weniger darm. Dat is de Unterschied.
Was de menschen van KI aan het leren?
Die Frage was Menschen von Maschinen die können leerde, ist seltsam. Sie ähnelt der Frage, was Vögel von Flugzeugen-lernen.
Eigentlich will man Maschinen „menschlicher“ machen. Geen probleem.
Doe het debat over de Nebenwirkungen. Wir sprenchen über Rationalität. Wir sprchen über Fairness. Eigenaardigheden, die door Maschinen worden veroorzaakt. Deze diskussie is een van de belangrijkste kritiekpunten.
KI spiegelt unser Verhalten zurück. Als u Muster beledigt, zult u niets meer zien.
KI kan een van onze eigen Verhalten verraten.
Een Beispiel. Een machine die lesgeeft, is nu bedoeld om een richter te scheiden tijdens trainingsdata. Er is een ontwerpmodel ontworpen. Ziel: Transparantz.
Voraussetzung: Das Modell muss interpretierbar sein. Als u de scheiding van Richters wilt zien. Bias wordt bekeken. Logistiek wordt zichtbaar.
Wo steht KI heute?
De anwendungsfelder scheinen zijn niet meer te gebruiken. In Wirklichkeit is het snel überall.
KI hat Einzug inhoudn. In snel Allen Bereichen.
Bekannte Beispiele sind naheliegend. Intelligente systemen in industriële context. Roboter. Intelligente oorlogssystemen in de fertigung. Stichwort Industrie 4.0.
Empfehlungssysteme van Google. Van Amazon. Personalisering. Dit is allemaal gevaarlijk.
Autonomen Fahren. Noch in Fluss. Geen volledig gelöst. Aber aanwezig.
Auch in der Medizin ist der Aufmarsch unübersehbar.
Spannend, aber weitgehend offen, ist de Frage, wann de KI een Reifegrad erreicht is geworden, der kognitiv auf eine Stufe mit dem Menschen stellt.
Anwendungsorientierte Forschung treibt das voran. Am Software Innovatie Campus Paderborn (SICP). Ik ben een kompetenzbereich „Smart Systems“.
SICP fungiert als Schnittstelle. Zwischen Wissenschaft und Industrie. Zusammen mit Unternehmen werden losgezongen. Voor problemen in de industriële praktijk.
Ziel: Effizienz in der Produktion steigern. Konkrete Probleme. Konkrete Antworten.
Prognosen voor Entwicklung der KI liegen regelmaat daneben. In der Vergangenheit. Het is niet anders. De technische oplossing is rasant.
Het is zekerder. De stroom op alle Bereiche zorgt ervoor dat de Lebens enorm is. Auf de Gesellschaft.
Heeft u kennis van de hoogte van het land van de mens? Is dit überhaupt mogelijk?
Het Antwort kan misgaan.
Prof. Erhard Hüllermeier ziet op korte termijn geen killer-robots aankomen. Het idee dat AI zijn eigen wil ontwikkelt en mondiale overheersing nastreeft, is sciencefiction. Wij zijn daar verre van. Het echte verhaal is veel alledaagser. En aantoonbaar meer impact.
AI als hulpmiddel. Daar ligt het huidige nutsbedrijf. Het vergroot de menselijke capaciteiten. Denk aan medische diagnoses. Een dokter krijgt een tweede paar ogen die niet vermoeid raken. De expertise wordt aangescherpt. De therapieplanning wordt nauwkeuriger. In de industriële productie worden de vervelende, uitputtende taken volledig aan machines overgedragen. Het resultaat? Een tastbare verhoging van de kwaliteit van leven.
“AI kan ons helpen veel van de grote uitdagingen van vandaag de dag het hoofd te bieden, of het nu gaat om klimaatverandering, mondiale voedselzekerheid of het bestrijden van ziekten.”
De uitdagingen waar we voor staan zijn groot. Klimaatverandering. Welternährung. Uitroeiing van ziekten. Wij kunnen deze niet alleen oplossen. Maar met AI? Wij maken een veel betere kans. Het verwerkt gegevens op een schaal die mensen eenvoudigweg niet kunnen evenaren. Het signaleert patronen in chaos. Dat is geen magie. Het is gewoon betere wiskunde.
De juridische en ethische leegte
Er zijn geen kansen zonder risico’s. Dat is een gegeven. Maar de specifieke aard van deze risico’s wordt vaak verkeerd begrepen. Het gaat niet om Skynet. Het gaat over bureaucratie. En wet.
Veel kritische vragen blijven juridisch onopgelost. Het raamwerk loopt achter op de technologie. Wie is aansprakelijk als een autonoom systeem een fout maakt? De codeur? De gebruiker? Het algoritme zelf? We hebben nog geen duidelijke antwoorden.
De maatschappelijke implicaties zijn duister. Kijk naar China. Sociale scoresystemen zijn al operationeel. Ze kennen betrouwbaarheid toe aan burgers. Het werpt ernstige ethische alarmsignalen op. Maar het zijn niet alleen autoritaire regimes. Het gebeurt ook op democratische markten.
Denk aan kredietgoedkeuringen. Of solliciteren bij uitzendbureaus. Computers nemen deze beslissingen nu. Iedere burger wordt potentieel getroffen. Eerlijkheid is niet gegarandeerd. Transparantie ontbreekt vaak. Discriminatie kan in de data worden ingebakken. En als je het model niet begrijpt, kun je er niet tegen vechten.
Wanneer de controle wegglipt
Het gevaar is niet een robotopstand. Het is autonomie. Met name systemen die buiten menselijk toezicht opereren.
Kijk naar algoritmische handel. Milliseconden. Dat is het tijdsbestek. Miljoenen euro’s worden in fracties van een seconde verplaatst. De systemen zijn zo snel en zo complex dat mensen niet in realtime kunnen ingrijpen. Wij kijken naar de grafieken. Wij hopen er het beste van.
Financiële crashes? Ze zijn slecht. Ze veroorzaken pijn. Maar ze verbleken in vergelijking met andere autonome systemen. Autonome wapens. Dodelijke kracht bepaald door code. Geen menselijke vinger aan de trekker. Als je dat eenmaal in gang hebt gezet, kun je het dan stoppen?
“Financiële risico’s zoals marktcrashes lijken vrijwel onschuldig vergeleken met de gevaren van autonome wapensystemen.”
We hebben nu al te maken met systemen die niet volledig controleerbaar zijn. Ze leren. Ze passen zich aan. Ze evolueren op manieren die hun makers niet volledig hadden voorspeld. Wij nemen de controle over. Wij hebben het vaak niet.
De vraag is niet of AI de wereld zal veranderen. Het is. De vraag is of we het stuur kunnen behouden als de auto zelf gaat rijden. Dat zijn we nog niet uit.
