Hoe AI uitgroeide tot een volledig autonoom zelflerend systeem

Recente ontwikkelingen in AI

Kunstmatige intelligentie heeft het voorbije decennium een hele weg afgelegd, zowel voor praktische toepassingen als voor onderzoeksmogelijkheden. In games zoals Go, Dota 2, Waagstuk, schaken en soms ook poker moet de mens vandaag het onderspit delven voor artificiële intelligentie. AI kan detailbeelden van menselijke gezichten van elkaar onderscheiden, wiskundige vraagstukken oplossen, menselijk gedrag voorspellen, poëzie schrijven, programmeren, quasi elke taal ter wereld vertalen en nog veel meer.

De kracht van AI schuilt vooral in de interne motor, namelijk zelflerende algoritmes. Zelflerende systemen zijn in staat om toekomstvoorspellingen te doen op basis van het verleden. In feite gaat het om een geavanceerde vorm van statistische kansberekening.

Zelflerende systemen: de kern van AI

Zelflerende systemen of Machine Learning (ML) zijn allesbehalve een nieuw gegeven; de eerste, weliswaar beperkte, zelflerende algoritmes ontstonden in de jaren ’50. Nadien lag de ontwikkeling zo’n 30 jaar lang min of meer stil, vooral door een gebrek aan vooruitgang. In de jaren ’90 ontwikkelden onderzoekers meer gesofisticeerde zelflerende algoritmes, die computers in staat stelden om grote hoeveelheden data te verwerken en hier conclusies uit te trekken. In dezelfde periode nam het belang van neurale netwerken toe, al duurde het nog tot begin jaren 2000 dat autonome zelflerende systemen zouden doorbreken.

Deze vooruitgang in AI was vooral te danken aan ontwikkelingen in zelflerende algoritmes, met als grootste doorbraak de stap van gecontroleerde zelflerende werking (supervised learning) naar autonome zelflerende werking (unsupervised learning). Hieronder leggen we het verschil in detail uit.

Gecontroleerde zelflerende werking

Dit type zelflerend systeem is in staat om toekomstige gebeurtenissen te voorspellen op basis van gebeurtenissen uit het verleden, maar enkel met gebruik van vooraf gedefinieerde modellen en vooraf gelabelde datasets. Of anders gezegd: het algoritme kan ons helpen om gegevens te vergelijken en te categoriseren, maar enkel als wij als mens het systeem duidelijk maken wat we precies zoeken. Een gecontroleerde zelflerende werking of supervised learning heeft natuurlijk haar beperkingen omdat onderzoekers data op voorhand moeten bepalen, zo niet zijn de bevindingen eerder nutteloos.

Autonome zelflerende werking

In tegenstelling tot gecontroleerde zelflerende systemen zijn autonome zelflerende systemen of unsupervised learning in staat om bestaande structuren te identificeren in de basisdata, zonder dat deze data eerst met menselijke tussenkomst bepaald moeten worden. Dit is vooral handig wanneer men aan de slag gaat met niet-gestructureerde data en misschien nog onbekende patronen wil opsporen. Wil men overeenkomsten uitspitten, onverwachte gebeurtenissen voorspellen of afwijkingen in datasets opsporen en gegevens bundelen die op het eerste zicht niks met elkaar te maken hebben, dan zijn autonome zelflerende systemen veel nuttiger dan gecontroleerde zelflerende systemen.

Toepassingen van gecontroleerde of autonome zelflerende systemen

Beide types zelflerende systemen kennen grote toepassingen in business analytics, business intelligence, bioinformatics, spamdetectie, herkenning van afbeeldingen of voorwerpen en spraakherkenning en -segmentering, genetische clustering, opsporen van patronen en sequenties enz.

Autonoom zelflerende systemen worden vooral aangewend voor meer abstracte doeleinden. Zo kunnen ze bijvoorbeeld gebruikt worden in het detecteren van frauduleuze transacties en afwijkingen in de klimaatverandering. De mogelijkheid om onbekende trends te ontwaren is van onschatbare waarde en kent ontelbare toepassingen in tal van sectoren.

De toekomst van gecontroleerde en autonome zelflerende systemen

Zowel gecontroleerde als autonome zelflerende systemen kennen nog een aantal gebreken, meestal op het vlak van de mogelijkheid om zinvolle conclusies te trekken uit complexe data. Juist op dit vlak kunnen deep learning-technologieën een grote rol spelen, alhoewel de overheidsinvesteringen in deep learning helaas nog sterk te wensen overlaten.

Investeringen van Big Tech-ondernemingen zijn vandaag vooral beperkt tot eigen AI-toepassingen en tot interne zelflerende systemen, om zo elke vorm van data te kunnen omtoveren tot zinvolle info. Veel technologie-ondernemingen maken daarbij gebruik van deep-learning technologie. Kleinere ondernemingen, waar onvoldoende budgetten en mogelijkheden voorhanden zijn om AI dieper te doorgronden, beginnen geleidelijk de mogelijkheden te ontdekken van zelflerende systemen die weliswaar extern ontwikkeld worden, maar wel in staat zijn om te communiceren met bestaande bedrijfssystemen.

Hoe je AI-apps in je onderneming integreert

De voorspelling van klanten- of gebruikersgedrag kan grote voordelen bieden voor ondernemingen. AI kan je hierbij helpen! Bijvoorbeeld dankzij de analyse van eerdere aankooppatronen en van de aankoopgeschiedenis, van productscores en -reviews of door analyses van zoekgeschiedenis. Marketingteams maken steeds vaker gebruik van zulke tools en slagen er zo inzichten te verwerven uit de terabytes aan gegevens die constant worden aangeleverd door prospecten en klanten.

Waar gecontroleerde zelflerende systemen in staat zijn om te voorspellen hoe vaak je je klanten moet aanspreken om je marketingcampagnes ten volle te laten renderen, zijn autonome zelflerende systemen in staat om je te zeggen wat de meest efficiënte marketingstrategie is voor elk type klant. Het voordeel hiervan staat buiten kijf: aangepaste marketing en advertenties op maat van elke klant. Ongetwijfeld de meest efficiënte strategie, waarmee je in staat bent om daar te investeren waar je geld het meeste opbrengt. Naarmate AI steeds beter patronen herkent, zullen de mogelijkheden van autonome zelflerende systemen alleen maar groter worden.

AI is vandaag zeker nog niet hét wondermiddel voor elke tak van je onderneming en voor al je uitdagingen, wat niet betekent dat marketing en reclamebedrijven, transport en logistiek, supply chain, dynamische prijszettingen, planning van de vraag en accounting/finance niet onmiddellijk de vruchten kunnen plukken van op maat gemaakte oplossingen die gebruikmaken van zelflerende systemen.

Hulp nodig bij de ruime waaier aan mogelijkheden?

Contacteer ons voor een vrijblijvend gesprek.

Copywriter inadanova.com