Drie jaar geleden op een warme april ochtend schuifelde ik mijn eerste examen thermodynamica binnen. Een berucht examen. Maar liefst 64 procent van de studenten zou geen voldoende halen. Maar ik was er zeker van dat ik dat wel zou doen, want ik had een geheim wapen. In mijn tas zat een TI-84 Plus-calculator vol met oude examenvragen en cryptisch uitgetypte algoritmes om soortgelijke opdrachten op te lossen.
Het enige wat ik hoefde te doen als ik een vraag kreeg, was de vraag in mijn rekenmachine te vinden die er het meest op leek en de parameters aan te passen. Althans, dat dacht ik.
Die eerste keer kreeg ik een 2. Oké, reality check. Het bleek dat thermodynamica wel iets meer is dan het volgen van een reeks algoritmen of wetten.
Ik faalde vooral omdat ik niet had geleerd over waarom ik de ene wet gebruikte voor dit systeem en de andere voor dat systeem. Ik was alleen op zoek naar patronen in mijn trainingsdataset (de oude examens) die werden herhaald in het examen dat voor mij lag.
Overigens is dit soort besluitvorming precies waar het veld van de kunstmatige intelligentie het meest mee worstelt. Het verbinden van een corpus aan theoretische kennis aan nieuwe, complexe, reële scenario’s. Het abstraheren van kennis uit het ene veld, om te dienen in een ander.
Narrow AI verslaat menselijke specialisten
Met de astronomische opkomst van rekenkracht en big data is er iets ontstaan dat Narrow AI wordt genoemd. Gepresenteerd met genoeg gegevens van soortgelijke gevallen kan een Narrow AI-algoritme leren om beslissingen te nemen voor andere soortgelijke gevallen. Dat is wat ik probeerde te doen tijdens mijn thermodynamica-examen.
Een verbazingwekkend bruikbaar voorbeeld hiervan op mijn universiteit (TU/e) is de detectie van darmkanker op een colonoscopievideo. In een onderzoek onder leiding van Fons van der Sommen konden zij in 90 procent van de gevallen levend kankerweefsel in een vroeg stadium op de juiste manier opsporen, terwijl artsen het in 73 procent van de gevallen op de juiste manier vaststelden.
In Nederland, waar jaarlijks 5200 mensen sterven aan darmkanker, kunnen deze verbeterde percentages van vroegtijdige opsporing resulteren in 1331 mensen die gered worden van een vroegtijdige dood. Dus toen ik Fons tegenkwam in de gangen van onze universiteit moest ik meer leren over zijn bevindingen en wat de volgende stappen zouden zijn om zijn algoritmes te krijgen om artsen in het veld te helpen.
Toen vertelde hij iets opmerkelijks. De artsen met wie hij werkte, hadden het vertrouwen in het algoritme bijna verloren. Waarom? Omdat een van hen – per ongeluk – een foto had genomen van het plafond van de ziekenhuiskamer en het algoritme zei dat het, met 93 procent zekerheid, darmkanker had ontdekt.
Dus wat is hier gebeurd? En hebben de artsen gelijk om zich zorgen te maken? Ten eerste, artsen hebben altijd gelijk om zich zorgen te maken, ze hebben te maken met mensenlevens. Maar in dit geval was hun zorg misplaatst. Ze evalueerden het algoritme zoals ze een andere dokter zouden hebben geëvalueerd. Stel je de stommiteit voor van een dokter die zegt dat hij kanker heeft ontdekt, niet in je darmen, maar op de houtvezelpanelen van het ziekenhuisplafond.
Wat er echt gebeurd is, is dat een algoritme dat alleen werd getraind op beelden van darmen, sommige met en sommige zonder kanker, buiten zijn context was genomen. Het is misschien beter dan artsen in het opsporen van darmkanker, maar dat is alles wat het kan doen. Daarom wordt het Narrow AI genoemd. Het kan slechts deze ene taak uitvoeren.
Algemene intelligentie stelt ons in staat om kennis te verplaatsen van de ene naar de andere context…
Onze menselijke intelligentie wordt algemene intelligentie genoemd. Dit stelt ons in staat om abstracte theorieën en modellen te begrijpen en toe te passen op nieuwe situaties. Het stelt ons in staat om elke dag nieuwe problemen aan te pakken, zonder dat we ons hoeven te herscholen.
Wanneer het antwoord discreet is en gebaseerd kan worden op een schat aan gegevens, zoals in het geval van darmkanker, is smalle AI een geweldige oplossing. Wanneer de situatie de interpretatie van een voorheen onbekend probleem vereist, triomferen de mensen nog steeds.
De waarheid is dat we nog lang niet zoiets als onze briljante geesten hebben opgebouwd. Maar als we relevant willen blijven, moeten we wel de manier waarop we denken over onze geest en ons vermogen om problemen op te lossen, veranderen. Bij voorkeur zonder een examen te missen in het proces.
De tijd van specialisten is misschien voorbij, maar daar zijn we nooit echt voor geëvolueerd. Ik zeg, laat de computers het saaie werk doen van het vinden van meer van wat we al gezien hebben en laat ons focussen op nieuwe en interessante problemen.
Over deze column
In een wekelijkse column, afwisselend geschreven door Buster Franken, Eveline van Zeeland, Jan Wouters, Katleen Gabriels, Mary Fiers, Tessie Hartjes, Hans Helsloot en Auke Hoekstra, probeert Innovation Origins te achterhalen hoe de toekomst eruit zal zien. Deze columnisten, soms aangevuld met gastbloggers, werken allemaal op hun eigen manier aan oplossingen voor de problemen van deze tijd. Morgen zal het dus goed zijn. Hier zijn alle voorgaande afleveringen.
Als je dit artikel leuk vindt, lees dan ook:
