In een wereld waarin data het nieuwe goud is, moeten we ons afvragen wat dat betekent voor onze ‘voorgeprogrammeerde’ kennis. Door veel te meten verzamelen we data, en het lijkt wel of we er tegenwoordig alles mee kunnen doen. Door toepassen van AI algorithmes lijkt het mogelijk om alles over ons gedrag te weten te kunnen komen, en te kunnen voorspellen wat we kopen, waar we naar toe rijden, en of onze autonome auto wel of niet moet ingrijpen. Heeft het nog wel zin als student te leren? Kunnen we alle kennis downloaden, en moet het onderwijs en ook het ontwerpen van systemen, engineering, helemaal experience-based worden?
Toen ik afstudeerde in de Systeem- en Regeltechniek in 1984 was ik getraind om modellen te gebruiken om het dynamische gedrag van systemen te analyseren en te doorgronden. Met die modellen konden we ook regelsystemen modelgebaseerd ontwerpen. Met garanties voor optimaliteit en robuustheid. Gaaf. Ik werd de wereld ingestuurd om het geloof te verkondigen: met modellen wordt het beter! Mijn promotieonderzoek bij de toenmalige KEMA in Arnhem versterkte dit beeld. Ik was onderzoeker ten behoeve van de bouw van het eerste windpark in Nederland, dus met meerdere windturbines bij elkaar. Ik werkte aan het gebruik van modellen om een automatische regeling te ontwerpen van het toerental en van de bladhoek van de wieken. Allemaal met simulaties.
Toen kwam ik bij Philips te werken, en startte met onderzoek naar het toepassen van die nieuwe regeltheorie voor de eerste data toepassing van CD spelers (CD-ROM). Ik leerde al snel dat de productontwikkelaars van Philips Optical Storage heel anders dachten. Ze gebruikten metingen van de CD aftastmechanismen om de regelaars in te stellen. Ik dacht dat dat beter kon met de moderne modelgebaseerde theorie die ik had geleerd. En dat was een beetje waar. Maar modellen zijn niet perfect. En de gegevens die je kunt meten, als je de meetfouten voldoende kunt inschatten, zijn beter. Ik leerde de waarde inschatten van experimenteren, het gebruiken van data, van experimentele validatie. Bijvoorbeeld door gebruik te maken van het bijna-repeterende karakter van de spoorvolgfouten na elke rotatie van een CD. Immers, het volgende spoor lijkt qua vorm een beetje op het vorige spoor. Toen ik in 1999 vertrok bij Philips naar de universiteit heb ik een van mijn onderzoeksuitdagingen geformuleerd als ‘meer doen met data’.
Op de universiteit is dat doel omgezet in een onderzoekslijn ‘learning control’ met toepassingen bij wafer scanners, printers en andere high tech systemen. Het idee is dat de regelaar leert van de fouten uit het verleden. Dat deden we met gebruik van modellen in combinatie met data, en hoe beter het model hoe sneller we konden leren. Soms met slechts twee of drie iteraties.
Dit is nu precies het kerndilemma van de huidige hype rondom kunstmatige intelligentie. Namelijk: als je geen model gebruikt, en slechts data verzamelt, dan heb je heel erg veel data en heel erg veel iteraties nodig om tot een goed resultaat te komen. Terwijl het gebruik van een model dat proces zeer sterk versnelt. Dit inzicht werd overigens vorig jaar bevestigd tijdens de Holstlezing op de TU/e van een van de topmensen van Facebook.
De door de AI gebruikte modellen mogen op zichzelf trouwens best wel weer geleerd zijn met gebruik van data. In ons vakgebied van systeem en regeltechniek heet dat systeemidentificatie. Denk bijvoorbeeld aan een mens die rijlessen neemt. Na 50 lessen van een uur kun je waarschijnlijk betrouwbaarder rijden dan na het gebruik van model-loze getrainde data van een paar miljoen auto’s. Omdat je immers al een soort model van de wereld om je heen in je hoofd hebt.
Ik verwacht dat het komende decennium de data gebaseerde kunstmatige intelligentie vruchten zal plukken van ons veld van systeem- en regeltechniek, om tot een gelukkig huwelijk te komen van data en modelgebruik.
En ik mag hopen dat het Europese hoofdkwartier van AI gaat landen hier in Eindhoven. De combinatie van AI en onze high tech industrie zou wel eens een winnaar kunnen blijken te zijn!
Over deze column:
In een wekelijkse column, afwisselend geschreven door Maarten Steinbuch, Mary Fiers, Carlo van de Weijer, Eveline van Zeeland, Lucien Engelen, Tessie Hartjes, Jan Wouters, Katleen Gabriels en Auke Hoekstra, probeert Innovation Origins uit te vinden hoe de toekomst eruit zal zien. Deze columnisten, af en toe aangevuld met gastbloggers, zijn allemaal op hun eigen manier bezig met oplossingen voor de problemen van onze tijd. Zodat Morgen Beter wordt. Hier alle eerdere afleveringen.
