Kunstmatige Intelligentie in Debatteren (Deel 1)

doorMike Weltevrede

Kunstmatige Intelligentie in Debatteren (Deel 1)

Een type stelling dat steeds vaker op toernooien aan de orde komt, is kunstmatige intelligentie (AI). Omdat AI zo’n complex en nieuw onderwerp is (zowel in de werkelijkheid als in debatteren), slagen veel debaters er niet in om veel verder te gaan dan hellend vlak-argumenten die een soort van kwaadwillende ondergang impliceren en worstelen om genuanceerde argumenten te maken. Voorbeelden waar AI bij betrokken is, zijn onder meer routeplanning, Alexa/Siri en spamfiltering van je e-mails.

Dit artikel is bedoeld als de eerste van een tweedelige gids voor het debatteren over AI, waarbij de basisprincipes van kunstmatige intelligentie worden besproken; deze week beginnen we met wat definities over AI, machine learning (ML) en deep learning (DL). Volgende week zal ik het hebben over voorbeelden van toepassingen van AI, ML en DL in de echte wereld (en waarom ze worden gebruikt). Tenslotte zal Gigi Gil deze kennis gaan gebruiken in de context van debatteren door een debatstelling te bespreken over kunstmatige intelligentie in het strafrechtssysyteem. Eventuele aanvullingen of vragen? Laat me het weten in de reacties!

Kunstmatige intelligentie

Kunstmatige intelligentie verwijst naar het veld dat betrokken is bij het gebruiken van machines om intelligente beslissingen te nemen op dezelfde manier als mensen (bij voorkeur zelfs nóg intelligenter). Kort gezegd gaat AI over het modelleren van menselijke intelligentie, waarbij vaak door de gebruiker verstrekte gegevens als input worden gebruikt. Het kan heel simpel zijn (bijvoorbeeld een simpele check of het antwoord dat je op een quiz hebt gegeven juist is) of zeer complex (bijvoorbeeld een algoritme dat in staat is om kunst te maken dat niet te onderscheiden is van dat gemaakt door mensen). Het Venn-diagram rechts legt het goed uit.

Machine learning

Voor AI-systemen kan men specifieke regels opstellen om de respons te bepalen, bijvoorbeeld als het antwoord van de student op vraag 5 A is, dan is het juist; anders is het fout. Machine learning (ML) wordt gedefinieerd als een subveld van AI waarin het systeem geen expliciete regels krijgt voor het voltooien van een bepaalde taak. Stel dat we willen voorspellen of een persoon COVID-19 heeft. Een ML-model krijgt enkele input data, misschien de medische geschiedenis van meerdere patiënten en of ze COVID-19 hebben gehad of niet, de training data. Het model zal dan proberen een patroon te vinden tussen het verschijnen van COVID-19 en (sommige van) deze medische variabelen, maar de persoon die het algoritme schrijft vertelt het model niet hoe het die patronen moet vinden.

Ik zal niet dieper ingaan op de soorten algoritmen voor machine learning die er zijn, op twee voorbeelden na. De meeste academici die enige vorm van statistiek hebben gedaan, hebben wel eens gehoord van het eerste voorbeeld van machine learning: de lineaire regressie (uitlegvideo door Statquest). Ik was oprecht verrast toen ik voor het eerst hoorde dat zo’n “allerdaags” concept deel uitmaakt van zoiets “chiques” als machine learning. Als je erover nadenkt, is het logisch: je voert de data in, definieert de formule die je wilt schatten en wat fancy wiskunde komt erachter wat de beste parameters (“bèta’s”) zijn voor die data.

Een complexer ML-model is de beslisboom (decision tree) (uitlegvideo door Statquest).

Deze beslisboom is gebouwd met behulp van ML-technieken en probeert te voorspellen of iemand een lening heeft aangevraagd of niet. Bij elke splitsing bepaalt het op welke variabele het moet worden gesplitst voor de beste resultaten (met, nogmaals, wat fancy wiskunde). Blijkbaar is de beste variabele om aan het begin op te splitsen om te vragen of iemand ouder is dan 30 jaar. Laten we zeggen dat ze dat zijn, dus we volgen de rechterkant. Daarna is het blijkbaar het meest optimaal om te vragen of die persoon minder dan 2 kinderen heeft. Als dit niet het geval is, voorspelt de beslisboom dat deze persoon niet een lening heeft aangevraagd.

Neurale netwerken / deep learning

Machine learning wordt ook vaak een “zwarte doos” or “black box” genoemd. Dat betekent dat we vaak niet precies weten hoe het systeem tot een bepaalde beslissing is gekomen. Hoewel de twee hierboven genoemde voorbeelden eenvoudig te interpreteren zijn, is het inderdaad moeilijk om het besluitvormingsproces van veel andere ML-modellen  te interpreteren, zoals neurale netwerken / deep learning (uitlegvideo door Statquest). Het doel van deze sectie is om op simpele wijze de meest toegepaste black-box-modellen uit te leggen: neurale netwerken en deep learning. In het volgende artikel zullen we bespreken waar en waarom deze black-box-modellen toch worden toegepast.

Het menselijk brein bestaat uit neuronen; dit zijn cellen in het zenuwstelsel die informatie doorgeven aan andere zenuwcellen, spiercellen of kliercellen. Deze neuronen zijn verbonden met zogenaamde synapsen. Het oorspronkelijke idee achter neurale netwerken was om te proberen deze biologische structuur van het menselijk brein na te bootsen met allerlei complexe wiskundige berekeningen. 

In wezen is deep learning slechts een zeer complex neuraal netwerk-algoritme. Desalniettemin zijn neurale netwerken en deep learning gewoon heel spannend (zowel in academici als bedrijven) omdat ze modellen kunnen produceren met extreem nauwkeurige resultaten, ook al zijn ze erg moeilijk, of soms bijna onmogelijk, te interpreteren.

Wat komt er hierna?

In het volgende artikel zal ik toepassingen van AI, ML en DL in de echte wereld bespreken. Ik hoop dat dit artikel duidelijk te volgen was en je inzicht heeft gegeven in wat AI eigenlijk is. Als je vragen, aanvullingen of andere opmerkingen hebt, plaats deze dan in een reactie of stuur me een bericht.

Bron coverafbeelding: https://medium.com/datadriveninvestor/what-is-artificial-intelligence-eeb863bf3fee

Facebook Twitter Linkedin Email

Over de auteur

Mike Weltevrede contributor

Mike is een alumnus van de Tilburgse Debatvereniging Cicero en de secretaris van de Nederlandse Debatbond. Hij was vicevoorzitter van Cicero en overzag in die functie de nieuwe internationale tak. Hij organiseerde tevens de Dutch Debating Winter School, een debattrainingsweek welke deelnemers van meer dan 20 nationaliteiten aantrok.