De angst voor een robotapocalyps verbergt de echte problemen waarmee we worden geconfronteerd, waardoor algoritmen ons leven kunnen beheersen. Volgens de experts op het gebied van kunstmatige intelligentie gaan we gestaag richting een bepaald punt, waarna we niets meer hoeven uit te vinden: kunstmatige intelligentie doet alles vanzelf en machines zullen exponentieel verbeteren. Als dit gebeurt, wat gebeurt er dan van ons?
De afgelopen jaren hebben veel vooraanstaande wetenschappers, van Stephen Hawking tot Elon Musk, ons gewaarschuwd dat we ons buitengewoon zorgen moeten maken over de mogelijk gevaarlijke gevolgen van superintelligente kunstmatige intelligentie. En ze ondersteunen hun woorden met actie: Musk betuttelt OpenAI, een organisatie die AI ontwikkelt die de mensheid ten goede zal komen.
Velen vinden hun angsten echter overdreven. Zoals Andrew Ng van Stanford University, die ook de hoofdwetenschapper is van de Chinese internetgigant Baidu, opmerkt: zorgen maken over een machine-opstand is net zoiets als zorgen maken dat Mars overvol is.
Maar dit betekent natuurlijk niet dat onze groeiende afhankelijkheid van AI geen echte risico's met zich meebrengt. In feite zijn deze risico's er al. Naarmate intelligente systemen meer betrokken raken bij alles, van gezondheidszorg tot strafrecht, bestaat het gevaar dat belangrijke delen van ons leven over het hoofd worden gezien.
Bovendien kan AI tot vervelende gevolgen leiden als we er niet klaar voor zijn, bijvoorbeeld onze houding ten opzichte van artsen veranderen in scherp vijandig.
Promotie video:
Twee woorden over kunstmatige intelligentie
In eenvoudige bewoordingen zijn dit machines die dingen doen die normaal gesproken mentale inspanning van de kant van een persoon vereisen: natuurlijke taal begrijpen, gezichten op foto's herkennen, auto's besturen, enzovoort.
Er is een verschil tussen een mechanische manipulator op een productielijn, die geprogrammeerd is om dezelfde taak uit te voeren, en een manipulator, die zelfstandig verschillende taken leert uitvoeren met vallen en opstaan.
Hoe helpt AI ons?
De leidende benadering in AI is tegenwoordig machine learning, waarbij programma's worden getraind om bepaalde patronen in grote hoeveelheden gegevens te identificeren, zoals het identificeren van een gezicht in een afbeelding of het maken van een winnende zet in het bordspel. Deze methode kan op een groot aantal verschillende problemen worden toegepast. Train bijvoorbeeld computers om een specifiek patroon in medische beelden te herkennen. DeepMind, een bedrijf voor kunstmatige intelligentie dat eigendom is van Google, ontwikkelt software die leert om kanker en oogziekten te diagnosticeren op basis van patiëntenscans. Anderen gebruiken machine learning om vroege tekenen van hartaandoeningen en de ziekte van Alzheimer op te sporen.
Kunstmatige intelligentie wordt ook al gebruikt om grote hoeveelheden moleculaire informatie te analyseren op zoek naar mogelijke nieuwe medicijnopties - een proces dat extreem tijdrovend is voor mensen. Zeer binnenkort kan machine learning onmisbaar worden voor de geneeskunde.
Kunstmatige intelligentie helpt ons ook om extreem complexe systemen te beheren, zoals de wereldwijde toeleveringsketen. Het systeem in het hart van de Port Botany-containerterminal in Sydney beheert tienduizenden zeecontainers, een vloot geautomatiseerde voertuigen enzovoort, volledig zonder mensen. In de mijnbouw worden steeds vaker optimalisatiesystemen gebruikt om de verplaatsing van hulpbronnen zoals ijzererts te plannen en te coördineren.
AI werkt overal waar u kijkt, van financiën tot transport, om met vliegtuigen te vliegen en de aandelenmarkt te volgen. En ze beschermen uw mail tegen spam. Maar dit is pas het begin. Naarmate AI zich ontwikkelt, wordt het steeds complexer en interessanter.
Wat is het probleem?
In plaats van ons zorgen te maken over een toekomstige AI-revolutie, is het grootste risico dat we te veel vertrouwen stellen in de intelligente systemen die we bouwen. Onthoud dat machine learning software traint om patronen in gegevens te identificeren. Na de training gaat het over tot de analyse van nieuwe, nog niet bestudeerde gegevens. Maar als een computer een antwoord uitspuugt, hebben we meestal geen idee hoe het erop kwam.
Er zijn hier duidelijke problemen. Een systeem is zo goed als de gegevens waarvan het leert. Neem een systeem dat getraind is om te bepalen welke patiënten met longontsteking het meest waarschijnlijk zullen overlijden, zodat ze eerst in het ziekenhuis worden opgenomen. Laten we zeggen dat ze onbedoeld patiënten met bronchiale astma classificeert als patiënten met een laag risico. Omdat mensen met astma en longontsteking normaal gesproken rechtstreeks naar de intensive care gaan, krijgen ze een behandeling die het risico op overlijden verkleint. Machine learning ziet dit als "astma + longontsteking = lager risico op overlijden".
Naarmate AI toegang krijgt tot alle aspecten van uw leven, neemt het risico toe dat er iets misgaat - indien niet voorzien. En aangezien de meeste gegevens die we aan AI verstrekken, onvolmaakt zijn, mogen we in de meeste gevallen geen perfecte antwoorden verwachten. We bouwen kunstmatige intelligentie naar ons eigen beeld en gelijkenis; hoogstwaarschijnlijk zal hij "niet erg" zijn, zoals wij.
ILYA KHEL
