Inhoud
2.1 De opkomst van AI-agents
2. Waar hebben we het eigenlijk over?
Generatieve AI (GAI)
Deep learning (DL)
Machine learning (ML)
Artificial Intelligence (AI)
Waar hebben we het eigenlijk over?
2. Waar hebben we het eigenlijk over?
Handreiking voor bestuurders
Waar hebben we het eigenlijk over?
Als je AI klein maakt en concreet, dan zul je zien wat de voordelen en nadelen zijn. Bij lezingen zie ik vaak dat de mensen met de meeste angst voor AI, de mensen zijn die er nooit mee gespeeld hebben.
Prof. Dr. Eric Postma
“Maak het klein en concreet”
Om de impact van AI goed te kunnen beoordelen, moeten we een helder beeld hebben van wat AI wel en niet is. Daarnaast is het van belang om duidelijk het onderscheid te kennen tussen AI en begrippen als machine learning, deep learning en generatieve AI, en hoe deze begrippen zich tot elkaar verhouden.
“Een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus van autonomie te werken en dat na het inzetten ervan aanpassingsvermogen kan vertonen, en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of beslissingen die van invloed kunnen zijn op fysieke of virtuele omgevingen”.
Anders gezegd is AI een overkoepelende term voor technieken en systemen waarmee computers taken uitvoeren waarvoor normaal gesproken menselijke beoordeling nodig is. Denk hierbij aan voorspellen, adviseren, beslissingen nemen of content creëren.
In de EU AI Act (Europese Unie, 2024) staat in artikel 3 het AI-systeem als volgt omschreven:
Artificial Intelligence (AI)
Machine learning is een methode om AI te realiseren waarbij systemen zichzelf ontwikkelen door te leren van data en patronen te herkennen, zonder dat ze daarvoor expliciet geprogrammeerd zijn. Hierbij maken machine learning-algoritmen gebruik van ervaring en feedback om hun prestaties voortdurend te verbeteren. Het algoritme is te zien als een samenstel van instructies om een bepaalde taak uit te voeren. Een belangrijk kenmerk van een algoritme is het zelflerend vermogen waarbij het systeem zijn interne parameters aanpast op basis van input en feedback; hoe meer data hoe beter het model kan leren.
Machine learning (ML)
Deep learning kun je zien als een subset van machine learning waarbij gebruik wordt gemaakt van meerlaagse neurale netwerken die getraind worden op grote hoeveelheden data. Het model leert zelfstandig relevante kenmerken uit ruwe data te halen en is geïnspireerd op de werking van het menselijk brein. Denk bij toepassingen onder andere aan beeldherkenning en spraakherkenning.
Deep learning (DL)
Generatieve AI wordt vaak aangeduid als de vierde golf binnen de ontwikkeling van AI. Waar ‘traditionele AI’ zich voornamelijk richt op het analyseren van informatie, is generatieve AI juist in staat om op basis van aangeleverde data volledig nieuwe informatie te creëren. Die data kunnen uiteenlopen van tekst en audio tot video en computercode. Een belangrijke techniek binnen generatieve AI zijn de zogeheten Large Language Models. Dit zijn modellen die menselijke taal kunnen begrijpen, verwerken en genereren. Wat generatieve AI bijzonder maakt, is dat het heeft geleerd hoe mensen communiceren. Het kan ongestructureerde databronnen zoals websites, pdf’s, video’s en audiobestanden als input gebruiken om nieuwe content te genereren.
Wanneer we de begrippen met elkaar in verband brengen dan levert dat het volgende samenvattende beeld op.
Generatieve AI (GAI)
Modellen die nieuwe content creëren (waaronder LLM)
Generative AI
Deep learning
Machine learning met neurale netwerken
Leert uit data en patronen
Machine learning
Regels, logica, beslisbomen. Geen leren nodig
Focus op herkenen/voorspellen
Artificial Intelligence
Al deze technieken werken op rekenkracht. Die rekenkracht is de afgelopen jaren gegroeid. Volgens de Wet van Moore – vernoemd naar de medeoprichter van Intel – verdubbelt het aantal transistors op een chip nog steeds ongeveer elke twee jaar. Dit betekent dat het rekenvermogen ook elke twee jaar toeneemt. Daardoor is er steeds meer mogelijk met AI.
Een belangrijk nadeel van deze exponentiële groei is het hoge energieverbruik, wat een aanzienlijke belasting voor het milieu vormt. Zo leidt één enkele trainingssessie van ChatGPT tot een uitstoot van circa 500 ton CO2. Dat komt overeen met de uitstoot van duizend auto's die elk duizend kilometer afleggen (NOS, 2023). Om deze impact te beperken, werken hard- en softwareleveranciers zoals Google, Nvidia en Microsoft intensief aan het verduurzamen van datacenters en het optimaliseren van AI-technologieën.
Werken aan duurzamere AI
Vorige hoofdstuk
Volgende hoofdstuk
Inhoud
Handreiking voor bestuurders
2. Waar hebben we het eigenlijk over?
Waar hebben we het eigenlijk over?
Om de impact van AI goed te kunnen beoordelen, moeten we een helder beeld hebben van wat AI wel en niet is. Daarnaast is het van belang om duidelijk het onderscheid te kennen tussen AI en begrippen als machine learning, deep learning en generatieve AI, en hoe deze begrippen zich tot elkaar verhouden.
Als je AI klein maakt en concreet, dan zul je zien wat de voordelen en nadelen zijn. Bij lezingen zie ik vaak dat de mensen met de meeste angst voor AI, de mensen zijn die er nooit mee gespeeld hebben.
Prof. Dr. Eric Postma
“Maak het klein en concreet”
Vorige hoofdstuk
Volgende hoofdstuk
“Een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus van autonomie te werken en dat na het inzetten ervan aanpassingsvermogen kan vertonen, en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of beslissingen die van invloed kunnen zijn op fysieke of virtuele omgevingen”.
Anders gezegd is AI een overkoepelende term voor technieken en systemen waarmee computers taken uitvoeren waarvoor normaal gesproken menselijke beoordeling nodig is. Denk hierbij aan voorspellen, adviseren, beslissingen nemen of content creëren.
In de EU AI Act (Europese Unie, 2024) staat in artikel 3 het AI-systeem als volgt omschreven:
Artificial Intelligence (AI)
Machine learning is een methode om AI te realiseren waarbij systemen zichzelf ontwikkelen door te leren van data en patronen te herkennen, zonder dat ze daarvoor expliciet geprogrammeerd zijn. Hierbij maken machine learning-algoritmen gebruik van ervaring en feedback om hun prestaties voortdurend te verbeteren. Het algoritme is te zien als een samenstel van instructies om een bepaalde taak uit te voeren. Een belangrijk kenmerk van een algoritme is het zelflerend vermogen waarbij het systeem zijn interne parameters aanpast op basis van input en feedback; hoe meer data hoe beter het model kan leren.
Machine learning (ML)
Deep learning kun je zien als een subset van machine learning waarbij gebruik wordt gemaakt van meerlaagse neurale netwerken die getraind worden op grote hoeveelheden data. Het model leert zelfstandig relevante kenmerken uit ruwe data te halen en is geïnspireerd op de werking van het menselijk brein. Denk bij toepassingen onder andere aan beeldherkenning en spraakherkenning.
Deep learning (DL)
Generatieve AI wordt vaak aangeduid als de vierde golf binnen de ontwikkeling van AI. Waar ‘traditionele AI’ zich voornamelijk richt op het analyseren van informatie, is generatieve AI juist in staat om op basis van aangeleverde data volledig nieuwe informatie te creëren. Die data kunnen uiteenlopen van tekst en audio tot video en computercode. Een belangrijke techniek binnen generatieve AI zijn de zogeheten Large Language Models. Dit zijn modellen die menselijke taal kunnen begrijpen, verwerken en genereren. Wat generatieve AI bijzonder maakt, is dat het heeft geleerd hoe mensen communiceren. Het kan ongestructureerde databronnen zoals websites, pdf’s, video’s en audiobestanden als input gebruiken om nieuwe content te genereren.
Wanneer we de begrippen met elkaar in verband brengen dan levert dat het volgende samenvattende beeld op.
Generatieve AI (GAI)
Modellen die nieuwe content creëren (waaronder LLM)
Generative AI
Deep learning
Machine learning met neurale netwerken
Leert uit data en patronen
Machine learning
Regels, logica, beslisbomen. Geen leren nodig
Focus op herkenen/voorspellen
Artificial Intelligence
Al deze technieken werken op rekenkracht. Die rekenkracht is de afgelopen jaren gegroeid. Volgens de Wet van Moore – vernoemd naar de medeoprichter van Intel – verdubbelt het aantal transistors op een chip nog steeds ongeveer elke twee jaar. Dit betekent dat het rekenvermogen ook elke twee jaar toeneemt. Daardoor is er steeds meer mogelijk met AI.
Een belangrijk nadeel van deze exponentiële groei is het hoge energieverbruik, wat een aanzienlijke belasting voor het milieu vormt. Zo leidt één enkele trainingssessie van ChatGPT tot een uitstoot van circa 500 ton CO2. Dat komt overeen met de uitstoot van duizend auto's die elk duizend kilometer afleggen (NOS, 2023). Om deze impact te beperken, werken hard- en softwareleveranciers zoals Google, Nvidia en Microsoft intensief aan het verduurzamen van datacenters en het optimaliseren van AI-technologieën.
Werken aan duurzamere AI
Vorige hoofdstuk
Volgende hoofdstuk