Het is dan ook niet verwonderlijk dat AI al eeuwenlang tot de collectieve verbeelding van mensen spreekt. Hoewel de moderne oorsprong in de jaren 1950 ligt, toen John McCarthy de term bedacht en Alan Turing de beroemde "Turing Test" ontwikkelde, is het idee om intelligente wezens te creëren terug te leiden tot oude mythen over "automatons" en de "golems" uit de Joodse folklore. Vroege ontwikkelingen legden de basis voor de huidige AI - van Turing's ontcijfering van de Enigma-code tijdens de Tweede Wereldoorlog tot McCarthy's Dartmouth Workshop in 1956, die de eerste AI-ondersteunde programma's voor probleemoplossing produceerde. Deze vroege inspanningen markeerden de overgang van kunstmatige intelligentie van fictie naar een opkomende wetenschappelijke realiteit.
In de begindagen lag de focus op symbolische AI en expertsystemen gebaseerd op kennis en redeneren met behulp van symbolen en logica. In de jaren 1960 maakte de ontwikkeling van programmeertalen zoals LISP het mogelijk om algebraïsche problemen op te lossen, het spel dammen te spelen en gesprekken met mensen te simuleren. Hieronder vallen ook de eerste virtuele assistenten, waaronder "Eliza" van Joseph Weizenbaum, een chatbot die psychotherapeutische gesprekken simuleerde. Deze doorbraken werden gevolgd door aanzienlijke uitdagingen in de jaren 1970 en 1980 - de zogenaamde "AI-winter". Het werd gekenmerkt door hooggespannen verwachtingen, een beperkte rekenkracht en slinkende financiële middelen. Veel projecten werden geannuleerd, maar de interesse kwam terug toen wetenschappers begonnen te werken met neurale netwerken die waren gebaseerd op de werking van het menselijk brein. De opleving van AI begon in de jaren 1990 en begin 2000, toen de rekenkracht en beschikbaarheid van gegevens aanzienlijk toenamen. Een mijlpaal werd bereikt in 1997, toen IBM's "Deep Blue" wereldkampioen schaken Garry Kasparov versloeg, waarmee de kracht van AI in intellectuele taken werd aangetoond. Het nieuwe tijdperk van AI begon in de jaren 2010 met de opkomst van deep learning. Machines volgden niet langer alleen voorgeprogrammeerde instructies, maar begonnen zelfstandig te leren door patronen in gegevens te analyseren. Deze ontwikkeling werd mogelijk gemaakt door twee belangrijke technologische doorbraken: convolutionele neurale netwerken (CNN's) en transformer-modellen. Deze twee technologieën openden nieuwe mogelijkheden voor transformatietaken zoals spraakverwerking, beeldherkenning en videoanalyse. Transformer-modellen, die in 2017 werden geïntroduceerd, stelden AI-systemen in staat om contextuele relaties veel beter te begrijpen - een vooruitgang die onder andere zichtbaar was in de verbetering van tools zoals Google Translate.
De manier waarop kunstmatige intelligentie in ons dagelijks leven is geïntegreerd is indrukwekkend. Smal gespecialiseerde AI (Narrow AI) vormt de basis voor digitale assistenten zoals Siri, Alexa en Cortana en voor aanbevelingssystemen voor streamingplatforms en online retail. AI heeft wetenschappers geholpen bij het analyseren van biologische sequenties om sneller geschikte medicijnen te vinden, en heeft daarmee de gezondheidszorg in het algemeen verbeterd. Ook creatieve sectoren hebben AI omarmd, bijvoorbeeld met tools als MidJourney, waarmee indrukwekkende kunstwerken kunnen worden gegenereerd. Deze snelle ontwikkelingen hebben ook ethische discussies op gang gebracht. Een bekend voorbeeld is de chatbot Tay van Microsoft, die al een paar uur na de lancering werd gehackt. Geschillen op het gebied van intellectueel eigendom en het gebruik van AI-ondersteunde modellen hebben de situatie verder gecompliceerd en benadrukken de behoefte aan regelgeving en controle. AI heeft bewezen dat het hele sectoren kan veranderen, maar heeft ook geleid tot bezorgdheid bij prominente figuren zoals Bill Gates, Geoffrey Hinton en Stephen Hawking. Ze waarschuwen dat verkeerde doelstellingen voor AI kan leiden tot catastrofale gevolgen - bijvoorbeeld door wapenmisbruik of voor het doelgericht beïnvloeden van menselijk gedrag. Desondanks blijft AI de motor achter innovatie en draagt het bij aan het overwinnen van urgente wereldwijde uitdagingen. Naarmate AI zich verder ontwikkelt, staat de samenleving voor de cruciale taak om het potentieel ervan te benutten en tegelijkertijd ethische waarborgen te implementeren om te voorkomen dat AI een bedreiging voor de mensheid wordt.
Kunstmatige intelligentie heeft zich ontwikkeld van een marginaal onderwerp tot een onmisbare factor die een sleutelrol speelt bij het vormgeven van de wereld van nu. Wat ooit werd afgedaan als verre sciencefiction overtreft vandaag de dag de mens op alle gebieden van creatieve intelligentie, zoals beeldherkenning, vertaling, spraaktranscriptie en medische diagnostiek. Het transformatieve potentieel is duidelijk te zien in een groot aantal sectoren, van onderwijs en gezondheidszorg tot wetenschappelijk onderzoek en creatieve, artistieke werkvelden. AI-tools ontwikkelen zich tot digitale metgezellen, empathische, goed geïnformeerde en actiegerichte systemen die ons dagelijks leven fundamenteel kunnen veranderen.
Wat kunstmatige intelligentie echt revolutionair maakt, is het vermogen om onvoorstelbare hoeveelheden gegevens te verwerken en ervan te leren. Hierdoor worden taken zoals beeldherkenning, vertaling en transcriptie met ongekende snelheid en nauwkeurigheid mogelijk. Deze systemen ontwikkelen zich steeds meer tot digitale gesprekspartners die zinvolle gesprekken kunnen voeren, emotionele steun kunnen bieden en zelfs zelfstandig kunstwerken, muziek of poëzie kunnen creëren. Vandaag de dag helpen grote taalmodellen (Large Language Models, LLM's) die getraind zijn met miljarden of zelfs triljoenen datapunten mensen om complexe uitdagingen te overwinnen, hun emoties beter te beheersen en hun dagelijkse werk vorm te geven door middel van gepersonaliseerde aanbevelingen en inzichten. Het belang van AI blijkt ook uit het vermogen om de productiviteit te verhogen, innovatie te bevorderen en hele industrieën te veranderen. Het drijft autonome voertuigen aan, optimaliseert energienetwerken en maakt baanbrekende wetenschappelijke ontdekkingen mogelijk, zoals de ontwikkeling van nieuwe moleculen en medicijnen. De integratie van AI in de maatschappij gaat razendsnel - binnen een paar jaar zijn miljarden gebruikers begonnen met AI-systemen te communiceren. Deze vooruitgang is mogelijk gemaakt door de gestage groei in rekenkracht en de toenemende complexiteit van AI-modellen, die nu gegevens kunnen verwerken op een voorheen onvoorstelbare schaal.
Ondanks alle veelbelovende mogelijkheden roept AI ook kritische vragen op, bijvoorbeeld met betrekking tot ethiek, veiligheid en regelgeving. Zorgen over het mogelijke misbruik van AI, het verlies van banen en de autonomie van systemen leiden tot moeilijke discussies over de rol van AI bij het vormgeven van de toekomst. Kwesties als door algoritmen veroorzaakte vooringenomenheid ("AI-bias"), privacy en verantwoordingsplicht vereisen dringend aandacht om ervoor te zorgen dat AI-systemen hulpmiddelen blijven als versterking van de beste menselijke eigenschappen. Met de toenemende prestaties van dergelijke systemen is het noodzakelijk om transparante beschermingsmechanismen in te stellen om risico's te minimaliseren en te garanderen dat ze handelen in overeenstemming met menselijke waarden. AI is niet zomaar een nieuw hulpmiddel - het markeert een fundamentele verschuiving in de manier waarop mensen met technologie omgaan. Sommige technologie-experts vergelijken AI met een "nieuwe digitale soort" die kan leren, redeneren en handelen met een autonomie die we nog niet kenden. Deze metafoor benadrukt de verantwoordelijkheid van ontwikkelaars, overheden en samenlevingen om de ontwikkeling ervan zorgvuldig te beheren. De uitdaging van de toekomst is om AI te ontwerpen die het beste van de mensheid in zich opneemt - onze empathie, creativiteit en ethische kernwaarden - en tegelijkertijd onbedoelde negatieve gevolgen vermijdt.
AI-systemen bestaan voornamelijk uit neurale netwerken die zijn gemodelleerd naar het menselijk brein. Onze hersenen hebben neuronen die signalen ontvangen, deze verwerken en dan een signaal terugsturen. Kunstmatige neuronen kunnen op dezelfde manier input ontvangen, eenvoudige wiskundige berekeningen uitvoeren en output genereren. Eén kunstmatige neuron kan weinig, maar vele neuronen samen in een neuraal netwerk kunnen verbazingwekkende dingen doen - zoals beelden herkennen, films aanbevelen of een auto besturen. Netwerken moeten worden getraind om dergelijke taken aan te kunnen. AI leert dus door de weging van de individuele inputs aan te passen op basis van feedback. Voorbeeld: wanneer een aanbevelingssysteem je beoordeling ontvangt voor een film die je net hebt gezien, past het de weging van de meningen van de individuele critici aan, zodat toekomstige films die je worden aanbevolen beter aansluiten bij je voorkeuren. Na verloop van tijd en met steeds meer gegevens wordt AI steeds nauwkeuriger. De meeste echte systemen bestaan uit miljoenen neuronen in verschillende lagen (input, verborgen lagen, output) die grote hoeveelheden gegevens kunnen verwerken. Neurale netwerken worden voor allerlei taken gebruikt - van het aanbevelen van films of aankopen tot het helpen oplossen van wereldwijde problemen zoals klimaatverandering en voedselproductie of bij het vroegtijdig opsporen van ziekten.
Het meest invloedrijke en transformerende gebied van AI op dit moment is generatieve AI (GenAI). Het verschilt van traditionele AI-systemen, die zijn ontwikkeld voor bepaalde vooraf gedefinieerde taken, omdat het nieuwe inhoud kan creëren in de vorm van tekst, afbeeldingen, muziek of video's. Naarmate we nieuwe toepassingen blijven ontdekken, wordt het steeds belangrijker om na te denken over hoe kunstmatige algemene intelligentie (Artificial General Intelligence,AGI) er in de toekomst uit zou kunnen zien en hoe GenAI in deze context het meest effectief kan worden gebruikt. Hoewel AGI tot nu toe een theoretisch concept blijft, heeft GenAI ons al echte inzichten gegeven in de toekomst van AI, vooral op creatief en intellectueel vlak, zoals bij het oplossen van problemen, het creëren van content en als het gaat om het stimuleren van innovatie.
GenAI-modellen zoals Generative Pre-trained Transformer (GPT), DALL-E en Stable Diffusion zijn ontworpen om output te genereren op basis van de gegevens die zijn gebruikt om ze te trainen. Deze modellen analyseren enorme datasets - van teksten en afbeeldingen tot muziek en video's - en gebruiken deze informatie om nieuwe, onafhankelijke content te creëren. GenAI herkent patronen in gegevens en genereert antwoorden of media die vaak niet te onderscheiden zijn van de menselijke verbeeldingskracht en vaak zelfs nauwelijks te onderscheiden zijn van het werk van een mens. Neem bijvoorbeeld GPT-3, het model achter platforms zoals ChatGPT. Het kan essays schrijven, vragen beantwoorden, inhoud samenvatten of zelfs gesprekken voeren op een manier die erg menselijk overkomt. Beeldgeneratoren daarentegen zetten tekstinvoer om in beelden die rijk zijn aan kleur, detail en diepte. Dit zijn slechts enkele voorbeelden van hoe GenAI de grenzen verlegt van wat mogelijk is in de creatieve branche.
De manier waarop GenAI werkt is erg interessant: GenAI gebruikt deep learning-technieken en grote neurale netwerken om enorme hoeveelheden gegevens te verwerken en te begrijpen. Als GenAI wordt getraind met verschillende datasets, herkent het complexe patronen en verbanden tussen informatie, waardoor het vervolgens nieuwe inhoud kan genereren. Voorbeeld van tekstgeneratie: GenAI voorspelt niet alleen het volgende woord op basis van grammatica, maar houdt ook rekening met context en nuance, zodat samenhangende, betekenisvolle en contextuele inhoud ontstaat. De situatie is vergelijkbaar in de beeldende kunst: GenAI-modellen, getraind met miljoenen afbeeldingen, creëren unieke kunstwerken die een diepgaand begrip weerspiegelen van stijl, compositie en kleurtheorie. GenAI verandert bedrijfstakken zoals marketing, reclame en entertainment door het snel genereren van creatieve content zoals blogposts, social media content, video's en zelfs digitale kunst. GenAI kan mogelijk helpen bij de ontwikkeling van nieuwe medicijnen of klinische studies simuleren, wat medisch onderzoek zal versnellen. Op gebieden zoals onderwijs en klantenservice kunnen AI-ondersteunde tools zoals leersystemen en virtuele assistenten in realtime gepersonaliseerde ondersteuning bieden. Wat de nieuwe generatie AI zo bijzonder maakt, is haar vermogen om nieuwe ideeën te ontwikkelen en complexe problemen op te lossen zonder dat daar expliciet om wordt gevraagd. Dit maakt het een uitzonderlijk krachtig hulpmiddel voor innovatie.
Er zijn vier hoofdtypen kunstmatige intelligentie: reactieve AI, AI met beperkte geheugenfucntie, Theory of Mind en AI met zelfbewustzijn. Deze typen verschillen in complexiteit en prestaties. De eenvoudigste vorm is reactieve AI. Het levert voorspelbare resultaten op basis van specifieke input, maar heeft noch het vermogen om te leren, noch een "geheugen" (geen opslagcapaciteit). Voorbeelden hiervan zijn IBM's Deep Blue-schaakcomputer en spamfilters. Hoewel deze technologieën baanbrekend waren in hun tijd, is reactieve AI beperkt tot duidelijk gedefinieerde taken. Hierop voortbouwend gebruikt AI met beperkte geheugenfunctie gegevens uit het verleden in combinatie met voorgeprogrammeerde kennis om voorspellingen te doen en taken uit te voeren, zoals het interpreteren van verkeerssituaties in autonome voertuigen. De gegevensopslag van deze systemen is tijdelijk en blijft niet permanent.
De andere twee typen - Theory of Mind en AI met zelfbewustzijn - vertegenwoordigen toekomstige ontwikkelingsperspectieven en bevinden zich nog in de conceptuele fase. Theory of Mind streeft ernaar emotionele intelligentie na te bootsen die lijkt op die van de mens, zodat machines emoties kunnen herkennen, begrijpen en erop kunnen reageren - zoals is waargenomen in robots als Kismet en Sophia. Maar volledige emotionele intelligentie is nog niet bereikt. Een geavanceerde AI met zelfbewustzijn zou bewustzijn, zelfbewustzijn en een mensachtig begrip van de eigen mentale toestand vertonen en dit ook bij anderen herkennen. De huidige technologie is nog ver verwijderd van dit ideaal. Toch wordt er nog steeds vooruitgang geboekt om de grenzen van AI te verleggen en hogere ontwikkelingsniveaus te bereiken - mogelijk in de richting van een zogenoemde "superintelligentie".
Nu we de vier hoofdtypen van AI hebben bekeken, is er nog een belangrijk onderscheid binnen kunstmatige intelligentie - dat tussen zwakke en sterke AI. Zwakke AI, ook bekend als "smalle AI" (Narrow AI), verwijst naar systemen die zijn ontwikkeld om specifieke taken uit te voeren in een duidelijk afgebakend toepassingsgebied. Het vormt de basis van spraakassistenten (bijv. Siri, Alexa), aanbevelingssystemen (bijv. Netflix, Spotify) en toepassingen voor autonome voertuigen. Hoewel zwakke AI efficiënt en nauwkeurig werkt, mist het algemene intelligentie, creativiteit of aanpassingsvermogen buiten de geprogrammeerde functies. Zwakke AI is bijzonder krachtig op gebieden zoals natuurlijke taalverwerking, beeldherkenning of routeoptimalisatie, maar kan niet zelfstandig leren of denken. Sterke AI of AGI (Artificial General Intelligence) verwijst naar een theoretisch concept van machines die een op mensen gelijkende intelligentie, denkvermogen en aanpassingsvermogen hebben. In tegenstelling tot zwakke AI zou sterke AI vakoverstijgend kunnen leren, emoties kunnen begrijpen en problemen creatief kunnen oplossen. Hoewel deze vorm van AI nog puur hypothetisch is, illustreren fictieve voorbeelden zoals Wall-E of Vision uit het Marvel-universum wat mogelijk zou kunnen zijn. Het belangrijkste verschil zit hem in de mogelijkheden ervan: terwijl zwakke AI gericht is op specifieke taken, staat sterke AI voor een allesomvattende intelligentie die het potentieel heeft om de manier waarop we met technologie omgaan fundamenteel te veranderen.
Machine learning (ML) en deep learning (DL) zijn allebei onderdelen van AI, maar ze verschillen in de manier waarop ze gegevens verwerken en leren. ML vertrouwt op gestructureerde, gelabelde gegevens, statistische methoden en door mensen gedefinieerde kenmerken om beslissingen te nemen. DL maakt daarentegen gebruik van neurale netwerken met meerdere lagen om grote hoeveelheden ongestructureerde gegevens te verwerken zonder menselijke tussenkomst. Hoe meer verwerkingslagen een model heeft, hoe dieper het leert. DL is in wezen een verzameling algoritmen die geïnspireerd zijn op het menselijk brein en het vermogen nabootst om patronen te herkennen en beslissingen te nemen.
Terwijl ML goede resultaten oplevert voor eenvoudigere taken zoals het voorspellen van vastgoedprijzen op basis van kenmerken zoals locatie en grootte, is DL beter geschikt voor complexe problemen zoals beeldherkenning of natuurlijke taalverwerking. Een wezenlijk verschil tussen de twee benaderingen is de hoeveelheid gegevens die nodig is: DL heeft enorme hoeveelheden gegevens nodig om de betrouwbaarheid van het model te verbeteren, terwijl ML kan werken met kleinere datasets, maar mogelijk niet zo sterk evolueert met extra gegevens. ML-modellen bereiken vaak een verzadigingspunt waarop extra gegevens de prestaties niet verder verbeteren, terwijl DL-modellen steeds beter worden naarmate de hoeveelheid gegevens toeneemt.
Een ander wezenlijk verschil zit hem in de hardware: ML-modellen kunnen worden getraind met conventionele processors (Central Processing Units, CPU's), terwijl DL aanzienlijk krachtigere hardware vereist, zoals GPU's (Graphical Processing Units) om de rekenintensieve processen aan te kunnen. Het trainen van DL-modellen op een CPU kan extreem traag zijn, dus het gebruik van GPU's of Tensor Processing Units (TPU's) is essentieel om efficiënt te werken. Dit maakt DL intensiever in gebruik van hulpbronnen en duurder dan ML. Ook de duur van de training verschilt aanzienlijk: ML-modellen kunnen vaak binnen een paar uur worden getraind, terwijl het trainen van grote DL-modellen dagen of zelfs weken in beslag kunnen nemen. DL-modellen zijn vaak sneller in het voorspellen na training dan ML-modellen. Een voorbeeld: bij ML kan een algoritme zoals K-Nearest Neighbours (KNN) relatief traag zijn, terwijl een getraind DL-model afbeeldingen of spraak bijna in realtime kan classificeren of verwerken.
Een ander belangrijk verschil zit hem in het extraheren van kenmerken: met ML moeten experts de relevante kenmerken handmatig definiëren. Als een ML-model bijvoorbeeld moet voorspellen of een sollicitant wordt aangenomen, dan moeten parameters zoals opleiding, certificaten en werkervaring expliciet worden gespecificeerd. DL kan daarentegen automatisch de relevante kenmerken uit de ruwe gegevens extraheren. Als dezelfde voorspelling zou worden gedaan met DL, zouden alle sollicitatiedocumenten gewoon in het model worden ingevoerd en zou het systeem zelfstandig de doorslaggevende kenmerken bepalen. Deze automatische, laag-voor-laag extractie van kenmerken is een van de sterke punten van DL.
En tot slot is er de kwestie van de interpreteerbaarheid. Omdat DL-modellen kenmerken onafhankelijk extraheren, is het vaak moeilijk te achterhalen hoe ze tot een beslissing komen. Als een DL-model bijvoorbeeld afbeeldingen van katten en honden classificeert, kan het zeer nauwkeurige voorspellingen doen, maar het blijft onduidelijk welke kenmerken er zijn gebruikt om onderscheid te maken. De situatie is vergelijkbaar wanneer een DL-model wordt gebruikt om beledigende opmerkingen op sociale media te herkennen: het kan deze wel succesvol aangeven, maar geen duidelijke redenen geven voor de gemaakte beslissingen erachter. Dit gebrek aan transparantie vormt een belangrijke beperking van DL. ML-modellen zoals logistische regressie of beslisbomen bieden daarentegen duidelijke besluitvormingsprocessen door een bepaald gewicht toe te kennen aan individuele kenmerken. Hierdoor zijn hun voorspellingen beter te volgen en voor mensen gemakkelijker te begrijpen.
AI vereenvoudigt kennisbeheer aanzienlijk door het zoeken naar relevante documenten te automatiseren - vooral in sectoren met strenge eisen op het gebied van gegevensbescherming, zoals de gezondheidszorg of de juridische sector. Door technieken zoals Retrieval Augmented Generation (eRAG) te gebruiken, kan AI grote hoeveelheden gegevens efficiënt beheren en tegelijkertijd zorgen voor naleving van de regelgeving voor gegevensbescherming, zoals de Algemene Verordening Gegevensbescherming (AVG) van de EU. AI-ondersteunde platforms zoals de Open Telekom Cloud van T-Systems maken veilige en efficiënte gegevensverwerking mogelijk en verbeteren zo de productiviteit en besluitvorming in kennisintensieve branches.
AI wordt steeds vaker gebruikt om juridische ontwikkelingen te herkennen en te interpreteren die van invloed zijn op de ontwikkeling en het gebruik van technologieën voor autonoom rijden. Een SaaS-oplossing (Software-as-a-Service) op basis van het Google Cloud Platform (GCP) en Document AI biedt intuïtieve dashboards voor het herkennen, volgen en beheren van versies van wereldwijde wijzigingen in wettelijke vereisten die relevant zijn voor autonoom rijden. Het platform is uitgerust met gespecialiseerde metadata- en documentdatabases. Dit maakt het makkelijker om complexe juridische teksten, tabellen en formuleringen te interpreteren. Door middel van AI-ondersteunde monitoring kan het systeem automatisch wijzigingen in de wetgeving in verschillende regio's herkennen en betrokkenen op de hoogte houden over relevante wijzigingen om ervoor te zorgen dat autonome rijsystemen voldoen aan de geldende wettelijke vereisten in verschillende landen en staten. Dit systeem vereenvoudigt niet alleen het controleproces, maar verhoogt ook de efficiëntie door door strikte naleving van de wettelijke vereisten te garanderen. Zo kunnen bedrijven zich richten op innovatie en tegelijkertijd volgens de regels werken.
Kunstmatige intelligentie verandert de productie-industrie fundamenteel met oplossingen zoals digitale tweelingen, voorspellend onderhoud en geïntegreerd beheer van de toeleveringsketen. Deze AI-ondersteunde tools optimaliseren de productie door realtime processen te simuleren, storingen in apparatuur te voorspellen en de efficiëntie van volledige productiecycli te verhogen. Daarnaast helpen AI-gebaseerde duurzaamheidsplatforms en IIoT-technologieën (Industrial Internet of Things) fabrikanten om afval te minimaliseren, energieverbruik te verminderen en innovatie te versnellen. Dit zorgt ervoor dat er wordt voldaan aan de moderne consumenteneisen voor intelligente en duurzame productie. Meer informatie over oplossingen op het gebied van productie en kwaliteitscontrole is te vinden bij T-Systems onder het trefwoord AI Solution Factory.
Met de verdere ontwikkeling van AI-technologieën ontstaat de noodzaak om geschikte structuren voor governance te creëren, zodat de technologische ontwikkeling plaatsvindt in lijn blijft met het algemene maatschappelijke welzijn. De Europese Unie loopt hierin voorop, met name door de Wet Kunstmatige Intelligentie (Artificial Intelligcen ACT, AI-Act), die regelgevende normen vaststelt voor risicovolle toepassingen van AI-systemen. Dit wettelijke kader is bedoeld om verantwoording, transparantie en eerlijkheid te garanderen. De EU speelt dus een leidende rol bij de invoering van uitvoerbare en handhaafbare regelgeving. Andere organisaties zoals de OESO (Organisatie voor Economische Samenwerking en Ontwikkeling) bieden wel richtlijnen, maar deze zijn vaak minder bindend dan die van de EU en zijn meer algemeen dan specifiek regelgevend van aard. De focus van de AI-wet op risicovolle AI-toepassingen - inclusief het verbod op bepaalde use cases en de verplichting tot transparantie - schept een belangrijk precedent. Het wettelijke kader hiervoor is nog steeds in ontwikkeling, aangezien de regelgeving moet evolueren in lijn met de technologische vooruitgang. Dit betekent dat AI-governance-structuren van toepassing zullen blijven op toekomstige technologieën.
Een van de grootste uitdagingen op het gebied van AI-governance is dat technologische ontwikkelingen zeer snel wetgevingsprocessen kunnen inhalen. Het innovatietempo is zo hoog dat wetten nauwelijks snel genoeg kunnen worden aangepast om tijdig rekening te houden met nieuwe risicofactoren. Een ander voorbeeld hiervan is de AI-wet van de EU, waarvan de ontwikkeling zes jaar geleden begon en die sindsdien is herzien vanwege de vooruitgang op het gebied van generatieve AI. Dit toont aan dat de wetgeving regelmatig moet worden herzien en aangepast om rekening te houden met nieuwe technologische ontwikkelingen. Een andere belangrijke uitdaging voor politieke besluitvormers is dat regelgeving niet van tevoren in de praktijk kan worden getest en aangepast. Veel verordeningen - waaronder de AI-wet - zijn nog niet voldoende getest in de praktijk, waardoor het moeilijk is om de werkelijke impact van tevoren in te schatten. Governance-structuren en AI-systemen moeten zich daarom blijven ontwikkelen - door voortdurende input en uitgebreide praktijktests.
Naast formele regelgeving is het ethisch gebruik van AI ook een belangrijk onderdeel van verantwoorde governance. Vragen rond vooringenomenheid ("AI bias") in AI-systemen worden steeds relevanter nu AI-functies tot steeds meer gebieden in het leven doordringen. Dienovereenkomstig vereist de AI-wetgeving van de EU verklaarbare besluitvormingsprocessen voor AI-toepassingen die bijzonder risicovol zijn. Naarmate systemen steeds complexer worden - vooral in het geval van generatieve AI - blijft het een grote uitdaging om transparantie te garanderen. Dit omvat ook het zogenaamde "black box-probleem", waarbij beslissingen van AI-systemen niet te volgen zijn. Hoewel de EU minimumvereisten voor verklaarbaarheid heeft geformuleerd, blijft het thema een belangrijk onderwerp van regelgeving vanwege de snelle vooruitgang en toenemende complexiteit van modellen zoals GenAI. Het is van cruciaal belang dat de publieke en private sector samenwerken om duidelijke ethische richtlijnen te ontwikkelen en ervoor te zorgen dat deze worden gehandhaafd. Dit is de enige manier om te voorkomen dat AI-technologieën verkeerd worden gebruikt of onbedoeld schade aanrichten. Op deze manier kan innovatie worden gestimuleerd zonder de risico's van deze krachtige technologieën uit het oog te verliezen.
Het belangrijkste voordeel van kunstmatige intelligentie is dat het menselijke fouten vermindert en dus voor nauwkeurige resultaten zorgt. AI-systemen nemen beslissingen op basis van eerder verzamelde informatie en algoritmes. Als ze correct geprogrammeerd zijn, kunnen ze fouten volledig uitsluiten. Het gebruik ervan is daarom bijzonder waardevol in kritieke situaties waar nauwkeurigheid de beslissende factor is.
Voorbeeld: in de luchtvaart is een automatische piloot in vliegtuigen bij uitstek geschikt om menselijke fouten te verminderen, moderne vliegtuigen effectief te laten navigeren en hun hoogte te regelen. Dit maakt vluchten zowel veiliger als efficiënter.
Kunstmatige intelligentie is bijzonder waardevol voor het nemen van beslissingen, omdat het grote hoeveelheden gegevens kan verwerken om patronen en trends te herkennen die voor mensen misschien niet te zien zijn. ML-algoritmen (machine learning) analyseren historische gegevens om toekomstige ontwikkelingen te voorspellen, waardoor bedrijven en individuen snelle en weloverwogen beslissingen kunnen nemen. De snelheid en het vermogen van AI om enorme hoeveelheden informatie te verwerken geeft bedrijven een voorsprong op de concurrentie in dynamische en snel veranderende omgevingen.
Voorbeeld: detailhandelaren gebruiken kunstmatige intelligentie om de voorraadbehoeften te voorspellen door patronen in het koopgedrag van klanten te analyseren. Dit helpt bij het optimaliseren van voorraadniveaus, het voorkomen van zowel over- als ondervoorraden en het verbeteren van operationele processen om de klanttevredenheid te verhogen.
Gevaarlijke taken die een risico vormen voor mensen kunnen worden uitgevoerd door AI. Of het nu gaat om het onschadelijk maken van bommen, het verkennen van de ruimte of diepzeemissies - AI-gestuurde machines kunnen gevaarlijke taken uitvoeren die een hoog risico vormen voor mensen.
Voorbeeld: bij rampenbestrijding kunnen AI-bestuurde drones naar gevaarlijke gebieden worden gestuurd, bijvoorbeeld na natuurrampen zoals aardbevingen of bosbranden, om de omvang van de schade vast te stellen. Op deze manier kunnen gegevens worden verzameld zonder de hulpdiensten in gevaar te brengen.
Mensen zijn maar een beperkt aantal uren per dag productief. AI kan daarentegen 24 uur per dag werken, wordt niet moe en kan meerdere taken tegelijkertijd met dezelfde nauwkeurigheid uitvoeren. Dit maakt AI bijzonder geschikt voor repetitieve of tijdrovende taken.
Voorbeeld: AI-ondersteunde systemen in de banksector kunnen fraudegevallen in realtime ontdekken. Ze monitoren transacties 24 uur per dag en melden verdachte activiteiten onmiddellijk. Dit garandeert de veiligheid van klanten te allen tijde.
Tegenwoordig gebruiken de meeste organisaties AI-ondersteunde digitale assistenten om de interactie tussen gebruikers te verbeteren en tegelijkertijd de behoefte aan menselijke medewerkers te verminderen. Dergelijke assistenten maken betere communicatie en gepersonaliseerde diensten mogelijk, bijvoorbeeld door het zoeken naar inhoud en het aanbieden ervan via dialoogvragen mogelijk te maken. Sommige AI-chatbots zijn nu zo geavanceerd dat het moeilijk is om te herkennen of je met een mens of een machine communiceert.
Voorbeeld: in de reisbranche helpen AI-ondersteunde chatbots klanten bij het boeken van vluchten en het vinden van hotelaccommodatie en bij het beantwoorden van reisgerelateerde vragen. Virtuele assistenten verbeteren de klantervaring dankzij hun constante beschikbaarheid en snelle informatievoorziening.
AI automatiseert routinematige, tijdrovende taken zoals gegevensinvoer, planning of documentverwerking, waardoor medewerkers zich meer kunnen richten op activiteiten die gericht zijn op strategie, creativiteit of waardecreatie.
AI vereenvoudigt de analyse van gegevens en automatiseert complexe simulaties, waardoor de tijd die nodig is voor innovatie aanzienlijk wordt verkort. Het helpt onderzoekers om sneller nieuwe ontdekkingen te doen, wat leidt tot snellere doorbraken op gebieden als gezondheidszorg, materiaalkunde en techniek.
De markt voor generatieve AI (GenAI), die nu al wordt geschat op 16,87 miljard dollar, zal van 2025 tot 2030 naar verwachting groeien met een samengesteld jaarlijks groeipercentage (CAGR) van 37,6%. Veel van deze indrukwekkende groei is te danken aan het feit dat de focus verschuift van algemene AI-toepassingen naar LLM's op basis van zogenaamde foundation models. Veelbelovende nieuwe technologieën zoals kwantumcomputing en fotonische computing lijken het potentieel te hebben om het veld van generatieve AI verder te bevorderen. Toch blijven er uitdagingen, zoals de stabiliteit van qubits en de verwerking van fotonische gegevens. GenAI verwijst naar deep learning-modellen die in staat zijn om zeer grote datasets te analyseren - vaak hele encyclopedieën, kunstwerken of andere archieven - om statistisch waarschijnlijke resultaten te leveren als reactie op mogelijke input (prompts). Deze modellen slaan hun trainingsvoorbeelden niet woord voor woord op, maar maken een gecomprimeerde weergave van de geleerde trainingsgegevens. Hierdoor kunnen ze nieuwe en tot op zekere hoogte originele teksten maken. Jarenlang werden generatieve modellen vooral gebruikt voor probabilistische statistische analyses van numerieke gegevens. De opkomst van deep learning heeft nieuwe mogelijkheden geopend voor het omgaan met tekst, afbeeldingen en andere complexe gegevenstypen. Een van de eerste generatieve deep learning-modellen in 2013 was de zogenaamde VAE (Variational Autoencoder) - een van de weinige modellen die realistische afbeeldingen en teksten kon genereren.
Eerdere GenAI-modellen zoals GPT-3, BERT en DALL-E 2 hebben slechts de weg vrijgemaakt voor nieuwe benaderingen en hebben de toepassingsgebieden voor generatieve AI aanzienlijk uitgebreid. Met de overgang van domeinspecifieke systemen naar algemene AI-systemen die op meerdere gebieden kunnen worden gebruikt, breekt nu de volgende ontwikkelingsfase van AI aan - het tijdperk van foundation models. Deze modellen worden getraind op basis van gigantische, ongestructureerde datasets en vervolgens verfijnd voor specifieke gebruikssituaties. Verwacht wordt dat de combinatie van generatieve AI en foundation models de introductie van AI in talloze branches de komende jaren aanzienlijk zal versnellen. Dit bevrijdt bedrijven van tijdrovende gegevensetikettering en maakt AI veel toegankelijker voor bedrijfsrelevante use cases. De rekenkracht van foundation models zal in de toekomst toegankelijk worden gemaakt via hybride cloudomgevingen, waardoor het eenvoudiger en uitgebreider wordt om AI te integreren in bestaande infrastructuren.
Naarmate generatieve AI zich verder ontwikkelt, zal ook het vermogen toenemen om domeinoverschrijdende taken uit te voeren. De toekomst biedt enorme mogelijkheden voor AI-modellen die naadloos meerdere modaliteiten integreren en een revolutie teweegbrengen in branches - van onderzoek tot bedrijfsautomatisering.
Wat is dat? AI-ondersteunde spraakherkenning stelt machines in staat om gesproken taal om te zetten in tekst. Het wordt vaak gebruikt in spraakassistenten, transcriptietools en toegankelijkheidsoplossingen. Deze systemen worden getraind met uitgebreide datasets van gesproken taal en verschillende accenten, waardoor ze audio-input in realtime kunnen begrijpen en verwerken.
Gebruikstoepassingen: handsfree medische documentatie in operatiekamers
In operatiekamers gebruiken chirurgen AI-ondersteunde spraakherkenning om aantekeningen te dicteren tijdens een procedure. Het systeem transcribeert deze invoer in gestructureerde records, waardoor de efficiëntie toeneemt en de steriliteit behouden blijft omdat handmatige invoer niet meer nodig is.
Wat is dat? Met AI-ondersteunde beeldherkenning zijn machines in staat om objecten, scènes of zelfs gezichtsuitdrukkingen in digitale beelden te identificeren en classificeren. Deze systemen worden getraind met deep learning en convolutionele neurale netwerken (CNN's) en kunnen patronen veel sneller en nauwkeuriger herkennen dan mensen.
Gebruikstoepassingen: bescherming van wilde dieren door middel van drone-surveillance
AI-gestuurde drones vliegen over grote beschermde gebieden en gebruiken beeldherkenning om diersoorten te identificeren, dierenpopulaties te tellen en illegale menselijke activiteiten zoals stroperij te herkennen. Dit maakt snellere reacties mogelijk en beschermt tegelijkertijd de biodiversiteit beter.
AI-gestuurde vertaling maakt gebruik van natuurlijke taalverwerking (Natural Language Processing, NLP) om tekst of gesproken taal te vertalen van de ene taal naar de andere. In tegenstelling tot conventionele vertalingen op basis van regels, kunnen moderne AI-modellen - zoals Google's Transformer - de context, uitdrukkingen en subtiele taalnuances begrijpen.
Gebruikstoepassingen: real-time vertaling in internationale rechtszaken
Rechtbanken die grensoverschrijdende zaken behandelen, maken gebruik van AI-vertaaltools om nauwkeurige realtime vertalingen in meerdere talen te leveren. Hierdoor kunnen rechters, advocaten en partijen uit verschillende landen naadloos samenwerken, zonder vertragingen of misverstanden.
Wat is dat? Voorspellende modellering maakt gebruik van historische gegevens en AI-algoritmen om toekomstige uitkomsten of trends te voorspellen. Het wordt gebruikt in branches zoals financiën, gezondheidszorg, toeleveringsketens en onderhoud om gebeurtenissen in een vroeg stadium te herkennen en preventieve actie te kunnen ondernemen.
Gebruikstoepassingen: voorspellend onderhoud van spoorweginfrastructuur
Spoorwegmaatschappijen gebruiken AI om sensorgegevens van sporen en treinen te analyseren. Het systeem voorspelt wanneer en waar slijtage kan optreden en maakt het mogelijk om tijdig onderhoudsmaatregelen te nemen, waardoor ongelukken of kostbare stilstand worden voorkomen.
Wat is dat? AI-ondersteunde data-analyse verwerkt grote hoeveelheden datasets om trends en patronen te herkennen en inzichten te verkrijgen die voor mensen moeilijk of onmogelijk handmatig te vinden zouden zijn. Deze bevindingen helpen bedrijven en organisaties om beter geïnformeerde, op gegevens gebaseerde beslissingen te nemen.
Gebruikstoepassingen: gepersonaliseerde leeranalyses in het onderwijs
EdTech-platforms gebruiken kunstmatige intelligentie om te analyseren hoe leerlingen omgaan met inhoud - bijvoorbeeld op basis van de bestede tijd, gemaakte fouten of individuele voorkeuren. Ze gebruiken deze gegevens om lessen aan te passen aan het leertempo en de behoeften van individuele leerlingen, wat de leerefficiëntie en betrokkenheid verhoogt.
Wat is dat? Kunstmatige intelligentie in cyberbeveiliging bewaakt, herkent en reageert sneller op bedreigingen dan conventionele methoden. Machine-learning-modellen analyseren eerdere beveiligingslekken en afwijkingen om potentiële aanvallen te voorspellen en af te weren.
Gebruikstoepassingen: AI-ondersteunde deception-technologie
Geavanceerde cyberbeveiligingsbedrijven gebruiken gesimuleerde dataomgevingen ("honeypots") met behulp van AI om het gedrag van aanvallers te analyseren. Wanneer een hacker in contact komt met de gesimuleerde omgeving, analyseert het systeem hun aanpak, detecteert het zwakke plekken en reageert het dienovereenkomstig - zonder echte systemen in gevaar te brengen.
Terwijl we doorbraken blijven maken op het gebied van AI, is het cruciaal dat we de ethische en sociale implicaties ervan erkennen. Hoe zorgen we ervoor dat deze systemen op een verantwoorde manier worden gebruikt? Welke veiligheidsmaatregelen moeten worden genomen om misbruik te voorkomen, bijvoorbeeld het genereren van misleidende of schadelijke inhoud? Hoewel GenAI deuren opent naar immense mogelijkheden, roept het ook vragen op over originaliteit, creativiteit en de mogelijke gevolgen van het automatiseren van taken die door mensen uitgevoerd worden. De grootste uitdaging voor de toekomst is om de technologie te begrijpen en te beheersen, zodat we de kracht ervan kunnen aanwenden ten voordele van de maatschappij en tegelijkertijd de grenzen van het ware potentieel van AI kunnen verleggen.
De opkomst van GenAI heeft het AI-landschap ongetwijfeld veranderd en grote interesse en innovatie onder technologen aangewakkerd. Maar een nieuw concept, "agentische AI", wint snel aan populariteit in de AI-ontwikkelingsgemeenschap. Deze term weerspiegelt de groeiende mogelijkheden van AI-agenten die het aanpassingsvermogen van LLM's combineren met de precisie van traditioneel programmeren. Deze AI-agenten leren niet alleen van enorme databases en netwerken, maar ontwikkelen zich ook door het gedrag van gebruikers te begrijpen en hun functionaliteit in de loop van de tijd te verbeteren. Naarmate bedrijven deze geavanceerde technologieën blijven toepassen, belooft agentische AI een revolutie teweeg te brengen in de automatisering van processen door complexe toepassingen met meerdere stappen af te handelen waar traditionele AI moeite mee heeft. Vooruitkijkend kunnen we een toekomst voorzien waarin adaptieve ML-modellen evolueren zonder dat dure omscholing nodig is, waarbij agentische AI een belangrijke rol zal spelen als motor van innovatie en efficiëntie. De weg naar deze singulariteit lijkt steeds haalbaarder te worden naarmate deze technologieën zich ontwikkelen. Als je meer wilt weten over agentische AI, klik dan hier voor meer informatie.
