Door alle drukte van het KI-Agil project heen is het fijn om ook eens behalve informatie en onderzoeksresultaten te verschaffen een kijkje door de ogen van iemand van het project te hebben. Hoe kijkt iemand van binnenuit tegen het project aan en wat voor interessante ingevingen kan hij vertellen.
Een kijkje door de ogen van de programmanager van het KI-AGIL project in Duitsland. Een interview met Markus Feld, programmamanager van KI-AGIL en onderzoeksassistent aan de Campus Lingen van de Hogeschool Osnabrück, geeft inzicht in het project.
Wat is voor u bijzonder aan het KI-AGIL project?
Feld: Doordat elk deelproject zich op een specifieke taak concentreert, verlopen de afzonderlijke projecten tamelijk autonoom. Desondanks, en dat vind ik bijzonder waardevol, wisselen de AI-experts in de deelprojectgroepen intensief met elkaar van gedachten. Dat is heel interessant, want zo krijgen alle betrokkenen een idee van de uitdagingen waar de anderen voor staan en hoe zij daarmee omgaan. Het spannende is dat de bedrijven vaak tegen vergelijkbare vragen en obstakels aanlopen, maar verschillende oplossingen implementeren. Tijdens de bijeenkomsten kunnen de AI-experts hun ervaringen delen, elkaar advies geven en van elkaar leren. De grensoverschrijdende uitwisseling creëert zo een meerwaarde voor alle deelnemers.
Het KI-AGIL-project wordt beschouwd als een vervolgproject op ID3AS. In hoeverre bouwt KI-AGIL voort op het ID3AS-project?
Feld: Het ID3AS-project houdt zich in de eerste plaats bezig met sensortechnologie. Enerzijds gaat het daarbij om de verwerving en anderzijds om de verwerking van sensorgegevens. Intelligente sensorsystemen spelen hierbij een steeds centralere rol en daarom is de stimulans ontstaan om zich intensiever met het thema AI bezig te houden. Met behulp van AI kunnen de door de moderne sensortechnologie verkregen gegevens worden geanalyseerd om nieuwe relevante informatie te verkrijgen, reden waarom er een verband bestaat tussen de twee projecten. Toch zijn het twee onafhankelijke projecten die verschillende projectdoelstellingen nastreven.
Welk voordeel hebben op AI gebaseerde technologieën in tegenstelling tot eerdere evaluatiesystemen?
Feld: Zolang we met gestructureerde gegevens werken, kunnen die met klassieke methoden goed worden verwerkt. In werkelijkheid is het echter zo dat een groot deel van de gegenereerde gegevens in eerste instantie ongestructureerd is. Als gevolg daarvan doen bedrijven weinig of geen analyse van dergelijke gegevens. Toch hebben deze gegevens vaak een groot potentieel. Laat ik sensorgegevens als voorbeeld nemen. Moderne machines zijn meestal uitgerust met veel sensoren die een scala aan verschillende sensorgegevens opleveren, die in eerste instantie niet herkenbaar aan elkaar gerelateerd hoeven te zijn. AI-technologieën maken het nu mogelijk deze ongestructureerde datasets te analyseren. Op die manier kunnen voorheen onbekende verbanden tussen de gegevens worden herkend en zo bijvoorbeeld nieuwe inzichten in de status van de machines worden verkregen Op die manier kunnen de machines bijvoorbeeld efficiënter en dus kosteneffectiever worden bediend. Vooral bij grote en complexe gegevensvolumes kan AI ook worden gebruikt om verbanden te identificeren die met klassieke evaluatiesystemen helemaal niet zouden kunnen worden opgespoord.
De term machinaal leren wordt vaak gebruikt in verband met AI. Wat houdt deze term in?
In het algemeen zijn er veel verschillende soorten AI. Machine Learning is er één van en tegelijkertijd het subtype waar momenteel de sterkste groei kan worden waargenomen. Als je dezer dagen in de pers iets leest over nieuwe ontwikkelingen in AI, zal het zeer waarschijnlijk gaan over het sub specialisme Machine Learning. Bij Machine Learning, de naam zegt het al, gaat het erom dat de machine – de computer dus – uit zichzelf leert hoe hij bepaalde taken moet oplossen. Het geheel heeft dan eigenlijk meer te maken met leren dan met programmeren in de klassieke zin. Het proces kan heel aanschouwelijk worden geïllustreerd aan de hand van de techniek van het begeleid leren. Bij Supervised Learning leert de AI aan de hand van voorbeelden.
Zo kan AI bijvoorbeeld worden getraind om objecten in afbeeldingen te herkennen – bijvoorbeeld een bepaald dier. In dit proces krijgt de AI veel verschillende plaatjes te zien, samen met informatie over welk dier er op het plaatje staat: “Op dit plaatje staat een hond, op dit plaatje een kat, op dit plaatje ook een hond, op dit plaatje weer een kat, enzovoort.” De AI krijgt geen verdere informatie, b.v. waar op het plaatje de hond of de kat te zien is en hoe hond en kat van elkaar onderscheiden kunnen worden. In plaats daarvan probeert de AI zelfstandig regels en patronen af te leiden die hem in staat stellen het dier te herkennen. De AI doet dit beter naarmate hij meer voorbeelden krijgt en meer trainingscycli doorloopt. Dus eigenlijk leert de AI net zoals wij mensen. Het mooie hiervan is dat programmeurs de oplossing niet meer zelf hoeven te programmeren. Zelflerende AI opent dus nieuwe mogelijkheden. Objectherkenning in beelden is natuurlijk maar één voorbeeld van de vele. Een praktische Use Case in een bedrijf zou bijvoorbeeld de detectie van defecte onderdelen in een productieproces kunnen zijn. Natuurlijk is Machine Learning niet beperkt tot beeldverwerking, maar kan het worden toegepast op elke vorm van gegevens, zoals sensorgegevens, tekstgegevens, enz.
Op welke gebieden in de economie en de samenleving wordt AI nu al toegepast?
Feld: AI is eigenlijk op alle gebieden aan een opmars bezig – van Tesla of andere autofabrikanten die zelfrijdende auto’s ontwikkelen, tot digitale helpers in het dagelijks leven zoals Siri, Alexa en dergelijke, tot algoritmes bij online aanbieders die gepersonaliseerde aankoopaanbevelingen genereren op basis van ons eerdere aankoop- en zoekgedrag. In het bedrijfsleven worden steeds meer pogingen gedaan om processen met AI te analyseren en te optimaliseren. Met behulp van AI kunnen bijvoorbeeld potentiële storingen in machines worden opgespoord voordat ze zich voordoen, zodat er in een vroeg stadium op kan worden gereageerd. Dit wordt ook wel predictive maintenance genoemd, wat zeker een belangrijk toepassingsgebied is voor AI in bijvoorbeeld de maakindustrie.
Op welke toepassingsgebieden kan AI in de toekomst in de praktijk worden ingezet? Waar liggen kansen voor ontwikkeling?
Feld: Ik denk dat er nauwelijks grenzen zijn en dat de ontwikkeling net op het punt staat om echt van de grond te komen. Eigenlijk kun je op bijna elk gebied van de economie, maar ook in het dagelijks leven, gebruiksmogelijkheden voor AI vinden. Of de toepassing altijd goed en zinvol is, moet natuurlijk worden afgewogen – de sleutelwoorden zijn ethiek en gegevensbescherming. In het algemeen ben ik er echter van overtuigd dat er op het gebied van AI nog veel ontwikkelingen zullen plaatsvinden. Zelfs met de zojuist genoemde voorbeelden is er nog veel ruimte voor verbetering, bijvoorbeeld op het gebied van autonoom rijden of op het gebied van spraak kunnen verstaan. Er zal hier de komende jaren zeker nog veel meer gebeuren.
U zei zojuist dat het onderwerp AI altijd gepaard gaat met ethische uitdagingen. Welke inspanningen levert het projectteam om het ethische en morele gebruik van AI te waarborgen?
Feld: In principe speelt het thema ethiek een belangrijke rol bij de omgang met AI-technologieën – ook al werken we in onze projecten momenteel niet aan zeer gevoelige gebieden. Wij werken niet met machines die een gevaar zouden kunnen vormen als de AI een verkeerde beslissing neemt, en ook niet met persoonsgegevens, maar voor het grootste deel met sensorgegevens die hier als niet-kritisch kunnen worden geclassificeerd. Toch houden we ons in het KI-AGIL-project bezig met het ethische gebruik van AI; soms moet je verder kijken dan het onmiddellijke gebruik van gegevens om ethische referenties te kunnen herkennen. We gaan zelfs zo ver dat we een leidraad hebben ontwikkeld die bedrijven kunnen gebruiken bij het implementeren van AI-technologieën. In deze gids komen ook ethische aspecten aan bod. Een eerste uittreksel is al gepubliceerd en behandelt zeven aspecten van ethische AI.
Wat zijn de voorwaarden voor een succesvolle implementatie van AI-methoden/technologieën?
Feld: In principe gaat het er in de eerste plaats om een goed begrip te krijgen van wat AI in de eerste plaats is. In ons onderzoeksproject werken we bijvoorbeeld met MKB-ers die voorheen weinig deden met het onderwerp AI. Het was dus eerst zaak hen te informeren over wat er achter de term AI schuilgaat, wat Machine Learning is, en welke verschillende methoden er zijn. Niet elk probleem kan met dezelfde methode worden opgelost. Zoals we hebben gezien, bij het voorbeeld van beeldherkenning, dat er geschikte trainingsvoorbeelden nodig zijn voor supervised learning – we spreken in dit verband van gelabelde gegevens. In het voorbeeld waren dit de afbeeldingen (data) samen met de informatie over welk dier op de afbeeldingen te zien is (label).
Er zijn echter ook gevallen waarin gelabelde gegevens niet beschikbaar zijn. In dat geval moeten andere AI-leertechnieken worden gebruikt, zoals leren zonder toezicht. De beschikbaarheid van gegevens bepaalt dus in grote mate welke methode kan worden gebruikt en wat mogelijk is. Om AI met succes toe te passen, moet er dus enig basisinzicht zijn in wanneer welke procedure nuttig kan worden toegepast. Met dit basisbegrip willen we ook een grotere acceptatie voor AI-technologieën in het bedrijf creëren. Het is essentieel om de basismanieren waarop AI werkt te begrijpen om de kansen en risico’s van deze technologie juist in te kunnen schatten.
In hoeverre spelen agile werkmethoden hierbij een rol?
Feld: Agile methoden zijn niet per se een voorwaarde voor de implementatie van AI-methoden, maar het project draagt natuurlijk niet voor niets de titel KI-AGIL. Aangezien veel bedrijven zich op onbekend terrein begeven als het gaat om AI, is een agile aanpak zeker aan te raden. Een agile aanpak biedt de mogelijkheid om te starten met een productvisie of Use Case idee en dit vervolgens in kleine stapjes aan te pakken. Op die manier kunnen bedrijven zich stap voor stap vertrouwd maken met het onbekende terrein en bij elke stap vooruit inzichten opdoen, die op hun beurt nuttig zijn voor verdere actie. We zien nu in het project dat deze terugkoppelingen niet alleen het begrip van AI verbeteren, maar ook de acceptatie van de technologie en, daarbuiten, het begrip van het eigenlijke probleem.
Hoe komt de kennis over de nieuwe technologie en de bijbehorende themagebieden bij de bedrijven terecht? Hoe wordt de theorie in de praktijk omgezet?
Feld: In het project beginnen we met de deelnemende bedrijven een basistraining te geven over het onderwerp AI, zodat we in de volgende stap samen kunnen werken aan het identificeren van de werkelijke kern van het probleem en mogelijke toepassingsgebieden voor AI. Het doel is dus in de eerste plaats om een begrip op te bouwen van wat überhaupt mogelijk is en wat niet. Relatief vaak komen we twee verschillende extreme standpunten tegen; er is een kant die meent dat AI een zwarte doos is die slimme antwoorden geeft waarvoor je vrijwel niets hoeft te doen – losjes gebaseerd op het motto: “AI kan alles” – en dan is er de andere kant die meent dat AI zodanig complex is dat er geen mogelijke toepassingen zijn in zijn kleine of middelgrote ondernemingen. Beide visies zijn onjuist. Daarom bestaat de eerste stap uit bedrijven zowel de mogelijkheden als de beperkingen van AI te tonen. Vervolgens wordt AI grondig toegepast op de geselecteerde Use Cases van het betreffende bedrijf en wordt een grote verscheidenheid aan methoden ontwikkeld. Uiteraard vinden deze ook hun weg naar onze duale opleidingen. Aangezien de duale studenten ook altijd lid zijn van bedrijven, dragen zij deze methoden dus ook over in hun bedrijven.
Wat komt hierna? Wat volgt er op het KI-AGIL project? Zijn er overlappingen met andere projecten?
Feld: We zitten momenteel nog midden in de verwerkingsfase, maar we denken natuurlijk al na over hoe de volgende projecten eruit zouden kunnen zien. In ieder geval zal de kern de nauwe samenwerking met bedrijven blijven, omdat hier een grote vraag naar is, die naar verwachting nog zal toenemen. In dit opzicht zal ons volgende AI-project betrekking hebben op de verdere ontwikkeling van AI-methoden en -procedures en het testen ervan in de meest uiteenlopende toepassingsgebieden in bedrijven.
