watermelon
Kunstmatige intelligentie en machine learning

Wat is kunstmatige intelligentie en machine learning?

De termen ‘kunstmatige intelligentie’ en ‘machine learning’ gaan vaak hand in hand als het gaat om chatbots. Door de chatbot-hype zijn het populaire marketingtermen geworden en buzzwords die overal worden aangehaald. Maar wat houden deze containerbegrippen nu precies in? En zouden we eigenlijk andere termen moeten hanteren als het om chatbots gaat?

Artificial Intelligence, of kunstmatige intelligentie (KI) laat zich op het eerste oog vrij eenvoudig uitleggen. Een KI is een systeem dat op basis van input zelf beslissingen maakt, gestuurd door algoritmes, en leert op basis van gemaakte beslissingen. Misschien wel het beroemdste voorbeeld hiervan is de schaakcomputer Deep Blue van IBM, die het opnam tegen schaakgrootmeester Kasparov midden jaren ‘90. Maar, zo wordt vaak gevraagd, is dit echt een vorm van ‘intelligentie’?  En kun je dus waarlijk spreken van een KI?

Het is een moeilijke discussie, vooral omdat de technologische mogelijkheden elk jaar verder worden opgeschoven en die superintelligentie schaakcomputer van de jaren ‘90 tegenwoordig in je smartphone past. Een handvat wordt geboden door de turingtest, bedacht door Alan Turing. Deze test stelt dat als een proefpersoon in een specifiek opgezette situatie blind niet kan onderscheiden of hij/zij met een machine of mens te maken heeft, je kan spreken van KI. Voldoen chatbots hieraan? Misschien zijn ze nog niet goed genoeg, maar zoals gezegd: de technologie raast voort.

Uiteraard zijn er ook weer tegenargumenten te vinden voor de turingtest, waarbij met name het verschil tussen ‘begrijpen’ en ‘imiteren’ wordt aangesneden. Want echt begrijpen, dat is vooral een ver toekomstbeeld en wordt geplaatst onder Artificial General Intelligence (AGI) en is de overtreffende trap van KI. Hierbij wordt onder meer de koffietest aangehaald: vraag een AGI om koffie te zetten in een willekeurig huis. Vervolgens is het aan het systeem om  de keuken te vinden, waar de koffiefilters uit de kastjes te vissen en uit te vogelen hoe het koffiezetapparaat werkt. Een zelfreddend systeem in een veel vrijere setup dus.

De toepasbaarheid van de koffietest is moeilijk als het gaat om chatbots, omdat de intelligentie zich puur digitaal manifesteert. Maar het is zeker niet onmogelijk. Je zou kunnen stellen dat chatbots die daadwerkelijk inhoudelijk in kunnen gaan op ‘broccoli pindakaas’, misschien wel vormen van AGI tonen. Kortom, KI is een prima term om te hanteren anno 2017, maar wie weet kunnen we het ooit hebben over AGI.

 

turingtest

Machine learning, supervised learning en deep learning

Het kunnen leren van eerdere beslissing is een belangrijke component in de discussie over wat werkelijk KI is, dus het is niet verrassend dat voor het leeraspect verschillende termen worden gehanteerd. De twee meest voorkomende hierin zijn machine learning, dat een containerbegrip vormt voor verschillende manieren waarop chatbots zichzelf trainen.

Met machine learning wordt onder meer geduid op de adaptiviteit van een KI. Welke beslissingen zijn er eerder gemaakt en hoe zouden die in het vervolg beter kunnen? Of om het wat praktischer uit te drukken: een chatbot die machine learning toepast ziet na verloop van tijd bepaalde patronen ontstaan uit hoe gesprekken zich ontvouwen en kan leren welke antwoorden wel of niet effectief zijn om een gesprek op gang te houden.

Of jouw chatbot zelf beslist of dat er een menselijke hand komt kijken bij het leggen van verbanden, bepaalt ook weer over wat voor soort machine learning je hebt. Als een menselijke hand bijstuurt, spreek je van supervised learning. Dit gebeurt onder meer – om het voorgaande voorbeeld aan te houden – omdat een chatbot lastig zelf de waarde kan inschatten van een gegeven antwoord. Een doel (‘voer een gesprek’) kan ook subdoelen hebben die een bepaalde hiërarchie hebben. Een logisch subdoel zou kunnen zijn: zorg dat je de contactinformatie van de klant krijgt. Maar als de klant tijdens een gesprek aan de praat wordt gehouden, maar de chatbot niet kan sturen naar deze funnel, blijf je zitten. Je zou kunnen stellen dat de chatbot hier een valse positieve heeft ontdekt, een patroon dat niet van waarde is.

Deep learning gaat een stap verder. In deze situatie bestaat het systeem uit een groot netwerk van kunstmatige neuronen die zelfstandig bepalen hoe uit een bepaald probleemstelling een antwoord moet komen. Hierbij wordt de controle echt overgedragen aan de zelfstandige intelligentie van het systeem. Dit komt vooral van pas voor complexere problemen die zich moeilijk laten vallen in een stel regels. Een goed voorbeeld hiervan is hoe een gesprek werkt: tot op zekere hoogte voorspelbaar, maar zeker niet alles in een gesprek kun je verbinden aan een regel.

En nu en straks?

Het is niet zo verrassend dat KI, AGI, machine learning en alle aanverwante termen een stuk complexer zijn dan een mooie marketingslogan doet vermoeden. Het belangrijkste dat valt te destilleren is dat er voor chatbots een grote toekomst in het verschiet ligt. Anno 2017 liggen de technieken al klaar om door middel van (onder meer) supervised learning uitstekend functionerende chatbots te bouwen. Daar kun je vandaag al mee aan de slag.

En wie weet wat er over een paar jaar common practice is. Naar verwachting gaat de chatbot een integraal onderdeel vormen van de woonkamer, dus zal de techniek zich ook meer bewegen richting een deep learning-model. Dat betekent dat binnen een paar jaar we meer autonome chatbots gaan zien die meer en meer menselijk werk uit handen kunnen nemen. Dit kan bijvoorbeeld voor een helpdesk een enorm schaalvoordeel opleveren.

Benieuwd naar onze chatbot technologie?

Gerelateerde artikelen