Artificiële intelligentie

Artificiële intelligentie is een van de meest gebruikte buzzwoorden in het kader van Industrie 4.0 en Factories of the Future. Maar wat is dat eigenlijk – kunstmatige intelligentie – en welke rol kan het spelen in industriële toepassingen?

Vrij snel na de komst van de eerst computers, halfweg vorige eeuw, begonnen wetenschappers te fantaseren over intelligente machines die als een mens zouden kunnen redeneren en beslissingen nemen. De term artificiële intelligentie zou voor het eerst in die context gebruikt zijn op een seminarie voor computerwetenschappers in de jaren ’50.

Vreemd genoeg bestaat er vandaag nog steeds geen exacte definitie voor wat er precies bedoeld wordt met artificiële intelligentie. Dat komt onder meer omdat intelligentie zelf al een wat onduidelijk en rekbaar begrip is.

Een definitie zou kunnen zijn: het vermogen van computers om intelligent menselijk gedrag te imiteren. Wikipedia stelt: de wetenschap die zich bezighoudt met het creëren van een artefact dat een vorm van intelligentie vertoont.

Het probleem met deze definities is dat ze allebei verwijzen naar het begrip intelligentie, dat op zijn beurt niet eenduidig gedefinieerd is.

Kan een duikboot zwemmen?

Een vreemde vaststelling in verband met artificiële intelligentie is dat de definitie lijkt op te schuiven. Dingen waar een computer twintig jaar geleden nauwelijks in slaagde, zoals beeldherkenning, noemde men toen artificiële intelligentie, terwijl heel wat toepassingen die er vandaag bestaan in dat domein nauwelijks nog als AI beschouwd worden omdat ze heel vanzelfsprekend geworden zijn. Dat zou er min of meer op neer komen dat de term AI vooral gebruikt wordt voor dingen die men (nog) niet kan realiseren.

Een mooie introductie tot artificiële intelligentie is de lessenreeks van professor Patrick Winston van het MIT, die vrij beschikbaar is als Open Courseware op de website van het MIT. In de cursus haalt hij het voorbeeld aan van een softwareprogramma dat integraalvergelijkingen kan oplossen. Het systeem hanteert daarbij een twintigtal regeltjes (de integraal van een som is de som van de integralen, bijvoorbeeld – u kent het allemaal wel) die iteratief toegepast worden om een integraalvergelijking te vereenvoudigen tot ze opgelost is.

Als hij het programma demonstreert, vinden mensen het een mooi voorbeeld van artificiële intelligentie, zegt Winston. Maar zodra hij uitlegt hoe het programma werkt, wat uiteindelijk de toepassing van een rechttoe rechtaan algoritme is, vinden mensen het geen goed voorbeeld meer van AI.

De Britse computerwetenschapper en filosoof Alan Turing ontwikkelde in de jaren ’50 een naar hem genoemde test om na te gaan of een systeem artificieel intelligent is. Het is een soort blinde test waarbij iemand willekeurig tegenover een computersysteem of een mens geplaatst wordt. Als de testpersoon niet kan achterhalen of hij een computer dan wel een mens tegenover zich heeft, mag de computer volgens Turing artificieel intelligent genoemd worden. Het probleem met de test is dat de nadruk er ligt op een specifiek domein binnen AI, namelijk synthese van taal.

Het leukste standpunt over wat artificiële intelligentie is en wat niet, komt van de Nederlandse wiskundige Edsger Dijkstra die bekendheid verwierf als een van de pioniers van gestructureerd programmeren. Hij zei: de vraag of een computer kan denken is niet interessanter dan de vraag of een duikboot kan zwemmen.

Autonoom en adaptief

Het vinden van een definitie voor artificiële intelligentie is uiteindelijk vooral een filosofische kwestie die misschien niet zo belangrijk is. Maar het ontbreken van een definitie leidt er wel toe dat de term vandaag te pas en te onpas gebruikt wordt – ook voor systemen die de benaming AI niet of nauwelijks waard zijn.

Het probleem daarbij is dat er vandaag oplossingen verkocht worden die men performanter doet lijken dan ze eigenlijk zijn, gewoon door er de term artificiële intelligentie op te plakken. Verschillende organisaties werken aan normen en standaarden om hierin klaarheid te brengen, maar dat is niet zo evident, onder meer omdat het domein zo omvangrijk en divers is.

Een momenteel gangbare poging tot definitie is dat een systeem artificieel intelligent genoemd mag worden als het autonoom en adaptief is.

Autonomie houdt in dat het systeem in staat moet zijn om in complexe omgevingen zelfstandig te opereren zonder menselijke tussenkomst. Een klassieke AGV (automated guided vehicle) zal bijvoorbeeld stoppen wanneer zijn laser scanner op zijn weg een hindernis opmerkt. Een artificieel intelligente AGV zal in dat geval zelfstandig een alternatieve route zoeken.

De kwalificatie adaptief wijst in het kader van AI op het vermogen van een systeem om steeds beter en performanter te worden door te leren. De AGV van daarnet zal er misschien lang over doen om een alternatieve route te vinden, maar eens dat gelukt is, kan het die opslaan in zijn geheugen om er een volgende keer direct op terug te vallen. In de meeste gevallen komt de term adaptief erop neer dat de systemen performanter worden naarmate er meer data beschikbaar wordt.

Toepassingen in de industrie

In het kader van Industrie 4.0 en Factories of the Future wordt de term artificiële intelligentie veelal gebruikt in combinatie met de termen machine learning en deep learning, wat twee methodes zijn om tot AI te komen.

Deep learning is in zekere zin een buitenbeentje omdat het een algoritme oplevert dat vervat zit in een neuraal netwerk, wat met zich meebrengt dat de gebruiker meestal geen zicht meer heeft op hoe het algoritme precies werkt. Voor de industrie kan dat een probleem zijn bij de validatie van dergelijke systemen.

In de meeste toepassingen echter blijft AI redelijk basic met beslissingen die genomen worden volgens een welbepaald algoritme. Het eerder aangehaalde voorbeeld voor het oplossen van differentiaalvergelijkingen is daar een mooi voorbeeld van. Ook de slimme AGV die zelf zijn weg kan zoeken, doet dat volgens een algoritme dat eenduidig vastligt. Het is een voorbeeld van machine learning waarbij de AGV met de tijd een steeds beter zicht krijgt op zijn omgeving en steeds meer mogelijke routes ontdekt.

Ook systemen voor procesbewaking en kwaliteitscontrole zijn typische voorbeelden van machine learning die werken volgens welbepaalde modellen. Het systeem mag dan wel zelf de parameters in die modellen bepalen en eventueel bijsturen. Toch blijven het deterministische systemen waarbij op elk moment precies achterhaald kan worden hoe ze werken en welke output ze zullen genereren.

© Productivity.be, Tekst: Erwin Vanvuchelen