AI, of Kunstmatige Intelligentie, verwijst naar het vermogen van een machine of computersysteem om taken uit te voeren die normaal gesproken menselijke intelligentie vereisen. Deze taken omvatten dingen als leren, redeneren, probleemoplossen, perceptie en taalbegrip.
Kunstmatige intelligentie kan worden onderverdeeld in twee hoofdtypen: zwakke AI en sterke AI.
Zwakke AI, ook wel smalle AI genoemd, is een AI-systeem dat is ontworpen en getraind voor een specifieke taak. Virtuele persoonlijke assistenten, zoals Apple's Siri, zijn een vorm van zwakke AI.
Sterke AI, ook bekend als algemene AI, is een AI-systeem met gegeneraliseerde menselijke cognitieve vaardigheden. Wanneer gepresenteerd met een onbekende taak, kan een sterke AI voldoende intelligentie vinden om de taak op te lossen. Tot op heden bestaat sterke AI nog steeds grotendeels in theorie en is het niet gerealiseerd in praktijk.
AI-technologieën maken gebruik van verschillende technieken, waaronder machine learning (waarbij een systeem leert van data en zo zijn prestaties verbetert) en deep learning (een type machine learning dat neurale netwerkarchitecturen gebruikt om grote hoeveelheden data te analyseren).
Zwakke AI, ook wel bekend als Narrow AI, verwijst naar systemen die specifiek zijn ontworpen en getraind om een specifieke taak uit te voeren. Ze kunnen patronen herkennen, taken uitvoeren, informatie interpreteren en reageren op specifieke input, maar ze begrijpen of ervaren de wereld niet zoals mensen dat doen. Zwakke AI-systemen zijn alleen "intelligent" binnen hun beperkte taakgebied.
Zwakke AI werkt door gebruik te maken van machine learning technieken en soms zelfs deep learning, afhankelijk van de complexiteit van de taak. Machine learning is een methode waarbij AI-systemen getraind worden om patronen te herkennen in data en beslissingen te nemen op basis van die patronen.
Bijvoorbeeld, een spamfilter (een toepassing van zwakke AI) wordt getraind op een dataset van e-mails die als spam of niet-spam zijn gemarkeerd. Het algoritme leert de kenmerken die spam-e-mails onderscheiden van niet-spam en past deze kennis toe om toekomstige e-mails te classificeren.
Deep learning, een subveld van machine learning, maakt gebruik van kunstmatige neurale netwerken die zijn ontworpen om menselijke neurale processen na te bootsen. Deze techniek wordt vaak gebruikt in complexere zwakke AI-systemen, zoals spraak- of beeldherkenningssystemen.
Zwakke AI is ontstaan uit de behoefte om machines te creëren die bepaalde taken efficiënter kunnen uitvoeren dan mensen. De term werd voor het eerst geïntroduceerd door de filosoof John Searle in 1980 in zijn paper "Minds, Brains, and Programs".
Het concept van zwakke AI is echter veel ouder en gaat terug tot het ontstaan van de computerwetenschap in de jaren '50. In de vroege dagen van AI was de focus voornamelijk op het programmeren van computers om specifieke taken uit te voeren, zoals het spelen van schaak of het oplossen van wiskundige problemen.
Het creëren van een zwakke AI omvat verschillende stappen, waaronder het verzamelen van relevante data, het voorbereiden van die data, het selecteren en trainen van een model, en het valideren van dat model.
Dataverzameling: Dit is de eerste stap in het proces. De aard van de data hangt af van de taak die de AI moet uitvoeren. Voor een spamfilter bijvoorbeeld, heb je een grote hoeveelheid e-mails nodig, zowel spam als niet-spam.
Datavoorbereiding: De verzamelde data moet worden schoongemaakt en voorbereid. Dit kan betekenen dat irrelevante informatie wordt verwijderd, ontbrekende waarden worden opgevuld, of data wordt omgezet in een formaat dat door het AI-systeem kan worden gebruikt.
Modelselectie en -training: Er zijn veel verschillende machine learning algoritmen die je kunt gebruiken, afhankelijk van de taak. Je moet het meest geschikte algoritme kiezen en het vervolgens trainen op je data.
Modelvalidatie: Nadat het model is getraind, moet je het testen op een aparte set data (de testset) om te zien hoe goed het presteert. Dit kan je helpen om te beoordelen of je model klaar is voor gebruik, of dat het nog verder getweakt of getraind moet worden.
Het creëren van een zwakke AI vereist dus een combinatie van vaardigheden, waaronder data-analyse, programmeren, machine learning en domeinkennis, afhankelijk van de specifieke taak die de AI moet uitvoeren.
Sterke AI, ook bekend als algemene AI (AGI, Artificial General Intelligence), verwijst naar een type kunstmatige intelligentie dat theoretisch in staat is om alle taken uit te voeren die een mens kan uitvoeren. In tegenstelling tot zwakke AI, die gespecialiseerd is in één specifieke taak, kan sterke AI begrijpen, leren, aanpassen en implementeren van kennis van de ene naar de andere domein.
Het uiteindelijke doel van sterke AI is om menselijke cognitie zo dicht mogelijk na te bootsen, met het vermogen tot algemene kennis, probleemoplossing, besluitvorming, abstract denken, leren uit ervaring, en zelfbewustzijn.
Op dit moment bestaat sterke AI nog niet, en het blijft grotendeels in het rijk van theorie en speculatie. De uitdaging voor sterke AI is niet alleen het verwerken van grote hoeveelheden informatie (zoals bij zwakke AI), maar ook het begrijpen en leren op een algemeen niveau, buiten gespecialiseerde domeinen.
Het idee is dat sterke AI zou werken door het uitvoeren van zeer complexe berekeningen en het modelleren van menselijke cognitieve processen, zoals perceptie, geheugen, aandacht en taalverwerking. Sterke AI zou ook moeten kunnen omgaan met onzekere en ambiguë informatie, en het nemen van beslissingen in complexe, real-world situaties.
Het concept van sterke AI werd geïntroduceerd door de filosoof John Searle in de jaren '80, als tegenhanger van het concept van zwakke AI. Het idee van machines die menselijke intelligentie evenaren of overtreffen, is echter al veel ouder en kan worden teruggevoerd op de vroege dagen van de computerwetenschap en sciencefiction.
Het idee van sterke AI heeft veel aandacht gekregen in zowel academische als populaire contexten, met discussies over de technische haalbaarheid, ethische implicaties, en mogelijke tijdschema's voor de ontwikkeling van sterke AI.
Het creëren van sterke AI is een van de grootste onopgeloste problemen in de computerwetenschap. Er zijn verschillende benaderingen voorgesteld, variërend van het verbeteren van bestaande machine learning technieken tot het proberen om de menselijke hersenen in detail te modelleren.
Een van de grootste uitdagingen bij het creëren van sterke AI is het probleem van "algemeen leren" of "transfer leren", het vermogen om kennis opgedaan in één context te gebruiken in een andere. Hoewel er enige vooruitgang is geboekt op dit gebied, zijn we nog ver verwijderd van systemen die echt algemeen kunnen leren zoals mensen dat doen.
Een andere uitdaging is het bouwen van systemen die begrijpen en redeneren over de wereld, niet alleen het herkennen van patronen in data. Dit kan onderzoek vereisen naar nieuwe soorten algoritmen en computationele modellen.
Het maken van sterke AI zal waarschijnlijk een interdisciplinaire inspanning vereisen, met bijdragen van informatica, neurowetenschap, psychologie, linguïstiek en andere velden. Het is een gebied van actief onderzoek en er is nog veel dat we niet weten.