Geschreven door: Casper Frericks (Developer)

ARTIFICIAL INTELLIGENCE IS EVERYWHERE 

Waren we een paar weken geleden nog op de Big Data Expo in de Jaarbeurs te Utrecht, bevinden wij ons inmiddels op de World Summit AI op het Westergasterrein te Amsterdam. We kunnen er niet meer om heen, Artificial Intelligence is overal. En waar de Big Data Expo zich voornamelijk concentreerde op big data en data analysis, biedt de World Summit AI een patform voor de meest uiteenlopende praktijken van AI. Deze summit een groter broertje van de expo noemen is een understatement. Een hele grote volwassen broer is het juiste woord. Mensen van over de hele wereld, met allerlei culturele en etnische achtergronden verzamelen hier om te leren, luisteren en te laten inspireren door bedrijven die AI ademen. We hebben het dan over global enterprises waaronder Facebook, Google, Intel, Amazon en eBay. Aan grote namen geen gebrek.

In de hoofdzaal hangen drie mega grote schermen waar elke thuisbioscoopfanaat zijn vingers bij aflikt. Deze zaal zal voornamelijk de grootste sprekers ontvangen en de discussion panels voeren. We starten de dag met een uiterst gelikt filmpje over AI waarna de openingsspeech begint door een BBC presentatrice. Wat volgt zijn een aantal van de mooiste uren van mijn leven.

Making tomorrow’s most powerful technologies beneficial – human compatible AI

Alles wat we nu hebben is het product van intelligentie. Zo stelt Stuart Russell, CEO van aFrogleap. Toegang tot een nog grotere bron van intelligentie zou een immense verandering teweegbrengen in de wereld zoals wij die kennen. Maar elke verandering die plaats vindt moet de mensheid verder helpen. We worden daarnaast bang gemaakt voor veranderingen die onze levenswijze negatief zullen beïnvloeden. Verhalen als “over 20 jaar halveert AI het aantal banen wereldwijd” en “de machine zal het einde van de mensheid betekenen”. Toch denkt Fussel dat het niet zo ver zal komen zolang we maar goed blijven nadenken welk doel wij een machine geven. En als we dan toch uiteindelijk slagen echte Artificiële Intelligentie te creëren, wat dan? Als je die vraag niet kan beantwoorden, dan moet je terug naar de tekentafel, zo beweert hij.

In Conversation: Digital Citizen Fund

Eén van de meest impactvolle momenten van de dag was de presentatie van 6 Afghaanse meisjes die de kans gekregen hebben om te studeren en onderzoek te doen naar Robotica. Royah Mahboob is de CEO van Digital Citizen Fund, een non-profit organisatie dat meisjes en vrouwen in ontwikkelingslanden hulp biedt zich te ontwikkelen op technologisch gebied om zo te voldoen aan de vooruitstrevende wereldwijde arbeidsmarkt. In een land waar vrouwen beduidend minder rechten dan mannen zijn deze organisaties er om hen verder te helpen. De 6 meisjes spraken zelf geen Engels maar tijdens in het Afghaans vertelde verhaal van een van hen werden achtergrond beelden met ondertitels getoond. Haar vader is niet lang geleden omgekomen in Afghanistan door IS terreur. Emotioneel stonden alle 6 meisjes tranend op het podium voor een Westers volk dat naar mijn idee zoiets nog nooit gezien heeft. Een minuten lang durende staande ovatie van het hele publiek volgde. Een bijzonder moment dat ik niet snel meer zal vergeten.

How eBay applies deep science to everyday commerce

Niet lang erna volgde eBay. Deze naam vergt geen introductie. Het wereldwijde shopping platform is globaal bekend en is zelfs binnen de groten der e-commerce een reus. Voor hen is het een absolute must om de nieuwste technieken van Artificiële Intelligentie te innoveren en toe te passen om altijd een stap verder dan rest van de markt te blijven.

RJ Pittman en Japjit Tulsi leggen de nadruk op het belang van het opbouwen van relaties met je gebruikers. Deze moeten menselijk, slim en persoonlijk zijn. Om dit te bereiken is een begrip van conversationele, visuele en emotionele gebruikersinformatie vereist, als ook een vloeiende gebruikerservaring van hun webwinkel.

Een voorbeeld hiervan is het aanbieden van de mogelijkheid om de webwinkel te benaderen via touch (telefoon), tekst (ShopBot), Voice (voicechat) en emotie (emojis als representatie van een emotie). Door deze vervolgens zeer nauwkeurig te analyseren verkrijgt eBay een accuraat profiel van de gebruiker en kan daarmee het aanbod nog persoonlijker worden weergegeven. Een van hun meest recent lopende projecten om hierop in te spelen is de zojuist al genoemde ShopBot. Zeker de moeite waard om even een kijkje te nemen: https://shopbot.ebay.com/

Using Natural Language Interaction to speak to your customer

Natural Language is een groot onderzoeksgebied binnen de AI. Het leren van de menselijke taal door machines gebeurt wereldwijd al veelvuldig door leersystemen van grote bedrijven waaronder IBM Watson’s Conversation, Google Home en Amazon Echo (Alexa). Maar ook kleinere bedrijven vinden hun weg in het analyseren van tekst en geluid om zo extra interactie met de gebruiker mogelijk te maken. Eenvoudig is dat echter niet. We kunnen het ons niet altijd voorstellen hoe complex taal kan zijn. Zeker voor een machine welke structuur probeert te zoeken in de chaos van de grammatica met al diens uitzonderingen. We hebben wereldwijd meer dan een miljoen manieren om “ja” te zeggen. En een “ja” is niet altijd een positieve uitdrukken. Ja, ik wil mijn bestelling annuleren heeft bijvoorbeeld een negatieve impact op je business.

Toch wordt de vraag vanuit de mens steeds groter om ook op conversationeel vlak te kunnen interacteren met technologie. Lawrence Flynn, CEO van Artificial Solutions, geeft als voorbeeld dat we met onze auto zullen communiceren als ware het een eigen persoon. We zullen converseren of de af te leggen kilometers afstand of de staat van (elektronische) brandstofvoorziening. Vier factoren die het succes van dit concept zullen bepalen zijn het opleveren van een intelligent en capabel gespreksinterface, het toevoegen van waarde voor de gebruiker en het analyseren en gebruiken van de vergaarde gespreksdata om uiteindelijk een sterk platform in de markt te kunnen zetten.

Building the next generation of recommendation systems linking visual search

Pinterest’s Dmitry Kislyuk vertelt een wat technisch inzichtelijker verhaal over hoe zijn bedrijf Visual Search toepast om zo de interactie voor zijn gebruikers te herdefiniëren. Hij stelt dat de gemiddelde bezoeker steeds complexere zoekopdrachten verlangt. Wanneer er afbeeldingen worden gezocht van een object waarvan bekend is dat de gebruiker deze mooi of praktisch vindt, dan wil de gebruiker meer van dezelfde soort objecten zien. Dat betekent niet alléén meer tafels. Maar tafels met dezelfde kleur. En zelfs met dezelfde structuur en textuur.

Machine leertechnisch is dit een steeds ingewikkelder wordend proces. Om bij het voorbeeld van de tafel te blijven, moet een machine dus van een afbeelding de kleur, de vorm, de semantiek van het object zelf (het is een tafel) en textuur ervan leren en dit vergelijken met andere afbeeldingen van tafels om zo tot een goed zoekresultaat te komen. Dit vergt multi-tasked leervermogen. Kislyuk geeft een schematisch overzicht van Convolutional Neural Network, een netwerk dat zich bewezen heeft uiterst efficiënt afbeeldingen te kunnen classificeren. Hij legt de uitdaging uit over het kunnen determineren van visuele gelijkheid over miljarden afbeeldingen. Deze vooruitgang in de ontwikkeling van dit leervermogen heeft geleid tot een systeem waarmee real-time object detectie mogelijk is geworden.

User Experience vs. Artificial Intelligence

Gebruikerservaring is voor de E-commerce minstens zo een belangrijk onderwerp. Bart Fussle, CEO van aFrogleap, legt uit dat AI niet altijd vanzelfsprekend de gebruiker de ervaring biedt welke deze zich wenst. De factoren die bepalen hoe goed dit gebeurt zijn te verdelen over de hoeveelheid invloed dat op het systeem uitgeoefend kan worden en de hoeveelheid transparantie dat het systeem geeft. Om een voorbeeld te visualiseren nemen we een aanbevelingssysteem (bijvoorbeeld Spotify).

Als een systeem aanbevelingen voorschotelt waarvan het wel transparant is hoe deze zijn ontstaan, maar je er geen invloed op hebt, belandt de gebruiker in de Frustration Zone. Je weet hoe het werkt maar je hebt er geen invloed op. Daartegenover staat dat het wel kunnen beïnvloeden van de keuzes van een systeem, maar het gebrek aan transparantie de gebruiker in de Zone of Paralysis brengt. Je kan wel keuzes maken die het systeem meeneemt, maar waarom die vervolgens een aanbeveling doet blijft onduidelijk. En in het ergste geval laat het aanbevelingssysteem zowel geen invloed van de gebruiker toe en geeft het geen transparantie van zijn werking. Dit heeft de Blind Zone en zal door geen enkele gebruiker als prettig worden ervaren. Immers, wat moet je met een systeem dat de keuzes voor jou maakt om geen reden? Een voorbeeld van een dergelijk systeem is Google Camera. Deze bepaalt zelf wanneer het foto’s maakt. Dit kan uiteraard bijzondere beelden opleveren, maar voor hetzelfde geld beelden waar jij helemaal geen waarden aan hecht.

De oplossing hiervoor is duidelijk en simpel: zorg ten alle tijden voor een feedbackloop. Of dit nou interactief door de gebruiker gebeurd of automatisch, een gebruiker wil het idee hebben dat zijn keuzes uitmaken en ook begrijpen dat aan de hand van zijn keuzes, het systeem hier een aanbeveling op doet.

How Netflix optimises customer recommendation, personalisation and search

Voor Netflix is het voorgaande onderwerp uiterst relevant. Hun business bouwt nagenoeg op de voorkeuren van hun gebruikers en op basis van deze gegevens bieden zij hun content aan en kopen zij inspelend op de markt de juiste series en films in.

Dat de mogelijkheid van het geven van feedback pas van recente tijd is valt te begrijpen meent Tony Jebara, Head of Machine Learning bij Netflix. Tony kon helaas niet aanwezig zijn maar wordt via een Skype connectie met de zaal verbonden. Hij geeft als voorbeeld dat, toen men vroeger alleen nog maar boeken las als mediaconsumptie, dit een eenzijdige story-telling gaf. De gebruiker kon de auteur niet direct via het boek zijn feedback geven. Zo ook met de daarna volgende TV. De gebruiker keek weliswaar TV maar feedback vanuit de gebruiker was alleen in kijkcijfers uit te drukken. Met de komst van internet media is er veel meer mogelijk. Een netflix serie pauzeer je, stop je, kijk je af, deels of helemaal niet. Dit alles vertelt een verhaal aan Netflix waaruit het opmaakt wat je voorkeuren zijn.

Nog wat bijzonderder om te zien is dat Netflix hier nóg een stap verder in gaat. Zo heeft het bijvoorbeeld voor dezelfde film meerdere banner afbeeldingen. Deze afbeeldingen worden getoond op basis van bijvoorbeeld jouw genre voorkeur. Heb je hiervoor veel van het actie genre gekeken? Dan is de weergegeven banner eentje van een actieshot. Terwijl iemand die vooral drama kijkt, een dramatische banner krijgt van precies dezelfde film.

Future directions in AI and machine learning

Neurale netwerken zijn eigenlijk al lang geleden bedacht. Maar waarom is het dan sinds kort pas zo’n enorme hype? Dit komt omdat er recentelijk kleine toevoegingen en/of aanpassingen zijn geweest die het hele concept zo sterk heeft verbeterd dat het eindelijk toepasbaar is geworden.  Er was simpelweg te weinig data en (machinale) rekenkracht voor handen. Inmiddels hebben we massale serverparken vol met data, grafische kaarten met explosieve rekenkracht. Daarbij worden er continu nieuwe Open Source projecten in de AI gestart waar de hele wereld aan bijdraagt. Gepaard met de grote investeringen die het bedrijfsleven in deze techniek heeft gebracht heeft dit gezorgd voor dit grote AI tijdperk.

Zoubin Ghahramani, chief scientist bij Uber vertelt ons over de richting waar AI en Machine Learning heen gaat. Maar niet zonder ons te herinneren dat Neurale Netwerken, hoe erg deze onze verbeelding ook aanspreken, aan het eind van de dag slechts wiskundige vergelijkingen blijven. Non-lineaire functies met een laagje statistiek en optimalisatie erover. Er bestaan inmiddels tientallen vormen van Machine Learning, elk met hun eigen kracht en ook zwaktes. Veel van deze methoden hebben ook nog eens overeenkomende of aangrenzende velden met elkaar. Door het combineren van deze methoden wordt een systeem steeds geavanceerder. Uiteraard zijn er ook nog steeds limieten aan machinaal leren.  Ze blijven data-hungry omdat ze enorm veel voorbeelden nodig hebben en ze kosten veel tijd en rekenkracht om goede modellen te maken.

En zelfs als we dat allemaal zijn overkomen, zijn we er nog niet. Een Deep Learning systeem – Deep Learning is een onderdeel van Machine Learning – is namelijk nog steeds niet goed in het voorspellen van onzekerheid. En leren en acteren op onzekerheden is wat de nieuwe AI moet gaan definiëren. We hebben een systeem nodig dat weet, dat het niet weet.

The power and limits of deep learning

Deze boodschap van Ghahramani wordt in grote lijnen nogmaals benadrukt op de allerlaatste spreker die wederom via Skype in verbonden wordt. Yann LeCun, gevierd computer wetenschapper en “vader” van de Convolutional Neural Networks, welke we hiervoor al hebben besproken is naast Silver Professor aan de New York University ook Director AI Research bij Facebook.

LeCun geeft vooral de bezoekers van de World Summit AI nog een aantal gedachten mee. Met genoeg (reken)kracht en training voorbeelden zal een machine objecten kunnen herkennen uit beelden die het nog niet eerder heeft gezien. Steeds complexere neurale netwerken, neurale netwerken óp neurale netwerken, zullen steeds ingewikkelder en uitgebreidere inferenties kunnen maken. De vele Open Source projecten bieden iedereen toegang om Machine Learning te leren en toe te passen voor welke use case dan ook. Machine Learning zal daarom blijven groeien en met de jaren krachtiger worden dan ooit.

Waarna hij vervolgens een slide toonde dat de hele zaal op zijn kop zette. De slide toonde een conversatie tussen hem Josh Tennenbaum en begon met “All of these AI systems we see, none of them is ‘real’ AI”. We hebben hiervoor al aangeduid dat Machine Learning uiteindelijk wiskundige formules zijn. Toch is het in staat om te leren. Maar ons menselijk brein leert met een efficiëntie dat nog geen enkel Machine Learning systeem kan evenaren. Wij kunnen met veel minder voorbeelden in een (relatief) veel kortere periode nieuwe concepten leren. En wij kunnen conclusies trekken over onzekerheid door voorspellingen. Hetgeen Machine Learning nog niet kan. Het is wachten op het eerstvolgende Learning paradigma dat voorspellende model kan maken over de wereld door observatie en actie, in plaats van voorbeelden en evaluatie.

Wil dat zeggen dat al het onderzoek dan nergens goed voor was? Uiteraard niet. De ontwikkelingen binnen Machine Learning hebben ons gebracht waar we nu zijn en gaan ons nog veel verder brengen. En wie weet creëren we hierdoor een nog grotere vorm van intelligentie.

Mail marketing@experius.nl

Phone 030-8200238