Mythe #1: AI gaat enkel over data en algoritmen
Voor wie nog in de 20e eeuw leeft: "ja". Tot en met de AI-hype in de jaren negentig was kunstmatige intelligentie een wetenschappelijke discipline die zich vrijwel uitsluitend bezighield met data en algoritmen. In de afgelopen decennia is het veld echter volwassen geworden en vormt AI een integraal onderdeel van geautomatiseerde beslissystemen in de kern van wat we als individuen en organisaties doen. Met als logisch gevolg dat menselijke en procesgerelateerde aspecten een belangrijk onderdeel zijn geworden voor zowat alle AI-onderzoek, -ontwikkeling en -implementaties. Ik herinner me een zakelijk gesprek met een groot bedrijf waarin we spraken over geautomatiseerde systemen en datagestuurde oplossingen die, gevoed door klantgegevens en slimme sensoren, de ervaring van hun klanten konden verbeteren. Na zowat een uur vroegen onze gesprekspartners aan de andere kant van de tafel: "Dit ziet er allemaal veelbelovend uit, maar moeten we ook eens niets doen met AI?" En dat terwijl alles wat we al hadden besproken inherent mogelijk werd gemaakt door AI-implementaties. Maar omdat we de term zelf niet hadden gebruikt, was dit niet helemaal duidelijk voor de managers met wie we spraken. Het is een mooie anekdote die enerzijds de legitimiteit van hun vraag illustreert op basis van veronderstellingen uit het verleden en anderzijds een bewijs is dat we AI kunnen "verkopen" zonder het te moeten inzetten als marketingterm of hippe slogan.
Omdat AI integraal deel uitmaakt van automatische beslissingssystemen, is de ontwikkeling in toenemende mate gedreven door mens- en procesgerelateerde aspecten.
Mythe #2: Ik heb een massa gegevens, dus er moet iets mee te doen zijn
Opnieuw zou mijn eerste antwoord “ja" kunnen zijn. Net zoals je – met wat geluk en de juiste vaardigheden - waarschijnlijk een acceptabele maaltijd kunt maken met ingrediënten die uit een willekeurig gevulde koelkast komen. De belangrijkere vraag is echter: "Wat wil je ermee bereiken?". In het voorbeeld van de koelkast kan het een effectieve oplossing zijn als je een keer snel wat magen moet vullen en geen tijd meer hebt om te gaan winkelen. Maar ik zou niet adviseren om op basis van dit principe een restaurant te beginnen. Hetzelfde geldt voor AI-projecten; en waarschijnlijk nog sterker, omdat ze van gegevensselectie tot implementatie veel meer middelen vragen dan het koken van een maaltijd. Daarom moet elk AI-project uitgaan van een bedrijfsvraagstuk en niet van de gegevens.
Mythe #3: Ik heb een top data scientist aangeworven, dus vanaf nu zit mijn bedrijf gebeiteld
Om in de metafoor van het restaurant te blijven heb ik dan volgende vraag: “Als je een sterrenchef in dienst neemt om wortelen te snijden en aardappelen te wassen, zal die dan gemotiveerd zijn om te blijven en je restaurant op de kaart te zetten?” Hetzelfde geldt voor datawetenschappers. AI is veel meer dan enkel de complexe algoritmes en ingenieuze data-analyses. Er komt ook heel wat ander werk bij kijken zoals het harmoniseren, opschonen en voorbereiden van de nodige datasets. Voor deze essentiële voorbereidingen en ondersteuningen klop je beter aan bij een data ingenieur dan bij een datawetenschapper. En minstens even belangrijk zijn ook alle niet technische competenties die om de hoek komen kijken. De adoptie van AI in de industrie blijft momenteel hangen op zo’n tien procent. En dat heeft veel te maken met het feit dat nog te veel AI-projecten worden aangevlogen vanuit de technische kant en te weinig aandacht hebben voor zaken als feedback van en draagvlak bij de betrokkenen en eindgebruikers. Elk zichzelf respecterend AI-team bestaat dan ook niet alleen uit datawetenschappers en ingenieurs, maar bouwt ook op experts en expertise in psychologie, sociologie, bedrijfsvoering, juridische en ethische aspecten en betrekt ook de eindgebruiker actief van bij de start van elk project.
Vaardigheden die managers denken nodig te hebben in de komende vijf jaar (bron: Accenture – ©hbr.org)
Mythe #4: AI is een zwarte doos, dus ik kan nooit begrijpen en vertrouwen wat het doet
Hoewel er - helaas - een gedeeltelijke waarheid schuilt in deze uitspraak, beschouw ik het toch als een mythe die dringend ontkracht moet worden. En in eerste instantie mogelijk zelfs richting de AI-ontwikkelaars zelf.
“Ja”, er zijn (en ontstaan) helaas nog veel AI-implementaties waarvan de interne logica achter hun beslissingen (al dan niet bewust) ontoegankelijk zijn voor buitenstaanders. Ter verdediging claimen dat ook menselijke beslissingen niet altijd te doorgronden zijn, zou een te gemakkelijke uitweg zijn. Dus ja, ook ikzelf weeg voortdurend het vertrouwen af dat ik aan dergelijke systemen wil geven.
Belangrijker is echter het feit dat er tal van mogelijkheden voorhanden zijn om dit beter te doen. We hebben er zelfs een term voor: "verklaarbare AI". Dit zijn implementaties die niet alleen hun beslissingen presenteren, maar ook een uitgebreid inzicht geven in de redenen waarom deze beslissing is genomen. Een voorbeeld: een medisch AI-algoritme kan een arts helpen bij het stellen van een diagnose (bijvoorbeeld voor het opsporen van een tumor), omdat het veel efficiënter door duizenden patiëntendossiers en wetenschappelijk papers kan scannen dan eender welke arts of mens. Toch moet de arts altijd kunnen begrijpen waarom het algoritme een specifiek element op een medische scan of beeld al dan niet als tumor herkent. Op deze manier behoudt de arts de uiteindelijke controle om de voorgestelde diagnose te bevestigen of te weigeren. En dit op basis van de contextuele en medische ervaring die een AI-systeem nooit zal kunnen evenaren.
Hoewel er een groot aantal bouwblokken beschikbaar zijn om beslissingen van AI te verklaren, stel ik vast dat AI-ontwikkelaars daar niet altijd van op de hoogte zijn; of simpelweg niet de tijd nemen (of krijgen) om deze bouwblokken te integreren in hun eindoplossing. Hier ligt volgens mij een grote en gedeelde verantwoordelijkheid bij alle betrokken stakeholders om de tijd en middelen te op te eisen waardoor verklaarbaarheid bij elk AI-project van bij de start kan meegenomen worden.
Mythe #5: Ik kan niks met AI vanwege de privacywetgeving
Een aantal mensen beweert dat de privacyregels de mogelijkheden om met AI te werken in de weg staan. Denk aan de Europese algemene verordening inzake gegevensbescherming (GDPR). Het tegendeel is echter waar. De regelgeving, waarvan GDPR een voorbeeld is, biedt een kader dat beschrijft hoe je gegevens kán verzamelen, beheren en uitwisselen. In plaats van te verbieden, maakt het dus gegevensverwerking mogelijk en zorgt het er meteen ook voor dat, als het gebeurt, het ook gebeurt met respect voor de rechten en standpunten van alle betrokkenen en belanghebbenden.
Dat gezegd zijnde, ben ik me er terdege van bewust dat er een andere kant is aan het verhaal. Zo nemen burgers en consumenten, zoals ik er mezelf ook op betrap, niet altijd de tijd om zich volledig in hun rechten te verdiepen en klikken ze te gemakkelijk op "accepteer alle cookies". Het is maar één voorbeeld waarom GDPR op zichzelf niet zal leiden tot de bevredigende situatie waar we allemaal op hopen. Daarom ook dat in Europese initiatieven zoals GAIA-X vertegenwoordigers uit de politiek, het bedrijfsleven en de wetenschap voorstellen uitwerken voor de volgende generatie data-infrastructuur voor Europa. Een die specifiek gericht is op meer gegevensonafhankelijkheid en toch innovatie bevordert.
Een aanvullend initiatief op wereldschaal zijn de standaarden die voortvloeien uit Solid. Solid is gestart en geleid door Tim Berners-Lee (de uitvinder van het wereldwijde web) en met teamleden van over de hele wereld (zoals Ruben Verborgh, Professor gedecentraliseerde technologie en onderzoeker bij IDLab, een imec onderzoeksgroep aan de Universiteit Gent). Het initiatief wil het evenwicht herstellen tussen het delen van data en dataprivacy. Het uitgangspunt is dat data niet altijd op een centrale server moet staan, maar kan opgeslagen blijven in de buurt van waar het ontstaat. En dat de eigenaar ervan vervolgens in meer of mindere mate kan bepalen waar de data naartoe mag reizen en wie er gebruik van mag maken. Een beetje zoals een slider die je als eigenaar van de data in beide richtingen kan schuiven.
Het is door dit soort initiatieven, en ook de talrijke ethische comités op nationaal en internationaal niveau, dat ik vrij optimistisch ben over de rol van de wetgeving in de context van AI. Ik vergelijk het vaak met de automobielindustrie. Sinds de begindagen van de auto (en nu nog steeds) gebeuren er veel ongelukken. En ondanks alle verkeersregels, boetes, preventiecampagnes en veiligheidssystemen blijven automobilisten te hard of dronken rijden. Toch heeft dit nooit geleid tot een verbod op auto’s. En gelukkig maar, want de toegenomen mobiliteit en bewegingsvrijheid ligt ook aan de basis van veel technologische en maatschappelijke vooruitgang. Deze voortdurende zoektocht naar de juiste balans tussen het bevorderen van de positieve effecten en het beteugelen van de negatieve zou wat mij betreft ook een ideale situatie zijn voor de voortdurende ontwikkeling van AI. Want het laatste wat we willen, is dat de wet het gebruik van AI zou verbieden.
Want to know more?
- Imec’s webpagina over AI: Artificiële intelligentie | imec Vlaanderen.
- Boek “Mens versus machine”, geschreven door Geertrui Mieke De Ketelaere: G M De Ketelaere - Book.
- Artikels (in het Engels) in Harvard Business Review: Building the AI-Powered Organization (hbr.org) en How Artificial Intelligence Will Redefine Management (hbr.org)
