Door: Hans Timmerman, CTO Dell EMC Nederland
De ontwikkelingen op het gebied van kunstmatige intelligentie gaan snel. Zowel de kosten voor processorcapaciteit als voor data-opslag nemen nog steeds af, waardoor steeds meer data steeds sneller kan worden verwerkt. Dataverwerking is een belangrijke basis van intelligentie: heel snel heel veel mogelijkheden beoordelen en zo snel mogelijk de juiste kiezen. Dit moet natuurlijk wel gebaseerd zijn op juiste data en algoritmen, anders krijgen we GIGO: Garbage In, Garbage Out, een serieuze Big Data uitdaging.
Om voertuigen autonoom te laten rijden, is real time veel juiste data nodig. En juist daar knelt de schoen vaak: wat is juiste data? Of beter gezegd: welke data is goed genoeg? Hoeveel data is er nodig om statistisch correct te zijn? En hoe oud is die data? Kan die intussen veranderd zijn? Daarnaast is natuurlijk de correctheid van het algoritme dat wordt gebruikt om met die data een voorspelling te doen en beslissingen te nemen belangrijk.
Autonoom rijden
Hoe eenvoudiger en minder risicovol het is om een voertuig te besturen, des te eerder zal het autonoom kunnen voortbewegen. Het autonoom laten bewegen van een trein of metro is relatief eenvoudig. De rails laten immers weinig vrijheid toe en de wissels kunnen op afstand worden bediend. En het is mogelijk om een failsafe systeem te bouwen dat altijd een trein of metro tot stilstand kan brengen, al was het maar door de externe energiebron uit te schakelen.
Maar een voertuig met een interne energiebron kan onbedoelde bewegingen maken. Zeker als het ook de vrijheid heeft om de weg of de route te kiezen. Nu is het gebruik van de autopiloot bij vliegtuigen een algemeen aanvaarde techniek. Maar bedenk dat, op drones na, elk vliegtuig nog altijd een ervaren piloot aan boord moet hebben. Verder is er een verkeersleiding die zorgt dat het luchtruim rond het vliegtuig vrij is en bij start en landing bestaan strikte regels en procedures. Daarnaast kan een vliegtuig in de lucht niet makkelijk ‘van de weg raken’, een toevallige passant aanrijden of dankzij de verkeersleiding een tegenligger over het hoofd zien.
Chaos
Eigenlijk is het besturen van een voertuig op de weg een redelijk chaotische opgave en daar zijn we als mens enorm goed in. Wij kunnen met gemak onze fiets of auto door hectische files, verkeersknooppunten en zelfs opstoppingen en voetgangersgebieden manoeuvreren. Wij hebben als mens vaak oogcontact met onze medeweggebruikers: we ‘zien’ wat een ander van plan is. We begrijpen als mens tot mens waar de ander naar toe wil. Ga dat maar eens met kunstmatige intelligentie uitvoeren.
Natuurlijk kan een digitaal voertuig andere digitale voertuigen vertellen en uitleggen wat het doel, de route, huidige locatie, richting en de snelheid is. Dit geldt echter voor een systeem waar alleen maar digitale voertuigen aanwezig zijn. Zodra daar zich ook maar één mens tussendoor beweegt, wordt het al snel een chaos. Mede omdat wij mensen niet alleen met chaos om kunnen gaan, maar zelf ook chaotisch kunnen handelen. En dat snappen machines niet, dus die vallen terug op veilige uitgangspunten. Als je niet zeker weet of je door kunt rijden, blijf je wachten. Op een drukke gracht in Amsterdam kan dat lang duren.
Huidige auto’s
Onze huidige auto’s hebben hulpmiddelen gekregen waardoor zij op logische en voorspelbare plaatsen taken van de bestuurder kunnen overnemen. Op een snelweg, met de juiste veilige afstand tussen de voertuigen en duidelijke belijning op de weg, kan een auto zelfstandig rijden. Een iets slimmere cruise control, maar dit valt beslist nog niet onder autonoom rijden. Er kunnen zoveel onverwachte en plotselinge gebeurtenissen plaatsvinden, dat nog altijd het menselijke vernuft aanwezig moet zijn om eindbeslissingen te nemen.
Natuurlijk kan een systeem veel meer afwegingen maken in een panieksituatie dan een mens. In een eerdere blog over kunstmatige intelligentie schreef ik over de voortgang van de software die bij een potentiële aanrijding de ethische beslissing kon nemen wie het beste aan te rijden. Die de chauffeur ondersteunt bij die beslissing of zelfs die beslissing voor hem of haar uitvoert. Maar de vraag is of we dat willen. Niet alleen op basis van moraal, maar ook op basis van aansprakelijkheid. Ik eindigde genoemde blog ook met de zin: ‘Hebben wij überhaupt zelf wel voldoende wijsheid om die wijsheid ook aan machines te geven?’
Experimenten
Aan het begin van een tijdperk met nieuwe techniek willen we bewijzen dat die techniek grensverleggend kan zijn. In de jaren zestig stelde president Kennedy dat we naar de maan en weer terug konden. We hebben dat bewezen met een computer die minder rekenkracht had dan mijn huidige mobiele telefoon. Een huzarenstukje. We wilden een passagiersvliegtuig bouwen dat supersoon kon vliegen. De Concorde was een huzarenstukje van techniek, ik heb de ingenieurs die het vliegtuig ontwierpen en bouwden nog persoonlijk gekend.
Maar vliegen we nu nog steeds naar de maan en terug? En hebben we passagiersvliegtuigen die supersoon vliegen? Nee. Waarom niet? Omdat het duur, gevaarlijk en uiteindelijk niet handig was op de manier waarop we het konden. Omdat het technische hoogstandjes waren om te kijken hoever we de techniek voor ons in konden zetten. Maar het was beslist geen slimme, goedkope en efficiënte wijze van vervoer.
Grenzen aan de techniek
We weten steeds meer van de natuur, scheikunde, materialen en informatie. Maar we weten ook nog steeds niet wat we niet weten. Daarnaast is onze kennis vaak nog lang niet voldoende om daar algemeen aanvaarde en betaalbare techniek mee te ontwikkelen, te bouwen en in bedrijf te houden. Dat zou op het gebied van kunstmatige intelligentie ook wel eens zo kunnen zijn.
Aan het begin van het informatietijdperk – in de jaren zeventig – droomden we over de ontwikkeling van kennissystemen. Nu, vijftig jaar later, kunnen we zeker kennissystemen bouwen, maar nog steeds niet op de wijze hoe we daar vijftig jaar geleden over droomden. In de keten data -> informatie -> kennis -> wijsheid -> intelligentie zijn we nu aangekomen bij het bouwen van kunstmatige ‘wijsheid’. Wijsheid is het actief kunnen toepassen van kennis over verschillende gebieden. Een beetje de richting waar onze machine learning naartoe gaat: het op strikt aangewezen gebieden toepassen van opgedane kennis voor die specifieke toepassing.
Intussen zijn we op diverse gebieden met mooie projecten bezig om onze technische verworvenheden te toetsen en bewijzen. Zoals hoe Elon Musk met succes zijn Falcon heavy raket lanceert en hoe deze weer terugkeert op aarde. Of hoe Boston Dynamics fantastische robots ontwikkelt die bijna menselijke elegantie krijgen. Onze voertuigen zullen steeds vaker en op meer plaatsen schijnbaar autonoom kunnen bewegen, mits er een mens aanwezig blijft om in te grijpen als de simpele situatie iets te veel chaos oplevert. En daarvoor zijn machines natuurlijk prima: het geestdodende werk van ons overnemen. Maar als het serieus wordt, zullen we als mens nog lange tijd zelf de stuurknuppel moeten bedienen.