Adrian Zidaritz, auteur van AIbluedot.com – Interviewreeks

Adrian Zidaritz is de auteur van AIbluedot.com, een blog die een overzicht biedt van AI, met een mengeling van wiskunde, ethiek, politiek en “alles” daartussen. Hoewel de artikelen een minimale hoeveelheid technisch materiaal bevatten, zijn ze niet gericht op specialisten, maar op het algemene publiek. AI wordt door niet-specialisten vaak verkeerd begrepen en wordt in de media EITHER gehypet of afgebroken; het is echter de meest gevolgrijke technologie in onze huidige tijd.

Wat trok je aanvankelijk aan bij AI?

AI-ontwikkeling vereist een breed scala aan expertise, in tegenstelling tot elke andere moderne technologie. Het voedt zich met onderzoek uit statistiek, neurowetenschap, toegepaste wiskunde, informatica, softwareontwikkeling, psychologie, enz… Die uitdaging is wat me aantrok, in combinatie met het feit dat ik het geluk had om in mijn vorige carrière met veel van deze gebieden te hebben gewerkt: wiskunde, informatica, softwareontwikkeling, statistiek.

Je hebt een uitgebreide carrière achter de rug in AI. Kun je enkele van deze highlights bespreken?

Dit is in zekere zin een voortzetting van vraag 1. Bijna elk middelbaar persoon dat in AI werkt, komt van elders. Tot ongeveer 2005 was er geen AI (overigens is het succes van AI voornamelijk te wijten aan neurale netwerken = diepe leer, alle andere technieken zijn daarbij vergeleken niet significant; dus wanneer we over AI spreken, bedoelen we diepe leer). Als gevolg daarvan brengen velen van ons die in AI werken unieke perspectieven mee. Ik kom uit een wiskundige achtergrond, gecombineerd met het leiden van praktische AI-projecten, waarbij BigData-engineering een zeer grote rol speelt (soms meer dan 80% van de totale projecttijd). Mijn achtergrond zit tussen de vraag naar de wiskundige fundamenten van AI (zeer theoretisch) en de zeer praktische aspecten van het leiden van teams van datawetenschappers en machine learning-engineers. Er zijn andere onderzoekers die meer weten over de AI-technologieën in het midden van de sandwich.

Je hebt gesteld dat AI in de media EITHER gehypet of afgebroken wordt. Waarom denk je dat er zo’n disconnectie is tussen de media en de werkelijke realiteit van de technologie?

Omdat AI zelfs door sommige mensen die in AI werken, niet goed begrepen wordt, laat staan door de pers. Het is een zeer jonge discipline, met zeer jonge werknemers. De verschillende meningen van deze jonge werknemers komen in de media terecht, waardoor een misalignement van doelen ontstaat. Voldoende om te noemen is de documentaire The Social Dilemma op Netflix (NFLX ), waarin deze conflicterende meningen over AI, vanuit een Silicon Valley-perspectief, goed gedocumenteerd zijn.

Wat is je mening over het zwarte-doos-probleem van diepe leer?

Dat is een groot probleem. We hebben geen theoretische (wiskundige) begrip van het leerproces. We weten niet hoe diepe leer-algoritmes werkelijk leren. We zien alleen dat het werkt. Er zijn natuurlijk pogingen gedaan om een theorie te ontwikkelen, maar geen enkele heeft breed aanvaarding gekregen. Dus in afwezigheid van die basisbegrip, kunnen we alleen zeggen “zie, het werkt”. Maar een white-box-verklaring is onmogelijk op dit moment. Andere algoritmes (niet diepe leer) zijn beter begrepen en voor die algoritmes is het mogelijk om verklaringen van de resultaten te geven. Niet voor diepe leer.

Wat is je mening over AI-vooringenomenheid en hoe voorkomen we die?

Op dit moment is AI allemaal over data, niet over algoritmes. De algoritmes kennen geen vooringenomenheid, de vooringenomenheid zit in de data. De data weerspiegelt de samenstelling van de samenleving en ook de stratificatie van de samenleving, omdat de dataverzameling ook vooringenomenheid bevat. Dit zijn overigens natuurlijk voorkomende, wat moet gebeuren is een geleidelijke inclusie van mensen van alle soorten achtergronden in het dataverzamingsproces, zodat de data een correcte weergave van de bevolking vormt.

Wat voor soort machine learning vind je het meest interessant?

Like I said earlier, machine learning is nu terrein verlies aan zijn meest succesvolle innerlijke tak, diepe leer. Neurale netwerken, door hun veelzijdigheid, domineren.

Je hebt gesteld dat een Universeel Basisinkomen (UBI) absoluut noodzakelijk zal zijn om de banenverliezen die door AI worden veroorzaakt, aan te pakken. Kun je je mening hierover toelichten?

De samenleving zal enorme gevolgen ondervinden van automatisering (toegepaste AI). We hebben de momentous verschuivingen zelfs in de politieke omwentelingen sinds 2016 gezien. Er zal gewoonweg geen weg terug zijn. Veel banen zullen simpelweg verdwijnen. Het heeft geen zin om je te trainen als radioloog deze dagen. AI kan röntgenfoto’s en MRI’s en alle soorten andere afdrukken veel beter lezen dan een mens. Wat zal er gebeuren met mensen wanneer er gewoonweg geen baan is die ze kunnen doen? UBI garandeert dat mensen niet onnodig zullen lijden wanneer automatisering algemeen wordt. En er is geen reden om dat te doen, omdat AI het noodzakelijke werk voor de samenleving om nog steeds te functioneren, zal leveren.

Geloof je dat we ooit Kunstmatige Algemene Intelligentie (KAI) kunnen bereiken?

Ja, veel mensen beweren dat DeepMind’s software al grenst aan KAI. Ik schrijf me niet in voor die mening, maar zelfs voor mij is het antwoord ja. KAI betekent niet emoties of bewustzijn, de I in KAI is simpelweg cognitieve intelligentie. En voor dat niveau van intelligentie lijkt het antwoord ja te zijn.

Geloof je dat er een kans is dat we in een simulatie leven?

Een mogelijkheid? Ja, wat betekent dat de kans dat we in een simulatie leven, niet 0 is. Het is ook intellectueel aantrekkelijk. Maar is het waarschijnlijk? Nee, voor mij is het niet waarschijnlijk, d.w.z. de kans, hoewel niet 0, is heel klein.

Bedankt voor het interview, lezers die meer willen leren over Adrian’s mening over verschillende aspecten van AI, kunnen AIbluedot.com bezoeken.