Boekrecensie: De werelden die ik zie van Dr. Fei-Fei Li

Kunstmatige intelligentie wordt vaak uitgelegd door middel van algoritmes, doorbraken in hardware en de snelle opkomst van krachtige modellen. Wat vaak ontbreekt in dat verhaal is het menselijke verhaal achter de wetenschappers die de basis legden voor de huidige AI-revolutie.

De werelden die ik zie: Nieuwsgierigheid, exploratie en ontdekking aan de dageraad van AI van Dr. Fei-Fei Li vult die leegte prachtig aan. Het boek functioneert tegelijkertijd als een memoire, een geschiedenis van de moderne kunstmatige intelligentie en een reflectie op de verantwoordelijkheid die komt met het bouwen van transformatieve technologieën.

Wat het boek bijzonder aantrekkelijk maakt, is hoe Li twee parallelle verhalen verweeft. Het ene is het verhaal van AI zelf. Het andere is het verhaal van een jonge immigrant die in de Verenigde Staten aankomt en uiteindelijk een van de meest invloedrijke figuren wordt in het veld van computer vision.

Een immigratiejournee die een wetenschappelijke geest vormt

Een van de sterkste elementen van het boek is de diep persoonlijke vertelling die voorafgaat aan Li’s wetenschappelijke carrière.

Li groeide op in China voordat ze als tiener naar de Verenigde Staten emigreerde. De overgang was moeilijk. Haar familie arriveerde met beperkte financiële middelen en moest de uitdaging aanpakken om hun leven van scratch op te bouwen. Tijdens die vroege jaren in Amerika hielp Li haar ouders bij het runnen van een droogcleaningbedrijf, terwijl ze haar opleiding voortzette.

Deze ervaringen vormen een belangrijke basis voor het boek. Ze onthullen de volharding en veerkracht die later haar wetenschappelijke werk zouden definiëren. De memoire romantiseert de immigratie-ervaring niet. In plaats daarvan presenteert het de realiteit van culturele aanpassing, financiële druk en de determinatie die nodig is om academische ambities na te streven in een compleet nieuwe omgeving.

Uiteindelijk werd Li toegelaten tot Princeton University. Haar eerste dagen op de campus worden beschreven met een mengeling van opwinding en ongeloof. Voor iemand die pas onlangs in de Verenigde Staten was aangekomen, vertegenwoordigde Princeton een intellectuele wereld die nog maar een paar jaar eerder bijna ondenkbaar leek.

Die vroege academische ervaringen hielpen de nieuwsgierigheid vormen die de rest van het verhaal aandrijft.

Navragen in een door mannen gedomineerd veld

Een ander thema dat door het hele boek heen loopt, is Li’s ervaring als vrouw in de informatica.

Kunstmatige intelligentie-onderzoek is historisch gezien gedomineerd door mannen, vooral tijdens de vroege jaren van Li’s carrière. Ze vond zichzelf vaak in kamers waar ze een van de weinige vrouwen was. Het boek presenteert dit niet als een dramatisch conflict, maar eerder als een onderliggende realiteit die beïnvloedde hoe ze het veld navigeerde.

Deze ervaringen droegen uiteindelijk bij aan Li’s latere inspanningen om de deelname aan AI te verbreden. Ze werd een pleitbezorger voor diversiteit in het veld en hielp initiatieven creëren die waren ontworpen om meer vrouwen en ondervertegenwoordigde groepen in AI-onderzoek te brengen.

De bredere boodschap die naar voren komt, is dat AI niet door een smalle segment van de samenleving moet worden gebouwd. Als de technologie de wereld gaat vormen, moeten de mensen die het bouwen de wereld weerspiegelen.

Ontdekking van WordNet en het belang van kennisstructuren

Het boek begint diep in de technische geschiedenis van AI te graven als Li een linguïstische database genaamd WordNet tegenkomt tijdens haar academische werk.

WordNet organiseert Engelse woorden in groepen van verwante concepten genaamd synsets. Deze conceptuele relaties kaarten taal op een manier die lijkt op hoe mensen categoriseren en de wereld begrijpen.

Voor Li vertegenwoordigde WordNet meer dan een linguïstisch hulpmiddel. Het onthulde een mogelijke raamwerk voor het leren van machines om visuele informatie te begrijpen.

Op dat moment was AI-onderzoek zwaar gefocust op het verbeteren van algoritmes. Maar Li begon het veld anders te zien. Ze realiseerde zich dat de echte bottleneck in machine learning niet alleen betere modellen waren, maar betere gegevens.

Als computers zouden leren om objecten in de wereld te herkennen, zouden ze toegang nodig hebben tot een enorm aantal gelabelde voorbeelden.

Deze realisatie zou uiteindelijk leiden tot een van de meest invloedrijke datasets ooit gemaakt.

De creatie van ImageNet

Het meest fascinerende deel van het boek draait om de creatie van ImageNet.

ImageNet was ontworpen als een enorme visuele database die machines kon helpen leren om objecten te herkennen. Met WordNet als conceptueel ruggegraat, organiseerde de dataset miljoenen afbeeldingen in duizenden objectcategorieën.

De omvang van het project was ongekend. De dataset bevatte uiteindelijk meer dan veertien miljoen gelabelde afbeeldingen die meer dan twintigduizend categorieën besloegen. Onderzoekers en crowdworkers labelden zorgvuldig de afbeeldingen zodat algoritmes konden leren om objecten zoals dieren, voertuigen, gereedschap en alledaagse voorwerpen te identificeren.

Op dat moment twijfelden veel onderzoekers of een dergelijke dataset nodig was. AI-onderzoek was nog steeds zwaar gefocust op het ontwerpen van slimmere algoritmes in plaats van het verzamelen van enorme hoeveelheden gegevens.

Li had een andere visie. Ze geloofde dat machine learning-systemen alleen konden verbeteren als ze werden getraind op enorme hoeveelheden real-world voorbeelden.

Het boek beschrijft in detail hoe moeilijk het was om ImageNet te bouwen. Het project vereiste jaren van volharding, technisch experiment en grootschalige coördinatie met duizenden bijdragers die hielpen bij het labelen van afbeeldingen.

Het was een enorm project dat aanvankelijk scepsis opwekte binnen de onderzoekscommunity.

De doorbraak die kunstmatige intelligentie veranderde

Het keerpunt kwam met de ImageNet Large Scale Visual Recognition Challenge.

Deze competitie nodigde onderzoekers uit om systemen te bouwen die in staat waren om objecten binnen de enorme dataset te identificeren. Gedurende beberapa jaar was de vooruitgang geleidelijk. Toen, in 2012, overtrof een diep neuronaal netwerk dramatisch eerdere benaderingen.

Die doorbraak demonstreerde de kracht van het combineren van grote datasets met diepe leerarchitecturen. De resultaten schokten de AI-gemeenschap en veroorzaakten een snelle verschuiving naar neurale netwerkmethoden.

ImageNet werd de trainingsgrond die veel van de vooruitgang in computer vision mogelijk maakte die volgde. De dataset hielp de vooruitgang in gebieden zoals beeldherkenning, autonome voertuigen, medische beeldvorming en moderne AI-systemen die zwaar leunen op visuele begrip.

Het boek biedt een zeldzame achter-de-schermen-perspectief op hoe dat moment zich ontvouwde en hoe onderzoekers zich realiseerden dat ze getuige waren van een belangrijke mijlpaal in de geschiedenis van de kunstmatige intelligentie.

Mensgerichte kunstmatige intelligentie

Naarmate het verhaal vordert, begint Li zich te concentreren op de bredere implicaties van de technologie die ze hielp versnellen.

Ze betoogt dat kunstmatige intelligentie fundamenteel mensgericht moet blijven. Het doel van AI moet niet alleen zijn om krachtige systemen te bouwen, maar om ervoor te zorgen dat die systemen de samenleving ten goede komen.

Dit perspectief weerspiegelt Li’s later werk in de academische wereld en het beleid. Ze werd een toonaangevende stem die verantwoorde AI-ontwikkeling bepleitte en hielp initiatieven promoten die waren ontworpen om ervoor te zorgen dat AI met ethische overwegingen in gedachten wordt gebouwd.

Het boek benadrukt dat de toekomst van AI niet alleen door technologische doorbraken zal worden gedefinieerd. Het zal ook worden gevormd door de keuzes die onderzoekers, ingenieurs en beleidsmakers maken over hoe die systemen worden ingezet.

Laatste gedachten

De werelden die ik zie is veel meer dan een memoire over kunstmatige intelligentie.

Het is het verhaal van een jonge immigrant die nieuwsgierigheid nastreeft in een nieuw land. Het is een gedetailleerd verslag van hoe een van de belangrijkste datasets in machine learning werd gemaakt. Het is ook een reflectie op de verantwoordelijkheden die komen met het bouwen van technologieën die de samenleving kunnen herschappen.

Wat het boek bijzonder krachtig maakt, is dat deze verhalen onlosmakelijk verbonden zijn. Li’s persoonlijke reis en de evolutie van de moderne AI ontvouwen zich samen.

Voor lezers die geïnteresseerd zijn in de geschiedenis van de kunstmatige intelligentie, biedt dit boek een zeldzaam perspectief van iemand die hielp de fundamenten van het veld te leggen. Voor iedereen die geïnteresseerd is in de menselijke kant van wetenschappelijke ontdekking, is het evenzeer overtuigend.

Op veel manieren herinnert De werelden die ik zie ons eraan dat revoluties in technologie zelden beginnen met machines. Ze beginnen met nieuwsgierigheid, volharding en de moed om ideeën na te streven die anderen mogelijk aanvankelijk over het hoofd zien.