Het gaat niet om wat AI voor ons kan doen, maar om wat wij voor AI kunnen doen

De meeste mensen kijken naar kunstmatige intelligentie (AI) door een eenzijdige lens. De technologie bestaat alleen om mensen te dienen en om nieuwe niveaus van efficiëntie, nauwkeurigheid en productiviteit te bereiken. Maar wat als we de andere helft van de vergelijking missen? En wat als we, door dit te doen, de fouten van de technologie alleen maar verergeren?

AI is nog in de kinderschoenen en heeft nog significante beperkingen in redeneren, gegevenskwaliteit en het begrijpen van concepten zoals vertrouwen, waarde en incentives. De kloof tussen de huidige mogelijkheden en echte “intelligentie” is aanzienlijk. Het goede nieuws? We kunnen dit veranderen door actieve samenwerkers te worden in plaats van passieve consumenten van AI.

Mensen hebben de sleutel tot intelligente evolutie in handen door betere redeneringskaders, kwaliteitsgegevens en het overbruggen van de vertrouwenskloof. Als resultaat kunnen mens en machine zij aan zij werken voor een win-win – met betere samenwerking die betere gegevens en betere resultaten oplevert.

Laten we eens kijken naar wat een meer symbiotische relatie zou kunnen betekenen en hoe, als partners, betekenisvolle samenwerking beide kanten van de AI-vergelijking kan bevoordelen.

De vereiste relatie tussen mens en machine

AI is ongetwijfeld goed in het analyseren van grote datasets en het automatiseren van complexe taken. Echter, de technologie blijft fundamenteel beperkt in het denken zoals wij. Ten eerste hebben deze modellen en platforms moeite met redeneren buiten hun trainingsgegevens. Patroonherkenning en statistische voorspelling vormen geen probleem, maar contextuele oordeel en logische kaders die wij vanzelfsprekend vinden, zijn moeilijker te repliceren. Deze redeneringskloof betekent dat AI vaak faalt wanneer het wordt geconfronteerd met nuancescenario’s of ethische oordelen.

Ten tweede is er “garbage in, garbage out” gegevenskwaliteit. Huidige modellen worden getraind op grote hoeveelheden informatie met en zonder toestemming. Onverifieerde of bevooroordeelde informatie wordt gebruikt ongeacht juiste toewijzing of autorisatie, wat resulteert in onverifieerde of bevooroordeelde AI. De ” gegevensdieet” van modellen is dus twijfelachtig op zijn best en willekeurig op zijn slechtst. Het is nuttig om aan dit effect te denken in voedingsmiddelen-termen. Als mensen alleen junkfood eten, zijn we langzaam en sloom. Als agenten alleen tweedehands materiaal consumeren, is hun prestatie eveneens gehandicapt met uitvoer die onnauwkeurig, onbetrouwbaar en algemeen is in plaats van specifiek. Dit is nog ver van de autonome en proactieve besluitvorming die wordt beloofd in de komende golf van agenten.

Kritisch, AI is nog steeds blind voor wie en wat het interacteert. Het kan niet onderscheiden tussen afgestemde en niet-afgestemde gebruikers, heeft moeite om relaties te verifiëren en faalt om concepten zoals vertrouwen, waarde-uitwisseling en stakeholder-incentives te begrijpen – core-elementen die menselijke interacties regelen.

AI-problemen met menselijke oplossingen

We moeten AI-platforms, -tools en -agenten zien als minder als dienaren en meer als assistenten die we kunnen helpen trainen. Om te beginnen, laten we naar redeneren kijken. We kunnen nieuwe logische kaders, ethische richtlijnen en strategisch denken introduceren die AI-systemen alleen niet kunnen ontwikkelen. Door zorgvuldige prompting en zorgvuldige supervisie, kunnen we de statistische sterke punten van AI aanvullen met menselijke wijsheid – het leren om patronen te herkennen en de contexten te begrijpen die deze patronen betekenisvol maken.

Evenzo, in plaats van AI te laten trainen op elke informatie die het van internet kan schrapen, kunnen mensen hogerwaardige datasets cureren die zijn geverifieerd, divers en ethisch zijn.

Dit betekent het ontwikkelen van betere toewijzingsystemen waarin content-creators worden erkend en gecompenseerd voor hun bijdragen aan training.

Opkomende kaders maken dit mogelijk. Door online identiteiten onder één banier te verenigen en te beslissen of en wat ze comfortabel delen, kunnen gebruikers modellen uitrusten met zero-party-informatie die privacy, toestemming en regelgeving respecteert. Beter nog, door deze informatie op de blockchain te volgen, kunnen gebruikers en modelmakers zien waar informatie vandaan komt en content-creators adequaat compenseren voor het verschaffen van deze ” nieuwe olie“. Dit is hoe we gebruikers erkennen voor hun gegevens en hen meenemen in de informatierevolutie.

Tenslotte, het overbruggen van de vertrouwenskloof betekent het uitrusten van modellen met menselijke waarden en attitudes. Dit betekent het ontwerpen van mechanismen die stakeholders herkennen, relaties verifiëren en onderscheiden tussen afgestemde en niet-afgestemde gebruikers. Als resultaat, helpen we AI om zijn operationele context te begrijpen – wie baat heeft bij zijn acties, wat bijdraagt aan zijn ontwikkeling en hoe waarde stroomt door de systemen waarin het deelneemt.

Bijvoorbeeld, agenten die zijn ondersteund door blockchain-infrastructuur zijn vrij goed in dit opzicht. Ze kunnen gebruikers herkennen en prioriteren met aangetoonde ecosysteem-betrokkenheid via reputatie, sociale invloed of token-eigendom. Dit stelt AI in staat om incentives af te stemmen door meer gewicht te geven aan stakeholders met een belang in het spel, waardoor governance-systemen ontstaan waarin geverifieerde supporters deelnemen aan besluitvorming op basis van hun niveau van betrokkenheid. Als resultaat, begrijpt AI zijn ecosysteem dieper en kan het beslissingen nemen die zijn geïnformeerd door echte stakeholder-relaties.

Verlies de menselijke factor in AI niet uit het oog

Er is veel gezegd over de opkomst van deze technologie en hoe het bedreigend is om industrieën te veranderen en banen te vernietigen. Echter, door beveiligingsmaatregelen in te bouwen, kunnen we ervoor zorgen dat AI de menselijke ervaring versterkt in plaats van deze te overschrijden. Bijvoorbeeld, de meest succesvolle AI-implementaties vervangen geen mensen, maar verlengen wat we samen kunnen bereiken. Wanneer AI routineuze analyse afhandelt en mensen creatieve richting en ethische toezicht bieden, dragen beide kanten hun unieke sterke punten bij.

Wanneer het goed wordt gedaan, belooft AI de kwaliteit en efficiëntie van talloze menselijke processen te verbeteren. Maar wanneer het verkeerd wordt gedaan, is het beperkt door twijfelachtige gegevensbronnen en imiteert het intelligentie in plaats van echte intelligentie te tonen. Het is aan ons, de menselijke kant van de vergelijking, om deze modellen slimmer te maken en ervoor te zorgen dat onze waarden, oordeel en ethiek in het hart van AI blijven.

Vertrouwen is onmisbaar voor deze technologie om mainstream te worden. Wanneer gebruikers kunnen verifiëren waar hun gegevens naartoe gaan, zien hoe ze worden gebruikt en deelnemen aan de waarde die ze creëren, worden ze bereidwillige partners in plaats van aarzelende onderwerpen. Evenzo, wanneer AI-systemen kunnen profiteren van afgestemde stakeholders en transparante gegevenspijpleidingen, worden ze meer betrouwbaar. Vervolgens zijn ze meer geneigd om toegang te krijgen tot onze meest belangrijke privé- en professionele ruimtes, waardoor een vliegwiel van betere gegevenstoegang en verbeterde resultaten ontstaat.

Dus, bij het ingaan van deze volgende fase van AI, laten we ons focussen op het verbinden van mens en machine met verifieerbare relaties, kwaliteitsgegevensbronnen en precieze systemen. We moeten niet vragen wat AI voor ons kan doen, maar wat wij voor AI kunnen doen.