Geen ervaring? Hier leer je hoe je een ethische Artificial Intelligence-ontwikkelaar kunt worden

AI en machine learning (ML) veranderen industrieën en ontsluiten nieuwe kansen in een ongelooflijk tempo. Er zijn ontelbare wegen om een expert in artificial intelligence (AI) te worden, en elke persoon zal zijn eigen unieke ervaringen, tegenslagen en groei hebben. Voor mensen zonder eerdere ervaring die graag in deze boeiende technologie willen duiken, is het belangrijk om te weten dat succes mogelijk is met de juiste mindset en aanpak.

In de reis naar AI-vaardigheid is het cruciaal om AI op een ethische manier te ontwikkelen en te gebruiken, om ervoor te zorgen dat de technologie organisaties en de samenleving ten goede komt en schade tot een minimum beperkt. Ethische AI heeft prioriteit bij eerlijkheid, transparantie en verantwoordelijkheid, wat vertrouwen onder gebruikers en stakeholders opbouwt. Door ethische richtlijnen te volgen, kunnen lerenden en ontwikkelaars het misbruik van AI voorkomen, potentiële risico’s verminderen en technologische vooruitgang in overeenstemming brengen met maatschappelijke waarden.

Ondanks het belang van het gebruik van AI op een ethische manier, heeft onderzoek aangetoond dat minder dan 2% van de tienduizenden mensen die leren hoe ze AI kunnen gebruiken, actief hebben gezocht naar hoe ze het verantwoord kunnen gebruiken. Het verschil tussen degenen die leren hoe ze AI kunnen implementeren en degenen die geïnteresseerd zijn in het ontwikkelen van AI op een ethische manier is enorm. Buiten ons onderzoek heeft Pluralsight soortgelijke trends gezien in onze openbare educatieve materialen, met een overweldigende interesse in trainingsmateriaal over AI-adoptie. In tegenstelling tot soortgelijke bronnen over ethische en verantwoorde AI, die grotendeels ongebruikt blijven.

Hoe je je reis als verantwoordelijke AI-praktijk kunt beginnen

Er zijn drie belangrijke componenten waarop verantwoordelijke AI-praktijken zich moeten richten — vooroordelen, ethiek en juridische factoren. De juridische overwegingen van AI zijn vanzelfsprekend. Het gebruik van AI om een cyberaanval te lanceren, een misdaad te begaan of anderszins illegaal te handelen is tegen de wet en zou alleen worden nagestreefd door kwaadwillige actoren.

In termen van vooroordelen, moet een individu of team bepalen of het model of de oplossing die ze ontwikkelen zo vrij mogelijk is van vooroordelen. Elk mens is op de een of andere manier vooroordeeld, en AI-oplossingen worden door mensen gemaakt, dus die menselijke vooroordelen zullen onvermijdelijk in AI worden weerspiegeld. AI-ontwikkelaars moeten zich richten op het bewust minimaliseren van die vooroordelen.

Het aanpakken van ethische overwegingen kan complexer zijn dan het aanpakken van vooroordelen, omdat ethiek vaak nauw verbonden is met meningen, die persoonlijke overtuigingen zijn die worden gevormd door individuele ervaringen en waarden. Ethiek zijn morele principes die bedoeld zijn om gedrag te leiden in de zoektocht naar wat goed of fout is. Voorbeelden van ethiek in de praktijk kunnen zijn of het ethisch is voor een companion-robot om voor ouderen te zorgen, of voor een website-bot om relatieadvies te geven, of voor geautomatiseerde machines om banen die door mensen worden uitgevoerd te elimineren.

Technisch worden

Met ethiek en verantwoorde ontwikkeling in gedachten, zijn aspirant-AI-ontwikkelaars klaar om technisch te worden. Het is gebruikelijk om aanvankelijk te denken dat het leren ontwikkelen van AI-technologieën een geavanceerde opleiding of een achtergrond in een onderzoekscentrum vereist. Echter, drive, nieuwsgierigheid en de bereidheid om een uitdaging aan te gaan zijn alles wat nodig is om te beginnen. De eerste les die veel AI-praktijken leren is dat ML toegankelijker is dan men denkt. Met de juiste bronnen en de wens om te leren, kunnen individuen uit verschillende achtergronden complexe AI-concepten begrijpen en toepassen.

Aspirant-AI-experts kunnen ontdekken dat leren door te doen de meest effectieve aanpak is. Het is nuttig om te beginnen met het kiezen van een project dat zowel interessant als beheersbaar is binnen het bereik van ML. Bijvoorbeeld, iemand kan een model bouwen om de waarschijnlijkheid van een toekomstige gebeurtenis te voorspellen. Een dergelijk project zou concepten introduceren die data-analyse, feature-engineering en model-evaluatie omvatten, evenals een diep begrip van de ML-levenscyclus — een sleutelkader voor het systematisch oplossen van problemen.

Terwijl men zich in AI verdiept, is het essentieel om te experimenteren met verschillende tools en technologieën om de leercurve te overwinnen. Terwijl no-code- en low-code-platforms, zoals die van cloud-aanbieders als AWS, model-bouw voor mensen met minder technische expertise kunnen vereenvoudigen, kunnen individuen met een programmeringsachtergrond de voorkeur geven om meer hands-on te werken. In dergelijke gevallen kan het leren van Python-basics en het gebruik van tools als Jupyter Notebooks instrumenteel zijn in het ontwikkelen van meer geavanceerde modellen.

Het onderdompelen van zichzelf in de AI-gemeenschap kan ook de leerproces aanzienlijk versterken en ervoor zorgen dat ethische AI-toepassingsmethoden kunnen worden gedeeld met mensen die nieuw zijn in het veld. Deelname aan meetups, het joinen van online-forums en het netwerken met mede-AI-enthousiasten bieden kansen voor continue leren en motivatie. Het delen van inzichten en ervaringen helpt ook om de technologie voor anderen te verduidelijken en versterkt het eigen begrip.

Kies een project dat je interesseert

Er is geen vaste route om een verantwoordelijke AI-expert te worden, dus het is belangrijk om te beginnen waar je bent en vaardigheden progressief op te bouwen. Of je nu een technische achtergrond hebt of van scratch begint, de sleutel is om die eerste stap te zetten en toegewijd te blijven.

Het eerste project moet iets zijn dat je interesseert en door motivatie wordt aangestuurd. Of je nu een aandelenprijs voorspelt, online-reviews analyseert of een product-aanbevelingssysteem ontwikkelt, werken aan een project dat overeenkomt met je persoonlijke interesses kan het leerproces aangenamer en zinvoler maken.

Het begrijpen van de ML-levenscyclus is essentieel voor het ontwikkelen van een stap-voor-stap-aanpak voor probleemoplossing, waaronder fasen zoals data-verzameling, voorverwerking, model-training, evaluatie en implementatie. Het volgen van dit gestructureerde kader helpt bij de efficiënte ontwikkeling van ML-projecten. Bovendien, aangezien data de hoeksteen is van elke AI-initiatief, is het essentieel om kosteloze, openbare datasets te vinden die relevant zijn voor het project en rijk genoeg zijn om waardevolle inzichten op te leveren. Terwijl de data wordt verwerkt en schoongemaakt, moet het worden opgemaakt om machines in staat te stellen er van te leren, waardoor de basis wordt gelegd voor model-training.

Immersieve, hands-on-tools zoals AI-Sandboxes laten lerenden toe om AI-vaardigheden te oefenen, AI-oplossingen te experimenteren en vooroordelen en fouten te identificeren en te elimineren die kunnen optreden. Deze tools geven gebruikers de kans om veilig te experimenteren met vooraf geconfigureerde AI-cloudservices, generatieve AI-notebooks en een verscheidenheid aan grote taalmodellen (LLM’s), die organisaties helpen om tijd te besparen, kosten te verminderen en risico’s te minimaliseren door de noodzaak om hun eigen zandbakken te voorzien.

Wanneer men werkt met LLM’s, is het belangrijk voor verantwoordelijke praktijken om zich bewust te zijn van de vooroordelen die in deze uitgebreide gegevensverzamelingen kunnen zijn opgenomen. LLM’s zijn als uitgebreide waterlichamen, die alles bevatten van literatuur en wetenschap tot algemene kennis. LLM’s zijn uitzonderlijk goed in het produceren van tekst die coherent en contextueel relevant is. Echter, zoals een rivier die door diverse landschappen stroomt, kunnen LLM’s onzuiverheden opnemen in de vorm van vooroordelen en stereotypen die in hun trainingsdata zijn opgenomen.

Een manier om ervoor te zorgen dat een LLM zo vrij mogelijk is van vooroordelen, is door ethische principes te integreren met behulp van versterking van menselijke feedback (RLHF). RLHF is een geavanceerde vorm van versterking die de feedbacklus van menselijke input omvat. In eenvoudige bewoordingen is RLHF als een volwassene die een kind helpt om een puzzel op te lossen door actief in te grijpen in het proces, door te identificeren waarom bepaalde stukken niet passen en door aan te geven waar ze in plaats daarvan kunnen worden geplaatst. In RLHF wordt de AI geleid door menselijke feedback, waardoor het leerproces van de AI in overeenstemming wordt gebracht met menselijke waarden en ethische normen. Dit is vooral cruciaal in LLM’s die met taal werken, die vaak genuanceerd, context-afhankelijk en cultureel variabel zijn.

RLHF fungeert als een kritisch instrument om ervoor te zorgen dat LLM’s antwoorden genereren die niet alleen contextueel relevant zijn, maar ook ethisch afgestemd en cultureel gevoelig. Dit verleent moreel oordeel aan AI door het te leren om de grijze gebieden van menselijke communicatie te navigeren waar de grens tussen goed en fout niet altijd duidelijk is.

Niet-technische nieuwkomers kunnen hun ideeën werkelijkheid maken

Veel AI-professionals zonder IT-achtergrond zijn succesvol overgestapt vanuit diverse vakgebieden, waarbij ze verse perspectieven en vaardigheden naar het domein hebben gebracht. No-code- en low-code-AI-tools maken het gemakkelijker om modellen te creëren zonder uitgebreide programmeerervaring. Deze platforms laten nieuwkomers toe om te experimenteren en hun ideeën werkelijkheid te maken zonder technische achtergrond.

Individuen met IT-ervaring, maar zonder programmeerervaring, zijn in een sterke positie om over te stappen naar AI. De eerste stap is vaak het leren van de basis van programmeren, met name Python, dat breed wordt gebruikt in AI. High-level services van platforms als AWS kunnen waardevolle tools bieden voor het opbouwen van modellen op een verantwoorde manier zonder diepe programmeerkennis. IT-vaardigheden zoals het begrijpen van databases of het beheren van infrastructuur zijn ook waardevol bij het omgaan met data of het implementeren van ML-modellen.

Voor mensen die al comfortabel zijn met programmeren, met name in talen als Python, is de overstap naar AI en ML relatief rechttoe rechtaan. Het leren gebruiken van Jupyter Notebooks en het verkrijgen van vertrouwdheid met bibliotheken als Pandas, SciPi en TensorFlow kan helpen om een solide basis te leggen voor het opbouwen van ML-modellen. Verder verdiepen van de kennis in AI/ML-concepten, waaronder neurale netwerken en diepe leren, zal de expertise verhogen en de deur openen naar meer geavanceerde onderwerpen.

Maak de AI-reis aan je persoonlijke doelen

Hoewel het beginnen van scratch om een AI-expert te worden overweldigend kan lijken, is het volledig mogelijk. Met een solide basis, toewijding aan continue leren, hands-on ervaring, en een focus op de ethische toepassing van AI, kan iedereen zijn weg in het veld banen. Er is geen universele aanpak voor AI, dus het is belangrijk om de reis aan te passen aan je persoonlijke doelen en omstandigheden. Bovenal zijn volharding en toewijding aan groei en ethiek de sleutels tot succes in AI.