Universiteit Leiden

nl en

Kunstmatige intelligentie: ‘Menselijke vermogens uitbreiden, niet vervangen’

Computers zijn in toenemende mate in staat taken uit te voeren die zelfs voor experts lastig zijn, zoals het diagnosticeren van ziekten en het opsporen van creditcardfraude. Volgens Holger Hoos, Leiden hoogleraar Machine Learning, groeit de urgentie om de risico's en kansen van kunstmatige intelligentie met elkaar in evenwicht te brengen. Oratie op 27 oktober.

Holger Hoos

Algoritmen zijn het hart

Algoritmen vormen het hart van het programmeren, bedoeld om allerlei taken uit te voeren, van surfen op het web tot het diagnosticeren van kanker. Het zijn net gedetailleerde kookrecepten in die zin dat ze precies aangeven welke stappen moeten worden uitgevoerd om bepaalde gegevens te verwerken. ‘Algoritmen’, aldus Hoos, ‘zijn precieze instructies die, feilloos uitgevoerd, een bepaald resultaat of gedrag opleveren. Het vinden van goede algoritmen en deze efficiënt laten draaien op computers is moeilijk. Daarom is het leren programmeren van computers iets waar veel mensen moeite mee hebben. Het vereist een specifieke mind set’, aldus Hoos, ‘en zelfs dan kan het verrassend lastig zijn.’

Automatisch algoritmen vinden

Machine learning gaat in wezen over het automatiseren van het programmeren van computers, over het automatisch vinden van goede algoritmes. Hoos legt uit dat er verschillende benaderingen zijn. Een bijzonder succesvolle, althans in situaties waar veel gegevens beschikbaar zijn, is deep learning. Deze benadering is geïnspireerd op de fysiologie van onze hersenen. De zogenoemde diepe neurale netwerken in onze hersenen, en dus ook deep learning, zijn van groot belang voor de ontwikkeling van nieuwe autotechnologie en voor beeld- en taalverwerking, zoals gezichtsherkenning en automatische vertaling. ‘Maar’, stelt Hoos, ‘deep learning is één van verschillende benaderingen en heeft ook zijn nadelen. Het is bijvoorbeeld moeilijk om de beperkingen van een diep neurale netwerk te begrijpen - een belangrijk onderwerp voor onderzoek. Er zijn ook andere uitdagingen op het gebied van machine learning, zoals het zoeken naar technieken die kunnen leren van minder data, met minder krachtige computers en op een manier die mensen kunnen begrijpen. Daar wil ik me op richten', zegt Hoos.

Programmering door optimalisatie

Op technisch niveau is het grootste deel van het onderzoek met betrekking tot machinaal leren gericht enkele zeer specifieke problemen. Hoos zelf streeft naar een meer generieke aanpak die moet leiden tot het beter oplossen van een groot aantal voor de mens uitdagende problemen. Hij gebruikt daarbij geavanceerde optimalisatietechnieken om een groot aantal programma's te vinden die voor een specifieke taak goed werken. ‘Dit’, stelt Hoos, die pioniert met dit paradigma, bekend als programmeren door optimalisatie, ‘verandert de manier waarop we computers programmeren op een manier die menselijke creativiteit en vindingrijkheid combineert met algoritmische efficiëntie en veel rekenwerk.'

Nieuw, derde fundament voor de informatica
In zijn oratie Hoos stelt dat de informatica twee historische fundamenten heeft, de  wiskunde en de techniek. Recent is daar een derde fundament bijgekomen, namelijk de empirische wetenschap. Nu computers en software net zo complex zijn geworden als biologische organismen, zijn gecontroleerde experimenten en statistische analyses voor informatici onmisbare instrumenten geworden. Hoos: 'Empirische methoden zijn vooral onmisbaar bij kunstmatige intelligentie en machinaal leren, waarbij vooruitgang afhankelijk is van het gebruik van vuistregels uit de heuristiek, de wetenschap van het systematisch zoeken en vinden. Dat gaat verder dan wiskundige analyse.' Veel van de uitdagendste problemen in de informatica, legt Hoos uit, lijken op het zoeken naar een naald in een hooiberg. ‘Goede heuristische methoden fungeren bij dit soort zoektochten als snelkoppelingen.’

Intelligente machines komen eraan

De droom van machines die de menselijke intelligentie over de hele breedte, van logisch denken tot kunst en wetenschap, kunnen evenaren is vrij oud, constateert Hoos. ‘Maar nu begint zich steeds sterker af te tekenen dat het verwerkelijken van die droom in zicht komt. Hoe lang het precies nog duurt om er te komen is niet te voorspellen. Maar als machines eenmaal de volledige menselijke intelligentie hebben bereikt, zullen ze waarschijnlijk zeer snel daarna en over de hele linie onze eigen capaciteiten overtreffen. Er is geen reden voor paniek, wel is het van belang om nu al serieus na te denken over de gevolgen van deze ontwikkeling, over de risico's en de kansen.’

Menselijk niveau van kunstmatige intelligentie niet wenselijk

Hoos benadrukt dat bij de discussie over de rol van kunstmatige intelligentie niet alleen informatici betrokken moeten zijn, maar ook academici uit andere disciplines, politici en het grote publiek. ‘Ik ben tot het besef gekomen’, zegt Hoos, ‘dat een menselijk niveau van kunstmatige intelligentie, hoewel intellectueel boeiend, niet wenselijk is. In plaats daarvan moeten we ons erop concentreren dat kunstmatige intelligentie onze capaciteiten aanvult en onze zwakke punten compenseert. De evolutie heeft ons toegerust om te leven in een wereld die vooral bepaald wordt door lokale fenomenen en korte-termijninteracties. De evolutie is echter veel te traag om ons aan te passen aan de lange-termijneffecten van onze activiteiten en beslissingen. We moeten ons richten op het ontwikkelen van kunstmatige ontwikkeling die ons helpt onze beperkingen te overwinnen, verantwoord om te gaan met onze beperkte middelen en erop gericht is dat we constructief, respectvol en plezierig met elkaar omgaan. We hebben kunstmatige intelligentie nodig die de menselijke intelligentie uitbreidt en niet vervangt.’

Artikel 'Befaamd hoogleraar Data science naar Leiden'

Hoos: 'Ik ben opgetogen over mijn overstap naar de Universiteit Leiden. De universiteit heeft op diverse gebieden een ijzersterke academische signatuur, inclusief het Leiden Institute of Advanced Computer Science (LIACS), waar ik ben benoemd tot hoogleraar Machine Learning. De afgelopen twintig jaar was ik verbonden aan de Universiteit van British Columbia in Canada. Ik geloof dat ik nu precies op de juiste tijd op de juiste plaats ben om mijn wetenschappelijke ambities  te verwerkelijken. Ik ben blij om - in Leiden, in Nederland, in de EU en elders - te mogen samenwerken met vele anderen die mijn overtuigingen delen en wier expertise een aanvulling vormt op die van mij.'