Hoe ver staat AI in België?

Het is misschien eigen aan technologienieuws, maar af en toe komt er zo’n woord voorbij, een technologie of oplossing, die op werkelijk alles geplakt wordt, tot het alle betekenis kwijt is. Niet lang geleden was dat cloud, of agile. Dezer dagen: AI.

Met dien verstande dat kunstmatige intelligentie echt alles kan zijn. Hetzelfde woordje kan doelen op simpele chatbots met een als-dan script, over slimme tandenborstels en genetwerkte broodroosters, tot de uiterst complexe recommendation engines van een Netflix of de processen waarmee Facebook u te allen tijde probeert relevante advertenties voor te schotelen.

Een en ander betekent dat de terminologie rond kunstmatige intelligentie wat verwaterd is. Maar de technologie is er nog altijd wel, en ze wordt ook steeds beter en belangrijker. Waar wordt ze ondertussen voor gebruikt, en heeft dat ook effect? Wij keken naar de staat van AI in België.

Wat is AI?

AI kan, zoals gezegd, op heel veel techproducten geplakt worden, maar voor dit artikel gaan we uit van kunstmatige intelligentie als het resultaat van machine learning of deep learning. Alle respect voor het codeerwerk dat in bepaalde chatbots en van sensoren voorzien witgoed zit, maar ‘intelligent’ zijn die dingen in de strikte zin van het woord niet.

Machine learning is een specifiek onderdeel van AI, waarbij computers de mogelijkheid krijgen om zelf dingen uit te vissen, meestal door ze een database te geven met beelden van, klassiek voorbeeld, katten, zodat ze zelf de regels kunnen schrijven van hoe een kat er in een foto uitziet.

Data mining

Het grootste deel van wat er in ons land met kunstmatige intelligentie gebeurt, ligt op het uiterste randje daarvan, bij data mining. Klassiek voorbeeld hier is de recommendation engine van alles van Amazon tot Spotify. In België heeft Beedrop zijn eigen recommendation engine gemaakt, in samenwerking met het Leuvense Dataroots. Beedrop is een technologiebedrijf dat handelaars van over heel Vlaanderen verzamelt op een bestelplatform. Het levert de producten vervolgens bij de klant thuis en probeert dat zo efficiënt mogelijk te doen door de leveringen te bundelen. Daarbij houdt het platform niet alleen rekening met het normale aankooppatroon van de consument, maar kijkt het ook naar gelijkaardige personen of naar gelijkaardige producten die de consument regelmatig koopt.

Het zoeken naar patronen in een gigantische berg data, om daar vervolgens wijsheid uit te halen, zien we ook bij bijvoorbeeld de Belgische douane, die een algoritme inzet om meer goederen te kunnen inspecteren. De douane-diensten in Europese lidstaten moeten software inzetten om risico-analyses te maken en zo te kiezen welke goederen extra inspecties krijgen. Dat moet corruptie verminderen, omdat het niet langer zelf de agenten zijn die kiezen welke goederen extra controle krijgen. De Belgische douane gebruikt daarvoor software van SAS, die zich baseert op bijna duizend selectiecriteria om te beslissen of goederen al dan niet moeten worden gecontroleerd. “Deze criteria zijn gebaseerd op de risicoanalyse van een reeks eigenschappen, zoals het soort goederen en het land van oorsprong, en vele andere. De SAS-oplossing is in staat om zes aangiften per seconde te controleren. Dit bespaart natuurlijk een enorme hoeveelheid tijd voor alle betrokkenen”, zegt Stephan Legein, general advisor bij het douanedepartement van FOD Financiën. Dankzij de technologie kan de douane tot 518.000 artikels per dag nakijken.

Ook drinkwaterbedrijf De Watergroep zet data mining in, deze keer om lekken in de leidingen te vinden. Het bouwde in 2016 een eigen datawarehouse, om de kwaliteit van zijn gegevens aan te pakken en de rapportering correcter te maken. Ondertussen wilt zet het dat in voor onderhoud van de leidingen. “Lekken zijn een ernstig probleem voor elke waterleverancier”, zegt Christina Orodel, team manager Asset Information Management bij De Watergroep. “Zo’n twintig procent van het water dat wij transporteren wordt niet door de eindgebruikers geconsumeerd.” Daar zit water bij voor het beheer van de pijpleidingen en voor het blussen van branden, verduidelijkt ze, maar een belangrijk deel gaat ook verloren aan lekken. “Ons doel was om dat aantal stevig te verminderen met het gebruik van slimme technologie”, aldus nog Orodel. Ze stopten sensoren in de pijpleidingen die informatie over de waterstromen naar het datawarehouse sturen. Daar worden de gegevens via software verwerkt. De oplossing combineert historische data, data analytics en algoritmes om anomalieën in de stroming te detecteren. De Watergroep maakt zich sterk dat lekken nu twee weken sneller worden ontdekt, en dat ze ook sneller gefixt kunnen worden.

Aan het handje

Bij machine learning leert de computer zichzelf dingen aan. “Een standaard waar machine learning veel succes heeft geboekt is supervised learning“, legt Xander Steenbrugge, machine learning engineer bij het Belgische ML6, uit. “Je geeft daarbij de software voorbeelden van wat een mens normaal doet. Je toont bijvoorbeeld voorwerpen aan een camerasysteem die moet leren om ze te herkennen. Zo kan je een automatische sorteermachine maken.” De truc van supervised learning is om de computer heel veel voorbeelden te geven die ‘getagd’ zijn. Een mens moet daarbij manueel aangeven welk voorbeeld er op de foto te zien is, zodat de computer leert die beelden te associëren.

Een mooi voorbeeld hier is de installatie-app van Telenet. De telecomspeler stuurt elke dag installateurs de baan op om klanten te helpen met de set-up van hun Digicorder. Om dat wat te versnellen ontwikkelde digitaal agentschap In the Pocket een oplossing die augmented reality gebruikt om mensen te helpen hun toestel aan te sluiten. Die app gebruikt ook artificiële intelligentie. Via de camera van de smartphone kan de software herkennen welke kabel de klant vast heeft en vervolgens aangeven waar die past. Het model werd getraind met duizenden getagde foto’s van kabels, en wordt dan weer getest met foto’s van kabels die het systeem nog niet gezien heeft. Herkent het de juiste kabels, dan is dat een teken dat het werkt.

Of alleen

Een tweede methode die ook al in Belgische projecten wordt ingezet is reinforcement learning. “In de maakindustrie heb je vaak lange productielijnen met enorm veel machines, met sensoren die van alles meten, en een heel complex productieproces hebben. En op het einde komt er een afgewerkt product en daar worden testen op gedaan. Wat je dan kan doen is al die sensordata op zo’n productielijn gebruiken om ze te optimaliseren, voor die specs die je op het einde gaat meten”, zegt Steenbrugge. “Stel dat je niet exact weet wat de optimale temperatuur is voor die hoogoven. Als je genoeg sensordata hebt en je baseert je op het eindproduct dat je wil krijgen, dan kan je het systeem laten zoeken hoe het daar moet geraken.”

Hij geeft het voorbeeld van een project dat ML6 heeft gedaan voor Saroléa. “Die maken high performance elektrische racefietsen”, zegt Steenbruggen. “Dat is een heel complexe motor, die ze zelf maken, maar een groot probleem daar is dat ze niet exact weten wanneer die batterij plat zal vallen. Wanneer heb je geen stroom meer? Da’s moeilijk te meten, dus waar wij nu mee bezig zijn is artificiële intelligentie te gebruiken om alle data in die motor te bekijken. Temperatuur, geleverde stroom, snelheid enzovoort, om te gaan voorspellen hoeveel energie er nog in zit. Dat is een heleboel sensor data, en als je weet wat je wilt voorspellen kan je een AI-model trainen om aan te geven hoeveel vermogen er nog over is.” Bedoeling van het project is om dat ook in een intelligent besturingssysteem te stoppen, waarbij de fiets die kennis moet gebruiken in de praktijk. Een fiets die bijvoorbeeld een ronde voor het einde van de race is en plankgas geeft, zal misschien maar negentig procent vermogen krijgen, als het systeem weet dat hij bij volle kracht de finish niet haalt.

In de praktijk

Kunstmatige intelligentie gaat steeds vaker beslissingen maken voor mensen, zoveel is duidelijk. In de eerste plaats zullen dat vooral de ‘makkelijke’ beslissingen zijn. “Vaak merk je dat je een groot deel kan gaan automatiseren, maar de uitzonderingen, de moeilijke case naar mensen”, knikt Steenbrugge. “Dat zie je bijvoorbeeld in de medische sector, bij kankerdetectie. Je neemt een grote dataset van scans waar radiologen kanker hebben aangegeven, en je gaat dat algoritme trainen om dat te herkennen. Zo kan je een groot deel van het makkelijke werk automatiseren, maar vanaf dat het moeilijk wordt, ga je een combinatie mens en algoritme gebruiken. Het mooiste daarvan is dat als je die twee systemen naast elkaar legt, dan zijn die vergelijkbaar maar ze maken andere types fouten. Een dokter maakt meestal fouten als hij te weinig geslapen heeft, terwijl een systeem fouten maakt om andere, technische redenen. Als je ze laat aanvullen, gaat dat beter.”

Misschien niet toevallig voor iemand met een machine learning bedrijf, maar Steenbrugge ziet de toekomst van AI alvast optimistisch in. “Er zijn heel veel systemen die gaan veranderen met AI”, zegt Steenbrugge. “Je mag wel verwachten dat binnen tien jaar elk bedrijf er anders uit gaat zien. AI is als elektriciteit, je kan het voor veel dingen inzetten. Elk bedrijf gaat dat nodig hebben voor van alles en nog wat. Ik geloof dan ook dat de technologie alles gaat veranderen.”