Het moet de meest gestelde vraag zijn wanneer je het over kunstmatige intelligentie hebt: zullen robots - zowel de fysieke als de softwarematige varianten - onze jobs afpakken? En als opvolger: wanneer wordt Skynet dan realiteit? Het gaat dan niet over de voormalige Belgische operator - ondertussen opgegaan in Proximus - maar wel over de fictieve AI die langzaam zelfbewust wordt en zich uiteindelijk tegen de mens keert in de film Terminator. Het is trouwens geen geheim dat de oprichters van Skynet, de broers Zurstrassen en Grégoire de Streel, in 1995 bewust voor die naam kozen als referentie naar de film.
...

Het moet de meest gestelde vraag zijn wanneer je het over kunstmatige intelligentie hebt: zullen robots - zowel de fysieke als de softwarematige varianten - onze jobs afpakken? En als opvolger: wanneer wordt Skynet dan realiteit? Het gaat dan niet over de voormalige Belgische operator - ondertussen opgegaan in Proximus - maar wel over de fictieve AI die langzaam zelfbewust wordt en zich uiteindelijk tegen de mens keert in de film Terminator. Het is trouwens geen geheim dat de oprichters van Skynet, de broers Zurstrassen en Grégoire de Streel, in 1995 bewust voor die naam kozen als referentie naar de film. Met dat zelfbewustzijn van AI blijkt het echter nog goed mee te vallen, als we onze gesprekspartners in het jongste Data News magazine mogen geloven. Voor een Terminator-scenario hoeven we nog niet meteen te vrezen. Maar fascineren doet de technologie wel en de evolutie gaat wel degelijk razendsnel. De concrete meerwaarde voor bedrijven is er dan ook: AI is ondertussen uit de hypefase gegroeid en blijft al lang niet meer beperkt tot wat vage experimenten, beperkte proofs-of-concept of showcases. Tijdens deze pandemie werden wereldwijd bijvoorbeeld volop chatbots ingezet om vragen over covid-19 en de veiligheidsmaatregelen te beantwoorden. Machinelearning-modellen werden getraind om de effecten na te gaan op de economie wanneer bepaalde sectoren tijdelijk in lockdown gaan of wat er kan gebeuren wanneer eerder genomen maatregelen weer losgelaten worden. AI is het afgelopen jaar duidelijk gedemocratiseerd en is niet langer het exclusieve speelgoedje van datawetenschappers en experten. "Als AI een algemeen concept was op de Hype Cycle (een curve van Gartner die aantoont hoe groot de hypefactor van een technologie is, nvdr.) dan zou die nu over de gevreesde ' Peak of Inflated Expectations' gerold zijn", zegt Gartner-analist Svetlana Sicular. Maar AI is op zich te breed en valt uiteen in verschillende segmenten - niet allemaal even matuur. Computer vision - zeg maar de ogen van AI - is bijvoorbeeld wel al behoorlijk ver gevorderd. Denk dan aan toepassingen met objectherkenning zoals het automatisch sorteren van goederen op een lopende band. In dit coronatijdperk werd dat deel van AI bijvoorbeeld ook ingezet om social distancing af te dwingen. Maar die computer vision staat nu wel voor een volgende problematische fase: de ' Trough of Disillusionment'. Pas wanneer technologie daar doorheen kan ploeteren, wacht de finale maturiteit: het productiviteitsplateau.De meest besproken segmenten van AI zitten ondertussen voorbij de piek van opgeblazen verwachtingen. Denk dan aan chatbots, machine learning, natural language processing, AI-gestuurde clouddiensten en deep learning. Maar aan de andere kant van de curve zijn veel meer nieuwe en nog relatief onbekende segmenten aan het opklimmen die zich voeden aan alsmaar hogere verwachtingen. En dan hebben we het bijvoorbeeld wel over intelligentie om beslissingen te nemen, responsible AI, en neuromorfische hardware: chips die je in een brein kunt inbouwen. Maar zo mogelijk nog belangrijker is 'small data'. AI is tot nu toe een verhaal met datahonger: "meer data is altijd beter", is zowat het adagio. Maar dat lijkt een eindig (want niet bepaald kostenefficiënt) model. Datamodellen worden té groot en té log om onmiddellijk meerwaarde te kunnen bieden - tenzij je een multinational met quasi ongelimiteerde bronnen bent. Zo lijkt langzaam maar zeker een beweging ingezet om van big data naar een smalldata-aanpak te evolueren. Nieuwe wiskundige modellen die AI-training met kleinere datasets mogelijk maken. Of nieuwe manieren die niet langer vereisen dat álle data opgenomen wordt in het trainen van een dataset. Als dat lukt, kan dat een nieuwe versnelling in AI betekenen. En ik kan al voorspellen welke vragen dan als eerste gesteld gaan worden.