Het wachten is op zinnige toepassingen van AI

Big Tech Techbedrijven investeren veel in kunstmatige intelligentie. Waar blijven de andere sectoren, waarin de echte winst te halen valt?

Foto Vincent Fournier

Al lopen de investeren in kunstmatige intelligentie (artifical intelligence of AI) snel op, de meest baanbrekende toepassingen laten nog op zich wachten. Er is geen gebrek aan data of rekenkracht, maar aan mensen die data-analyse in hun dagelijkse werk kunnen gebruiken.

Adviesbureau McKinsey schat dat er in 2016 tussen de 26 en 39 miljard dollar in AI geïnvesteerd werd, voor het grootste deel door techbedrijven. De rest komt van investeringen in start-ups (zie grafiek).

Bedrijven als Amazon, Google, Microsoft en Facebook hebben van huis uit grote hoeveelheden data om software te trainen en de wetenschappers om algoritmes te perfectioneren.

Dit artikel is onderdeel van een IT-special over kunstmatige intelligentie.

- Het AI-woordenboek: Wat is een algoritme, wat doet een neuraal netwerk?
- Reportage Google Research Lab: Wat gebeurt er in de machinekamer van Google?
- Machine learning expert Max Welling: ‘Europa moet zorgen voor morele balans’
- Doe de stoomcursus AI: Wordt data-expert in één dag
- Genoeg investeerders in AI, maar waar blijven de zinnige AI-toepassingen?
- Waarom deze special? Kunstmatige intelligentie is mensenwerk.

‘Mismatch’

De techsector loopt voorop, maar ook financiële instellingen (banken en verzekeraars) analyseren op grote schaal data om risico’s te verkleinen. Daarnaast wakkert de auto-industrie actief de AI-hausse aan, door datawetenschappers en start-ups te ronselen die zich met machine learning bezig houden. Zij moeten straks onze auto’s op eigen houtje laten rijden.

Volgens het McKinsey-rapport is sprake van een ‘mismatch’ tussen de transformatie die AI-investeerders voorspellen en de daadwerkelijke veranderingen van onze economie en maatschappij. Met andere woorden: het gaat veel langzamer dan investeringen suggereren.

Er zijn sectoren die achterlopen. De industriële wereld, de logistieke sector en de energiebranche zullen meer moeten investeren in databeheer en machine learning, aldus McKinsey. Andere achterblijvers zijn de overheid, onderwijsinstellingen en de gezondheidssector. Terwijl dat juist de terreinen zijn waar betere inzet van schaarse middelen maatschappelijk nut kan hebben – niet alleen de winst maximaliseert.

Slapende reus: de zorg

„De gezondheidszorg is een slapende reus”, zegt Eric Horvitz, onderzoeksdirecteur van Microsoft. Het softwarebedrijf toonde eerder dit jaar in Londen welke vorderingen het met kunstmatige intelligentie maakt. Chatprogramma Skype kan bijvoorbeeld gesprekken ‘live’ vertalen en Microsofts beeldherkenningssoftware ziet aan je gezicht hoe oud je bent.

Op het gebied van machine learning zijn grote vorderingen geboekt maar echt baanbrekende toepassingen laten lang op zich wachten, vindt Horvitz. „Ik vind het moeilijk te begrijpen hoe uitvindingen die al decennia oud zijn, nog niet toegepast worden in de echte wereld. We zouden tienduizenden levens kunnen redden.”

Horvitz duidt op het systeem dat Microsoft voor ziekenhuizen ontwikkelde. In de VS overlijden veel patiënten relatief onverwacht in het ziekenhuisbed. Microsofts systeem zou, op basis van analyse van gegevens van verzekeraars en doktoren, beter voorspellen wanneer een patiënt in kritieke fase belandt.

Door nieuwe technologieën kunnen diagnoses op afstand worden gesteld. Lees ook: Ziekenhuis komt naar de patiënt

Er zijn meer techbedrijven die de gezondheidszorg als een ‘slapende reus’ beschouwen – in potentie een enorme afnemer van slimme software. Philips ontwikkelt toepassingen voor de zorg, in samenwerking met Amazon. Google heeft een medische tak die helpt tumoren op te sporen in scans, IBM ontwikkelde een versie van databasesysteem Watson die de ‘data-explosie’ in de gezondheidszorg in goede banen moet leiden.

Er wordt vaak gewaarschuwd dat kunstmatige intelligentie de werkgelegenheid bedreigt. Dat geldt voor taken die niet al te complex zijn en geautomatiseerd kunnen worden zonder aan kwaliteit in te boeten – denk aan het bedienen of controleren van machines. De meeste wetenschappers zijn vrij sceptisch over de slagkracht van hun algoritmes.

Er is behoefte aan mensen die machine learning beheersen in de praktijk, zoals ze ooit leerden om Excel of Word te gebruiken. Zonder die vaardigheid dreigt een andere ‘mismatch’: omdat de gereedschappen voor machine learning algemeen beschikbaar zijn, groeit de kans dat algoritmes lukraak of verkeerd toegepast worden en teleurstellen. Dat kan het enthousiasme voor AI-investeringen doen bekoelen.

    • Marc Hijink