Machine learning (ML) ontwikkelt zich razendsnel en zal dat in 2024 blijven doen. Technologische vooruitgang herschrijft voortdurend de regels van kunstmatige intelligentie en de manier waarop deze technologie en de samenleving beïnvloedt. Machine learning is zelf de technologie die AI vormgeeft.
Een van de belangrijkste gebieden om in de gaten te houden, is de ontwikkeling van deep learning-algoritmen die nauwkeurigere en efficiëntere modellen mogelijk maken. Deze modellen zouden taken zoals computervisie, natuurlijke taalverwerking en voorspellende analyses nog beter en sneller kunnen uitvoeren. Machine learning zou moeten kunnen integreren met andere opkomende technologieën, zoals kwantumcomputing en edge computing. Dit zijn nog steeds theoretische plannen die misschien een beetje sciencefictionachtig lijken, maar ze openen nieuwe perspectieven voor realtime, gedistribueerde en ultrasnelle verwerking. 1. Leven in de toekomst met AI in het dagelijks leven. Machine learning dringt gestaag maar zeker door in het dagelijks leven op manieren die veel mensen misschien niet verwachten. Je auto zou bijvoorbeeld nu je schema kunnen voorspellen en de meest optimale route kunnen plannen, rekening houdend met realtime verkeersomstandigheden en je gebruikelijke vertrektijden. Thuis kan je slimme thermostaat de temperatuur aanpassen op basis van zowel de weersvoorspellingen als je aanwezigheid en comfortvoorkeuren.
Naast deze voorbeelden heeft machine learning ook zijn weg gevonden naar domeinen zoals de gezondheidszorg, financiën, transport en (misschien wel het bekendst) entertainment. Autonome voertuigen die gebruikmaken van ML-algoritmen kunnen zich gemakkelijk door complexe stedelijke omgevingen bewegen door sensorgegevens te interpreteren en in realtime beslissingen te nemen. Slimme huisassistenten leren ook je routines en voorkeuren kennen. Ze kunnen je ochtendkoffie precies zo zetten als je wilt of entertainment voorstellen op basis van je kijkgeschiedenis.
2. Chatten met AI
Laten we het vervolgens hebben over natuurlijke taalverwerking (NLP). In 2023 hebben algoritmen voor natuurlijke taalverwerking een opmerkelijk niveau bereikt in het begrijpen en genereren van menselijke taal, en 2024 zal ze nog verder brengen. Deze algoritmen kunnen diepgaande, betekenisvolle gesprekken voeren en zelfs nuances zoals sarcasme, context en zelfs af en toe een flauwe grap oppikken. De barrière tussen menselijke en machinale communicatie is aanzienlijk verkleind.
NLP-algoritmen kunnen nu taal begrijpen en uitdrukken op manieren die voorheen ondenkbaar waren en meer geassocieerd werden met de wereld van sciencefiction. Ze kunnen de subtiliteiten en complexiteit van menselijke communicatie interpreteren, waardoor natuurlijke en vloeiende interacties mogelijk worden. Ze kunnen de implicaties van een figuurlijke uitdrukking begrijpen of de humoristische bedoeling achter een woordspel herkennen. Dit niveau van taalkundige verfijning is niet langer exclusief voor mensen.
Hoewel deze vooruitgang indrukwekkend is, is het niet de bedoeling dat ze menselijke communicatie of creativiteit vervangen; en dat hoeft ook niet. Het zijn eerder hulpmiddelen die de menselijke vaardigheden kunnen versterken.
3. Multimodale AI
Multimodale AI is een van de meest veelbelovende ontwikkelingen en vertegenwoordigt kleine stapjes richting algemene kunstmatige intelligentie (AGI). In plaats van beperkt te zijn tot het verwerken van slechts één type data, zoals tekst of afbeeldingen, kan het meerdere formaten tegelijk verwerken. Op die manier verkrijgt het inzichten die uitgebreider en genuanceerder zijn. Hoewel deze technologie in 2023 al veelbelovend is gebleken, is het doel voor 2024 om een meer geïntegreerde aanpak te zien. Toen OpenAI bijvoorbeeld een versie van ChatGPT introduceerde die afbeeldingen kan interpreteren, documenten kan lezen en data kan analyseren, veranderde dat de bruikbaarheid van de tool aanzienlijk. Aanvankelijk waren al deze verschillende aspecten enigszins losgekoppeld en werkten ze niet altijd effectief samen. Multimodale AI is de aanpak om daar verandering in te brengen. De primaire functie ervan is het wegnemen van barrières tussen verschillende dataformaten die doorgaans verschillende trainingsdatasets en neurale netwerken vereisen om te verwerken. In de gezondheidszorg kan multimodale AI de medische dossiers van een patiënt analyseren, waaronder tekstverslagen, röntgen- of MRI-scans en audio-opnames van hun symptomen. Door al deze gegevens te combineren, kan de multimodale AI artsen een nauwkeurigere diagnose of behandelplan geven. Ook chatbots voor klantenservice die gebruikmaken van multimodale AI kunnen vragen begrijpen, ongeacht of je ze typt, hardop uitspreekt of een afbeelding deelt. Hun veelzijdigheid zorgt ervoor dat de interactie natuurlijker aanvoelt, ook al praat je nog steeds met een bot.
4. Computervisie en meer
Computervisie, augmented reality (AR) en virtual reality (VR) zijn trends die een impact kunnen hebben op alles online en in de echte wereld. Ze hebben alle drie een bescheiden impact gehad in de jaren 2010, maar de integratie van AI zou ze compleet anders kunnen maken. Computervisie zou artsen bijvoorbeeld kunnen helpen om ziekten eerder op te sporen of zelfrijdende autoʼs slimmer te maken in hun routeplanning. Dan zijn er nog AR en VR, die het leren een stuk leuker en boeiender zullen maken, of het nu in een klaslokaal is of tijdens een training voor een vlucht. Deze technologieën zullen ook de maakindustrie op zijn kop zetten, waardoor simulaties zo realistisch worden dat je het gevoel krijgt midden in het productieproces te zitten. 5. XAI en geen geheimzinnige AI meer. Laten we het hebben over Explainable AI (XAI). Dit concept is wat AI altijd al had moeten zijn. Explainable AI (XAI) maakt de interne werking van kunstmatige intelligentie transparant en begrijpelijk. In het verleden waren AI-modellen vaak ondoorzichtige "black boxes" – hun besluitvorming was een mysterie voor de eindgebruiker. Dat is verre van ideaal. Als mensen vertrouwen willen hebben in de besluitvorming van AI, hebben ze transparantie nodig. XAI onthult hoe AI tot zijn conclusies komt. Met XAI kan de arts die een diagnostisch advies van een AI-systeem voor een patiënt beoordeelt, de redenering achter dat advies inzien. Ze leren de gegevens en de logica kennen die de AI heeft gebruikt om tot zijn beoordeling te komen. Of neem iemand aan wie een lening is geweigerd. XAI kan hen helpen precies te begrijpen waarom de AI die beslissing heeft genomen op basis van hun kredietgeschiedenis, inkomen, vooroordelen en andere factoren. Als de persoon de beslissing niet goedkeurt, kan hij of zij dit inzicht gebruiken om voor zijn of haar rechten op te komen en de controle terug te nemen. 6. Duurzaamheid door middel van AI
Een van de vele opvallende trends van 2024 is de focus op duurzaamheid door middel van AI. Machine learning maakt systemen slimmer en tegelijkertijd energiezuiniger en milieuvriendelijker. Innovaties in AI helpen bij het optimaliseren van alles, van energieverbruik in datacenters tot het verminderen van afval in productieprocessen. Dit is belangrijk, want ironisch genoeg is AI, hoewel het aanzienlijk kan bijdragen aan het vergroenen van technologie, zelf behoorlijk energieverslindend en draagt het bij aan een verhoogd verbruik. De grafische rekenkracht die nodig is om AI-modellen uit te voeren is met name enorm. Duurzaamheid met behulp van AI is dus een manier om de kosten en baten in evenwicht te brengen.
7. AI in de gezondheidszorg
Verrassend genoeg komt de gezondheidszorg steeds weer ter sprake wanneer het over machine learning gaat. Daar is een goede reden voor. Kunstmatige intelligentie kende immers een ongekende bloei vlak na de pandemie, dus de botsing leek onvermijdelijk. AI-algoritmes zijn nu in staat om enorme hoeveelheden medische gegevens te analyseren, van patiëntendossiers tot genetische informatie, om specifiekere behandelingsaanbevelingen te geven. Deze trend maakt de gezondheidszorg voorspellender en persoonlijker, niet alleen voor de ziekte, maar ook voor het individu.
8. Kwantummachine learning (QML) en transfer learning
Kwantummachine learning (QML) is bijzonder belangrijk omdat het de ongrijpbare maar altijd fascinerende wereld van kwantumcomputing combineert met machine learning. Het idee achter deze theorie of trend is dat complexe problemen veel sneller opgelost kunnen worden dan voorheen. Dan is er nog transfer learning, waarmee kunstmatige intelligentiemodellen slimmer worden door ze te laten toepassen wat ze van de ene taak hebben geleerd op iets compleet nieuws. In zekere zin is het een manier voor AI om zichzelf te leren zonder dat er nieuwe ruwe data aan hoeven te worden toegevoegd.
Laten we in hetzelfde verband data-augmentatie niet vergeten, een slimme manier om meer data te creëren voor het trainen van AI-modellen, zelfs als het lijkt alsof er geen data meer over is om ze te voeden.
9. AI-gestuurde cyberbeveiliging en anomaliedetectie
AI-beveiligingssystemen zijn steeds beter in staat om aanvallen te voorspellen en te voorkomen voordat ze schade kunnen aanrichten, zowel bij individuen als bij bedrijven. Ze beschermen de steeds meer onderling verbonden wereld tegen kwaadwillende actoren met behulp van geavanceerde algoritmen en enorme datasets. Deze systemen kunnen ongebruikelijke patronen en anomalieën identificeren die anders onopgemerkt zouden blijven.
Anomaliedetectie is een andere interessante en belangrijke trend en is nauw verwant aan cyberbeveiliging. De AI heeft een scherp oog voor het opsporen van alles wat ongebruikelijk is in data, wat waarschijnlijk zal helpen bij het opsporen van fraude of het voorkomen van systeemstoringen voordat ze zich voordoen.
10. De opkomst van federated learning
Federated learning is een nieuwe manier voor kunstmatige intelligentie om te leren en te trainen. Het maakt het mogelijk dat data op een lokaal apparaat blijft, terwijl het toch bijdraagt aan de training van een globaal model. Het is een veiligere en privacyvriendelijkere manier om data te gebruiken bij AI-training. Het is met name relevant gezien de vragen die AI heeft opgeroepen over gegevensprivacy, het scrapen zonder toestemming van de oorspronkelijke gebruiker en meer. Federated learning is een manier om de collectieve kracht van data te benutten zonder de individuele privacy in gevaar te brengen.
Nieuw jaar, nieuwe AI-trends
Dit zijn slechts enkele van de belangrijkste trends in machine learning voor 2024 en daarna. Machine learning wordt steeds relevanter en gevarieerder, en deze trends zijn slechts het topje van de ijsberg. De toekomst is zeker veelbelovend en zal gegarandeerd een aanzienlijke verschuiving teweegbrengen in de samenleving, cultuur, werk en entertainment. En het is machine learning dat achter al deze spectaculaire vooruitgang schuilgaat.
