Van sciencefiction naar realiteit: AI's reis naar de moderne enterprise

Zeg de woorden "kunstmatige intelligentie" en de meeste mensen denken aan Alexa en Siri. Anderen denken misschien aan films als The Terminator of 2001: A Space Odyssey.

De waarheid is dat kunstmatige intelligentie (AI) geen ver-afgelegen sciencefiction-concept is. In feite is het overal om ons heen – denk aan Netflix die je volgende serie aanraadt of Uber die de beste route naar huis optimaliseert.

AI is een gesofisticeerd ecosysteem van moderne, onderling verbonden technologieën dat zich over decennia heeft ontwikkeld – en vandaag de dag nog steeds evolueert. Het mag dus geen verrassing zijn dat de geschiedenis van AI even complex en gelaagd is. Het is een geschiedenis die een verscheidenheid aan veranderende tools en capabilities kenmerkt die AI, zoals we het nu kennen, tot de huidige staat hebben opgebouwd.

Om het belang van AI vandaag te begrijpen – en je voor te bereiden op morgen – helpt het om te begrijpen waar AI begon en hoe het geëvolueerd is tot de game-changing technologie die het vandaag is.

20e-eeuwse AI: een ambitieus proof of concept

Moderne AI werd geboren in de academische kamers van elite universitair onderzoekdepartementen, waar geleerden diep nadachten over de toekomst van computing. Maar de vroege jaren hielden het beperkt tot deze kamers, gestrand door een tekort aan data en rekenkracht.

In 1956 organiseerde Dartmouth College het Dartmouth Summer Research Project on Artificial Intelligence – een workshop die bekend werd als een cruciale eerste stap in het academisch onderzoek naar AI. Tijdens de workshop probeerden 20 onderzoekers de hypothese te bewijzen dat leren zo precies beschreven kon worden "dat een machine ernaar gemaakt kan worden om het te simuleren."

Een jaar later, in 1957, breidde de Amerikaanse psycholoog Frank Rosenblatt het Dartmouth-onderzoek uit met het perceptron, een algoritme dat binaire classificatie met succes kon uitvoeren. Dit was waar we veelbelovende bewijzen zagen van hoe kunstmatige neuronen van data konden leren.

En nog een jaar later ontwikkelde John McCarthy, een deelnemer aan het Dartmouth Summer Research Project, samen met talloze studenten van MIT, Lisp (een nieuwe programmeertaal). Decennia later zou McCarthys onderzoek helpen om nieuwe en nog spannendere projecten tot leven te wekken, waaronder het SHRDLU natuurlijke taalprogramma, het Macsyma algebra-systeem en het ACL2 logica-systeem.

Bron

Als we terugkijken naar deze vroege experimenten, zien we AI de eerste, wankelende stappen zetten uit de wereld van hooggevlochten onderzoek naar de praktische wereld van computing.

Het jaar 1960 zag de debuut van Simulmatics, een bedrijf dat claimde te kunnen voorspellen hoe mensen zouden stemmen op basis van hun demografie.

In 1965 ontwikkelden onderzoekers zogenaamde "expert systems". Deze systemen stonden AI toe om gespecialiseerde problemen in computersystemen op te lossen door een verzameling feiten en een inferentie-engine te combineren om data te interpreteren en evalueren.

Toen, een jaar later, in 1966, ontwierp MIT-professor Joseph Weizenbaum een patroonmatchingsprogramma genaamd Eliza dat gebruikers liet zien dat AI intelligent was. Gebruikers konden informatie aan het programma geven, en Eliza, optredend als psychotherapeut, zou ze een open vraag terugserveren.

Middels de jaren '70 verloren regeringen en corporaties het vertrouwen in AI. Financiering droogde op, en de periode die volgde werd bekend als de "AI-winter". Hoewel er kleine heropstandingen waren in de jaren '80 en '90, werd AI meestal afgedaan tot het rijk van sciencefiction en de term werd vermeden door serieuze computerwetenschappers.

In de late jaren '90 tot begin 2000 zagen we toepassing op schaal van machine learning technieken zoals Bayesiaanse methoden voor spamfiltering door Microsoft en collaboratieve filtering voor Amazon-aanbevelingen.

21e-eeuwse AI: wilde succesvolle pilotprogramma's

In de jaren 2000 maakten rekenkracht, grotere datasets en de opkomst van open-source software het mogelijk voor ontwikkelaars geavanceerde algoritmen te creëren die de wetenschappelijke, consumenten-, productie- en zakelijke gemeenschappen in relatief korte tijd zouden revolutioneren. AI is een realiteit geworden voor veel bedrijven vandaag. McKinsey heeft bijvoorbeeld 400 voorbeelden gevonden waar bedrijven momenteel AI gebruiken om zakelijke problemen aan te pakken.

Het web biedt nieuwe manieren om data te organiseren

De webrevolutie die de wereld in de vroege tot midden jaren 2000 overspoelde, achterliet de wereld van AI-onderzoek met enkele belangrijke veranderingen. Fundamentele technologieën als Extensible Markup Language (XML) en PageRank organiseerden data op nieuwe manieren die AI kon gebruiken.

XML was een voorwaarde voor het semantische web en voor zoekmachines. PageRank, een vroege innovatie van Google, organiseerde het web verder. Deze vooruitgang maakte het web bruikbaarder en maakte grote hoeveelheden data toegankelijker voor AI.

Op hetzelfde moment werden databases beter in het opslaan en ophalen van data, terwijl ontwikkelaars werkten aan functionele programmeertalen die het makkelijker maakten om die data te bedienen. De tools waren aanwezig voor onderzoekers en ontwikkelaars om AI-technologie verder te ontwikkelen.

Neurale netwerken en deep learning tonen potentieel van AI

Er waren grote dromen voor AI in de 20e eeuw, maar rekenkracht had ze bijna onmogelijk gemaakt om te bouwen. In de 21e eeuw werden computers echter exponentieel krachtiger in het opslaan, verwerken en analyseren van grote datavolumes. Dit betekende dat de hoogvliegende doelen van neurale netwerken en deep learning realiteit konden worden.

Onderzoekers ontwikkelden datasets die specifiek geschikt waren voor het trainen van machines, wat resulteerde in neurale netwerken als AlexNet. Vroeger steunde machinetraining op datasets van tienduizenden, maar de vooruitgang van graphics processing units (GPU's) maakte het mogelijk dat nieuwe datasets in de tientallen miljoenen konden lopen.

Computerchipfabrikant Nvidia lanceerde in 2006 hun parallelle computing platform, CUDA. Binnen dit platform gebruikte Nvidia GPU's om hun computing sneller te maken. Deze prestatieboost hielp meer mensen grote en complexe machine learning modellen te draaien, geschreven in machine learning bibliotheken als TensorFlow en PyTorch.

Bron

Later op de weg zouden deze bibliotheken open source worden en wijdverspreide experimenten inspireren naarmate de technologie toegankelijker werd. Deze democratisering van AI zou helpen spannende nieuwe tools als AlphaGo, Google DeepMind en IBM Deep Blue van de grond te krijgen.

Computer vision opent de deur naar nieuwe industrie-toepassingen

Tot in de jaren 2000 was AI alleen echt nuttig als je tekst verwerkte. Maar aan de vooravond van de eeuw duwden vooruitgang in computer vision, waardoor computers afbeeldingen konden herkennen en interpreteren, de use cases van AI naar nieuwe hoogtes.

Deze keer waren onze pioniers geen academici. In plaats daarvan woonden ze in je huis en maakten ze schoonmaken (de Roomba) en gamen (de Xbox Kinect) makkelijker dan ooit en zetten ze computer vision in huizen over de hele wereld.

We zagen ook computer vision gebruikt in opkomende zelfrijdende auto's en in ziekenhuizen om automatisch aandoeningen als letsels en longontsteking te detecteren.

Naast industrie-specifieke use cases, hielp de variatie van computer vision ook de vooruitgang van robotic process automation (RPA) te ontbranden. 🎉 Aangevuld met optische tekenerkenning (OCR), kunnen RPA-robots zowel gestructureerde als ongestructureerde data verwerken, wat de wereld van data-analyse voorgoed heeft veranderd.

Data-analyse verbetert AI-zakelijke toepassingen

De afgelopen twee decennia hebben ons getoond dat automatisering en AI kunnen anticiperen op complexe zakelijke use cases. En naarmate AI nog beter wordt in het analyseren van data, kunnen bedrijven AI nog meer benutten om slimmer en efficiënter te werken.

Banken gebruiken AI om klantvragen in verschillende categorieën te classificeren uit grote volumes ongestructureerde e-mails die jaarlijks binnenkomen. Dit proces is handmatig intensief of levert slechte resultaten op bij regelgebaseerde trefwoordclassificatie. AI stelt banken in staat om deze e-mails met hoge nauwkeurigheid te classificeren en de gemiddelde afhandeltijd (AHT) te verminderen.

AI en automatisering helpen niet alleen financiële dienstverleners. Zorgverzekeraars versnellen de identificatie van hoogrisico-zwangerschappen. De software-robot laadt geverifieerde patiëntdata en benadert een voorspellend model om de patiënt te scoren op risico's, bepaalt het passende zorgbeheerplan. De resultaten zijn 24% toename in het aantal laag-geboortegewicht zwangerschappen dat nauwkeurig geïdentificeerd werd, terwijl 44% van de laag-geboortegewicht zwangerschappen vermeden werd – samen $11 miljoen per jaar bespaard. Lees het volledige verhaal.

Natural language processing en spraakherkenning verbeteren bruikbaarheid van AI

Hoewel AI begon met de analyse van tekst, heeft het het zeker niet onder de knie. Tot voor kort moest tekst – zelfs met OCR – gestructureerd zijn in machine-leesbare formaten. Het vakgebied natural language processing (NLP) heeft de voortrekkende rand verlegd op de mogelijkheid om computers te programmeren om natuurlijke taal te begrijpen.

Een van de bekender voorbeelden van NLP is Generative Pre-trained Transformer 3 (beter bekend als GPT-3). GPT-3, geïntroduceerd in mei 2020, gebruikt deep learning om tekst te genereren die nauw lijkt op door mensen gemaakte tekst. Al zijn er interessante toepassingen voor GPT-3 ontstaan, zoals het schrijven van artikelen (The Guardian heeft GPT-3 bijvoorbeeld gevraagd een artikel te schrijven over de onschuld van robots) en het genereren van computerprogramma's.

De toepassingen van NLP strekken zich verder uit dan GPT-3. NLP kan gebruikt worden om tekst van spraak te maken, automatisch de betekenis van een tekstfragment samen te vatten, tekst te vertalen over talen, en meer.

Hoewel NLP vaak op de voortrekkende rand bestaat, heeft het ook de weg naar onze huizen gevonden. Virtuele assistenten als Alexa en Google kunnen bijvoorbeeld natuurlijke taalverzoeken verwerken en vertalen naar uitvoerbare commando's. Met een simpele spraakopdracht kunnen deze AI-assistenten informatie zoeken; commando's doorsturen naar slimme apparaten, zoals lampen of sloten; en meer.

De toekomst van AI: een enterprise game-changer

Naarmate we in het volgende decennium van technologische rijpgang treden, zullen de enterprise use cases voor AI alleen maar groeien. Eerdere tools hebben het fundament gelegd voor wat met AI mogelijk is, maar er is nog veel grond te winnen door deze tools op schaal te nemen.

Naarmate AI nog meer vooruitgaat, zullen we zien dat bedrijven RPA, machine learning, process mining en data-analyse zullen benutten om een krachtige, end-to-end suite van automatisering te creëren naarmate deze technologieën steeds toegankelijker worden voor bedrijven in alle rijpgangsstadia. AI zal niet langer het exclusieve domein zijn van onderzoekers en ontwikkelaars; alledaagse gebruikers, geholpen door moderne tools, zullen in staat zijn AI-gebaseerde oplossingen te creëren voor de problemen die ze identificeren.

Naarmate de technologie toegankelijker wordt voor zakelijke gebruikers, zullen we het vliegwiel van automatisering opgang zien nemen om bedrijven steeds meer ideeën en mogelijkheden voor AI-toepassingen te bieden. Deze mogelijkheden zullen ondersteund worden door high-tech automatiseringsplatforms en tools die de manier waarop we werken herstarten en revolutioneren.

UiPath AI Fabric maakt het voor gebruikers gemakkelijk om een model te lanceren, data erin te pompen, inzichten te krijgen en bruikbaarheid te beoordelen.

Redacteur's noot: Naarmate de automatiseringsmark voortdurend evolueert, werkt het UiPath-platform ook bij om de automatiseringsbehoeftes van onze klanten het beste te bedienen. Als zodanig is de AI Fabric productnaam geëvolueerd sinds de oorspronkelijke publicatie van het artikel. Voor up-to-date informatie, bezoek alstublieft onze AI Center pagina.

AI vandaag: het juiste moment om te beginnen

Het is tijd om te automatiseren. We hebben het stadium in de AI-evolutie bereikt waar het niet meer theoretisch is – het is imperatief en wordt voorspeld om honderden miljarden dollars aan waarde vrij te maken voor bedrijven die het omarmen.

Ontdek hoe toonaangevende organisaties automatisering en AI gebruiken om de visie van het worden van een volledig geautomatiseerde enterprise™ werkelijkheid te maken: