Wat is Artificiële Intelligentie? Definities vanuit verschillende perspectieven en toepassingen?
Dit hoofdstuk beschrijft het concept van Artificiële Intelligentie (AI) vanuit verschillende studiegebieden, om de lezer een eenvoudig en uitgebreid begrip van het concept te geven. Er worden ook definities gegeven om een verband te leggen tussen het functioneren van de hersenen en -systemen.
Artificiële Intelligentie (AI) wordt vanuit de computerwetenschap gedefinieerd als een discipline die in staat is om procedures uit te voeren die lijken op die van menselijke intelligentie (Estupiñán, Leyva, Peñafiel en Ojeda, 2021). Volgens deze auteurs wordt AI opgevat als “een reeks technologieën met kenmerken of mogelijkheden die voorheen exclusief waren voor het menselijk brein”. Volgens deze auteurs wordt AI opgevat als “een reeks technologieën met kenmerken of mogelijkheden die voorheen exclusief waren voor het menselijk brein”. Bovendien omvat dit systeem twee belangrijke benaderingen voor de ontwikkeling ervan: machinaal leren en diep leren.
Machine Learning is een proces waarbij systemen patronen herkennen, snel grote gegevenssets analyseren en statistische voorspellingen doen. Zelfs machines die zijn ontworpen met automatisch denkvermogen kunnen nu nauwkeurige modellen produceren op basis van beschikbare gegevens. Machine learning daarentegen richt zijn algoritmen op een specifieke variabele, met als doel te leren en toekomstige gebeurtenissen te voorspellen (Coeckelbergh, 2020).
Deep learning vindt zijn oorsprong in artificiële neurale netwerken, die worden gekenmerkt door hun hoge prestaties. Op het gebied van cyberbeveiliging is deze techniek vooral nuttig bij het omgaan met uiteenlopende gevallen of grote hoeveelheden beveiligingsgegevens.
Met Deep learning kunnen bijvoorbeeld hybride beveiligingsmodellen (opgevat als efficiëntie en redeneervermogen (Lygeros, 2004)) worden ingezet om problemen met betrekking tot cybercriminaliteit, inbraakdetectie, malwareanalyse, onderzoek naar beveiligingsdreigingen, voorspelling van cyberaanvallen en identificatie van anomalieën op intelligente wijze aan te pakken (Quirumbay, Castillo en Coronel, 2022). Daarnaast wijst Yang (2018) erop dat Deep learning aanzienlijke voordelen biedt bij het bouwen van beveiligingsmodellen, dankzij de hoge nauwkeurigheid bij het verwerken van grote datasets.
Op vergelijkbare wijze beschrijft Steels (2017) Artificiële Intelligentie als een wetenschappelijke en technische discipline die zich richt op de ontwikkeling van systemen die bepaalde functies kunnen nabootsen, zoals patroonherkenning en taalverwerking. Hij wijst er echter op dat AI niet streeft naar het getrouw nabootsen van menselijke intelligentie, maar eerder naar het oplossen van specifieke problemen die een bepaalde mate van intelligentie vereisen. Hij suggereert dat, bijvoorbeeld op de werkplek, de implementatie ervan zorgvuldig moet worden gecontroleerd en beheerd, gezien de impact die het kan hebben op zowel werknemers als werkgevers.
Vanuit een psychologisch perspectief leggen Torres (2014) en Icarte (2016) uit dat Artificiële Intelligentie menselijke cognitieve functies probeert na te bootsen, zoals het oplossen van problemen en het nemen van beslissingen. Deze benadering, beïnvloed door de cognitieve psychologie en cognitieve theorie, heeft de ontwikkeling van computermodellen geleid die zijn ontworpen om complexe menselijke hersenprocessen na te bootsen.
Volgens de constructivistische theorie van Piaget wordt kennis opgebouwd door de interactie van het individu met cognitieve en sociale factoren, waarbij ervaring een fundamentele rol speelt in de ontwikkeling ervan (Zambrano et al., 2016).
Dit concept is ook van toepassing op het creëren van intelligente systemen die, doordat ze zijn begiftigd met initiële kennis die vergelijkbaar is met de gegevens waarmee het individu is geboren en door interactie met de gebruiker, het vermogen hebben om te leren en in de loop van de tijd nieuwe kennis te verwerven, d.w.z. te leren door ervaring.
Artificiële neurale netwerken, computermodellen die in staat zijn om te leren en problemen op te lossen, zijn een goed voorbeeld. Wanneer deze netwerken nieuwe gegevens verwerken, passen ze hun verbindingen aan en verbeteren ze hun prestaties, waarbij ze door ervaring kennis proberen te verwerven (Magiquo, 2019).
Russell en Norvig (2004) geven een interessante definitie die ons helpt om Figuur 1 te begrijpen. Zij beschouwen AI als “de studie van agenten die percepties uit de omgeving ontvangen en acties uitvoeren”. In deze context speelt elke agent sequentieel een rol, wat resulteert in een verscheidenheid aan acties. Deze rollen worden weergegeven in “productiesystemen, reactieve agenten, real-time planners, neurale netwerken en beslissingstheoretische systemen”.
AI wordt nu beschreven als een algoritme dat is ontworpen om een vorm van intelligentie te simuleren die op haar beurt is opgenomen in digitale platforms, sociale netwerken en zoekmachines, waardoor de technologie wordt gepositioneerd als een agent die een belangrijke rol speelt in de manier waarop we communiceren en interacteren. De hypothese vindt empirische ondersteuning, aangezien gebruikers niet alleen gegevens consumeren, maar deze ook voortdurend produceren en zo bijdragen aan de massale generatie van informatie, ongeacht het betreffende gebied (Coeckelbergh, 2020).
referenties
- Aanbevolen citeerwijze: Luc Steels (ed.), Artificiële intelligentie. Naar een vierde industriële revolutie? KVAB Standpunt 53, 2017.
- Coeckelbergh, Mark. (2020). AI ethics. Hoe omgaan met artificiële intelligentie?
- Estupiñán Ricardo, J., Leyva Vázquez, M. Y., Peñafiel Palacios, A. J., & El Assafiri Ojeda, Y. (2021). Inteligencia artificial y propiedad intelectual. Revista Universidad y Sociedad, 13(S3), 362-368.
- Icarte Ahumada, G. A. (2016). Aplicaciones de inteligencia artificial en procesos de cadenas de suministros: una revisión sistemática. Ingeniare. Revista chilena de ingeniería, 24(4), 663-679.
- John Lygeros, Lecture Notes on Hybrid Systems, Department of Electrical and Computer Engineering – University of http://robotics.eecs.berkeley.edu/~sastry/ee291e/lygeros.pdf
- Quirumbay Yagual, D. I., Castillo Yagual, C. A., & Coronel Suárez, I. A. (2022). Una revisión del aprendizaje profundo aplicado a la ciberseguridad. Revista Científica y Tecnológica UPSE (RCTU), 9(1), 57-65.
- Torres, C. E. T. (2014). Inteligencia colectiva: enfoque para el análisis de redes. Estudios Gerenciales, 30 (132), 259-266.
- Russell, S.J. y P. Norvig (2004). Inteligencia artificial. Un enfoque moderno. Pearson Educación, S.A.
- XIN, Yang; KONG, Lingshuang; LIU, Zhi; CHEN, Yuling; LI, Yanmiao; ZHU, Hongliang; GAO, Mingcheng; HOU, Haixia y WANG, Chunhua. Machine Learning and Deep Learning Methods for Cybersecurity. IEEE Access [En línea]. 2018, vol. 6, pág. 35365-35381. ISSN 21693536. Disponible en: 10.1109/ACCESS.2018.2836950
- Zambrano, P. J. S., Cedeño, G. D. R. B., & Rivadeneira, M. R. L. (2016). La teoría constructivista de Jean Piaget y su significación para la pedagogía contemporánea. Dominio de las Ciencias, 2(3), 127-137.
Afbeeldingenreferenties
- Magiquo. (2019, noviembre 1). Redes neuronales o el arte de imitar el cerebro humano. Magiquo. https://magiquo.com/redes-neuronales-o-el-arte-de-imitar-el-cerebro-humano/
0 Comments