De evolutie van Artificial Intelligence

Symbolische AI (jaren '50 en '60)

De eerste vorm van AI, Symbolische AI, ontstond in de jaren '50 en '60. Hierbij werden regels en symbolen gebruikt om kennis te representeren en redenering uit te voeren. Dit gebeurde door handmatig geschreven regels te programmeren in een computerprogramma. Symbolische AI is handig gebleken voor bepaalde toepassingen, zoals het spelen van schaak en het diagnosticeren van medische aandoeningen.

Connectionist AI (jaren '80)

In de jaren '80 werd Connectionist AI, ook wel neural networks genoemd, ontwikkeld. Het idee achter neural networks was om patronen te herkennen en te leren door te kijken naar de werking van onze hersenen. De gedachte daarachter was dat het mogelijk is om neurale netwerken te creëren die op dezelfde manier werken als de menselijke hersenen.

Een systeem gebouwd met connectionistische AI ​​wordt intelligenter door meer blootstelling aan gegevens en het leren van de patronen en relaties die daarmee samenhangen. Symbolische AI ​​wordt daarentegen met de hand gecodeerd door mensen. Een voorbeeld van connectionistische AI ​​is een kunstmatig neuraal netwerk. Echter was dit in de jaren ‘80 nog lang niet zo goed ontwikkelt als in de fase van deep learning in de jaren 2010.

Connectionistische AI ​​is vrij beroemd in de gezondheidszorg. Het wordt meestal gebruikt wanneer er een hoop medische beelden zijn die door mensen moeten worden geverifieerd op juistheid en annotaties.

Machine Learning (jaren '90)

Machine Learning is een deelgebied van AI waarbij computers leren van gegevens en ervaringen, in plaats van dat ze geprogrammeerd worden met specifieke regels. Dit is mogelijk gemaakt door de ontwikkeling van nieuwe technieken, zoals decision trees en support vector machines. Er zijn twee soorten Machine Learning: supervised learning en unsupervised learning.

1. Supervised learning gebeurt met gelabelde gegevens en het systeem leert patronen te herkennen en voorspellingen te doen op basis van deze gegevens.
   
2. Unsupervised learning gebeurt met ongelabelde gegevens, en het systeem moet zelf patronen en structuur in de gegevens ontdekken.

Voorbeeld: Machine Learning wordt op veel verschillende plekken toegepast. Zo kunnen bedrijven bijvoorbeeld achterhalen welke factoren bepalend zijn voor de verkoop van een product via Machine Learning. Maar ook zelf rijdende auto’s maken gebruik van Machine Learning. Door het voorspellende karakter kan Machine Learning aan de hand van data situaties inschatten en hierop inspelen.

Deep Learning (jaren 2010)

Deep Learning is een specifieke vorm van machine learning waarbij gebruik wordt gemaakt van complexe neurale netwerken om te leren van grote hoeveelheden gegevens. Deep Learning is in staat om complexe taken uit te voeren, zoals het herkennen van spraak en beeldherkenning. Dit wordt mogelijk gemaakt door meerdere lagen van neurale netwerken te gebruiken om patronen te herkennen en te leren. Het leren van een deep learning model gebeurt door middel van backpropagation, waarbij het systeem zichzelf zichzelf verbeterd door interne gewichten aan te passen.

Ook wij passen Deep Learning toe. Voor onze online adviestool hebben wij ChatGPT gebruikt die antwoorden genereerd voor een gestelde vraag. Het ChatGPT model maakt gebruik van een neural network dat op heel veel data is getraind. Zo krijg je de beste antwoorden op jou vragen.

Reinforcement Learning (jaren 2010)

Reinforcement Learning is een manier van machine learning waarbij een systeem leert van de reacties van de omgeving. Het systeem leert door te proberen en fouten te maken en wordt beloond of bestraft voor zijn acties. Dit wordt vaak gebruikt voor het oplossen van ingewikkelde problemen, zoals het personaliseren van producten of diensten of het optimaal beheren van het magazijn.

Bij Reinforcement Learning moet het systeem zelf beslissingen nemen op basis van de feedback die het eerder heeft ontvangen van zijn keuzes. Dit is moeilijk omdat het systeem moet leren omgaan met onzekerheid en complexe omgevingen. Er zijn drie belangrijke componenten, namelijk:

• De omgeving
• De agent
• De beloningen

In de laatste jaren is er veel vooruitgang geboekt in Reinforcement Learning, vooral door de ontwikkeling van Deep Reinforcement Learning. Hierbij wordt deep learning gecombineerd met Reinforcement Learning om complexe taken uit te voeren. Dit heeft geleid tot doorbraken in gebieden zoals robotica, videogames en autonome voertuigen.