Artificial Intelligence
- Onderdeel van
- Thema's
- Contact
- Youetta de Jager
- Youetta.deJager@ictu.nl
- Status
- Actueel
Inleiding[bewerken]
> invullen: waarom belangrijk > volgens deze diagram afpellen > compliancy
Algoritmen en AI zijn overkoepelende termen, waarbinnen verschillende velden te onderscheiden zijn. Hieronder worden deze velden beschreven. In de afbeelding wordt de onderlinge verhouding tussen deze velden weergegeven.
Wat zijn algoritmen[bewerken]
Het algoritme register
Het algoritmekader
Algoritme op Pleio
Definitie algoritmes op Pleio
Wat is Artificial Intelligence?[bewerken]
Voor Artificial Intelligence bestaan vele definities. TNO heeft vergelijkend onderzoek gedaan naar de definitie van AI en daarbij 10 definities van toonaangevende partijen bestudeerd. Gemeenschappelijke elementen in de belangrijkste definities zijn;
- door mensen ontwikkelde software en/of hardware systemen;
- dataverwerking voor complexe doelstellingen;
- verschillende niveaus van zelfstandigheid ( benadering van menselijke intelligentie);
- verschillende niveaus van adaptiviteit (model past zich aan);
- gebruiken symbolische regels of numerieke modellen voor voorspellingen, aanbevelingen, geautomatiseerde beslissingen of genereren van content.
De definitie die hier aanhouden is de definitie van de AI-verordening omdat dit de regels voor AI-systemen in Europa stelt. Deze definitie luidt:
Een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus van autonomie te werken en dat na het inzetten ervan aanpassingsvermogen kan vertonen, en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of beslissingen die van invloed kunnen zijn op fysieke of virtuele omgevingen.[1]
Het doel van de regels in de AI-Verordening is het bevorderen van betrouwbare AI in Europa en daarbuiten, door ervoor te zorgen dat AI-systemen de grondrechten, veiligheid en ethische beginselen eerbiedigen en door de risico’s van zeer krachtige en impactvolle AI-modellen aan te pakken. Over Responsible AI en Ethiek kan u verderop deze pagina meer lezen.
Machine learning: algoritmes die leren door data
Machine learning zouden we kunnen omschrijven als een specifieke vorm van Artificial Intelligence.
Machine Learning is a current application of AI based around the idea that we should really just be able to give machines access to data and let them learn for themselves.
[2]
Er zijn vele vormen van machine learning. In de mobiele context zal vaak gebruik gemaakt worden van neurale netwerken bij bijvoorbeeld beeldherkenning, spraakherkenning en sentimentherkenning. Zowel iOS als Android bieden nu uitgebreide mogelijkheden om ML-modellen te integreren in apps, wat resulteert in een breed scala aan innovatieve functies en verbeterde gebruikerservaringen. Voor toepassing van ML kan je denken aan predictieve analyse, gebruikersgedrag voorspellen of aanbevelingssystemen.
Deep learning: Machine learning + diepe neurale netwerken
Er zijn vele definities van deep learning. Om het te onderscheiden van minder diepe contexten wordt er vaak op gewezen dat er dan sprake is van een meerlaags neuraal netwerk. Deep Learning kan gebruikt worden voor (complexe) patroonherkenning zoals beeld- en spraakherkenning. Apple introduceerde Core ML, Vision Framework en Create ML, terwijl Android TensorFlow, Android Neural Networks API en ML Kit in heeft geïntroduceerd. Met deze tools kunnen ontwikkelaars hun creativiteit de vrije loop laten en AI toepassen in apps.
Generative AI: Machine learning + diepe neurale netwerken + creëert nieuwe inhoud
Bij generatieve AI wordt er content gegenereerd.
Wat is responsible AI?[bewerken]
Bij responsible AI gaat het er om dat AI systemen geen schade toebrengen aan mensen of de samenleving, dat AI systemen transparant en controleerbaar zijn en dat ze zijn ontworpen met respect voor menselijke waarden en rechten. Hiervoor is het van belang om compliant te zijn met wetten en regelgeving, een juist AI ethiek beleid te hebben en ethische principes te hebben, de security op orde te hebben en transparantie te kunnen leveren op wat er gebeurt.
Ethiek keert vaak terug in discussies over AI en ML. ML ethiek is een onderdeel van ethiek in de techniek. Bij ethische beslissingen aangaande het wel of niet inzetten van AI en op wat voor manier AI in te zetten is het van belang om AI ethisch en moreel juist te gebruiken en kan er vanuit het perspectief van verschillende filosofische stromingen naar een issue gekeken worden. De vraag is daarbij welke ethische stroming past bij het tackelen van ethische AI issues en in hoeverre een dergelijk perspectief dan het juiste is en werkt. Veel stromingen zijn denkbaar: utilitarisme, plicht-ethiek, deugd-ethiek, beginsel-ethiek, pragmatisme, intentie-ethiek, zorg-ethiek, consequentialisme (gevolgen ethiek), etc.
Een aantal principes kan geformuleerd worden en komt regelmatig terug in de diverse guideline documenten. Speciaal verwezen wordt naar de principes genoemd in het AIIA (impact assesment document) en de ethische principes van de European group on ethics in science and new technologies. Zie voor het laatste ook de volgende pagina.
Subcategorieën voor responsible AI[bewerken]
Om tot responsible AI te komen kunnen we kijken naar een aantal subcategorieën:
Accuraatheid[bewerken]
Er moet wel een hoge mate van accuraatheid in de antwoorden zitten. (Trainings/validatie/test/real world). Met name validatie-, test- en real-world accuratesse zijn van belang. Opgepast moet worden voor overfitting en underfitting. Monitoring kan nodig zijn om te kijken of er geen model drifting optreedt. |
Fairness[bewerken]
Het gaat hierbij om bias mitigatie en bestrijding en vermijden van discriminatie Bias mitigatie en bestrijding dient plaatst te vinden op:
Er bestaat gegevens bias, algoritme bias, en bias in mensen. |
Transparantie[bewerken]
Er moet voldoende transparantie zijn over proces, data en algoritmen. Het systeem moet technisch uitlegbaarheid zijn voor zo ver mogelijk. Omdat technische uitlegbaarheid vaak niet haalbaar is moet er er gestreefd worden naar functionele uitlegbaarheid. Er kan een transparantie document worden gemaakt waarin een aantal zaken wordt bijgehouden zoals:
|
Accountability[bewerken]
Er moet duidelijkheid zijn over aansprakelijkheid bij AI systemen. Handig is dat een Rijksoverheidspartij een document heeft waarin wordt duidelijk gemaakt wordt wie verantwoordelijk is wanneer dingen niet goed gaan.
|
Privacy[bewerken]
De privacy dient gewaarborgd te zijn in AI systemen. Compliancy met de GDPR/AVG is verplicht. Waar nodig moet een DPIA gedaan worden en afstemming gezocht worden met de FG van de betreffende dienst. Denk hierbij aan zaken als privacy by design etc. etc.
|
Security[bewerken]
Security in het kader van mobiele AI is van belang. Bij AI kunnen andere soorten aanvallen dan in traditionele software ontstaan. Er kunnen aanvallen plaatsvinden die bijvoorbeeld de uitkomst van een beeldherkenning systeem veranderen en daarmee de uitkomst van een beslissing veranderen. Wat je zou kunnen doen is bijvoorbeeld veel blijven bijtrainen, zodat de adversarial examples steeds veranderen en potentiële aanvallers ontzettend veel energie moeten stoppen in het voor de gek houden van je applicatie. Bij het implementeren van gezichtsherkenning of fragmenten van beelden waar personen in voorkomen kunnen er weer AVG vraagstukken ontstaan. |
Compliancy aan regelgeving[bewerken]
In het kader van responsible AI moet dus allereerst compliancy met bestaande wetgeving gerealiseerd worden. Er zijn een aantal wetten van belang in de context van AI.
In Nederland is er een bredere scope waarin over AI sturing wordt gegeven en visie wordt ontwikkeld en strategie wordt bepaald. Dat zijn onder andere:
Er zijn zeer veel kaders en richtlijnen binnen de Rijksoverheid die geen compliancy verplichting met zich meebrengen. Hieronder enkele daarvan:
|
Menselijk toezicht[bewerken]
AI moet menselijke autonomie respecteren en mag geen inbreuk maken op de menselijke waardigheid.
|
Waarom zijn Artificial Intelligence & Algoritmen van belang?[bewerken]
Efficiency is een belangrijk aspect in het gebruik van AI&A. Overheden maken daarom al gebruik van dit concept of overwegen deze te gebruiken binnen de diverse regelingen en toepassingen, zoals belastingen en toeslagen, maar ook chatbots en apps.
De ethische aspecten[bewerken]
Naast voordelen bestaan er - uiteraard - ook risico's; beide onderdelen bevatten ethische aspecten. De pagina voordelen en risico's toont voorbeelden en links naar meer informatie over deze onderwerpen.
Meer informatie en belangrijke bronnen[bewerken]
Direct aan de slag |
---|
Wat doe je als Enterprise Architect of adviseur om AI-functies te borgen binnen de architectuur van jouw organisatie?
|
Belangrijke bronnen |
---|
Het Algoritmekader gaat uit van bestaande vereisten op basis van wet- en regelgeving waar deze overheden aan gebonden zijn. Het Algoritmekader geeft structuur aan wat organisaties moeten doen.
|
Samen leren & zoeken |
---|
Meest bekende organisaties en samenwerkingsverbanden die een visie en praktische handreikingen ontwikkelen voor het werken met AI&A:
Leeraanbod en informatieve artikelen, podcasts en webinars binnen de overheid: Buiten de overheid: Ken je nog een overleg (binnen de overheid) dat zich bezighoudt met AI en/of Algoritmen? |
Meer informatie & contact |
---|
Informatie op landelijk, nationaal en Europees niveau en Tweede Kamerstukken:
|