AI of Machine Learning, wat is het verschil?
Sinds de lancering van ChatGPT in november 2022 zijn we uit onze “AI-winter” gekomen. Deze AI-hype brengt ons tientallen nieuwe tools die het gemakkelijker maken om inhoud te genereren en “dom” werk te automatiseren. Tegelijkertijd haasten wetgevers zich om AI te reguleren om de veiligheid van consumenten te kunnen waarborgen.
Eén ding is zeker: AI blijft en zal veel grote- en kleine veranderingen teweegbrengen in ons leven en onze manier van werken.
Maar als we over AI spreken, hebben we het dan echt over AI of bedoelen we dan eigenlijk Machine Learning (ML)? In de praktijk worden deze termen vaak door elkaar gebruikt, maar wat is eigenlijk het verschil tussen AI en ML? Deze vraag zullen we proberen te beantwoorden in dit artikel.
Wat is kunstmatige intelligentie eigenlijk?
Kunstmatige Intelligentie (Artificial Intelligence / AI) heeft evenveel definities als implementaties. Wij beschouwen AI als elke applicatie die haar doelen bereikt met behulp van algemene “tools”, oftewel simpele algoritmes. AI combineert deze tools op basis van interactie met haar omgeving.
Met andere woorden; AI bereikt haar doelen op een manier die niet van tevoren is uitgeschreven, zoals het geval is bij traditionele computerprogramma’s.
En wat is machine learning dan?
De definitie van Machine Learning is veel eenvoudiger: de studie van computeralgoritmen die automatisch verbeteren door middel van ervaring.
Dit betekent dat ML niet altijd ook AI hoeft te zijn. Er is een groot gebied van “traditionele” ML, met veel tools die al jarenlang worden gebruikt door statistici en datawetenschappers. Veel van deze tools worden nog steeds veel gebruikt, zoals ‘regressie’ en ‘K-Nearest Neighbours’.
Waar AI en ML samenkomen
De meest interessante recente vooruitgang is de combinatie van AI en ML. Deze combinatie profiteert van de flexibiliteit van AI gecombineerd met de kracht van ML om te leren van eerdere resultaten, op basis van de enorme hoeveelheid data die tegenwoordig beschikbaar is.
Algoritmen zoals ‘Neural Networks’ / ‘Deep Learning’ en ‘Evolutionary Algorithms’ laten ons zien dat, indien correct toegepast, een generiek toepasbaar algoritme doorgaans beter presteert dan een mens bij het oplossen van complexe problemen.
Echter, AI is geen magische oplossing. AI is pas effectief wanneer het wordt ondersteund door hoogwaardige data die relevant is voor het probleem dat je probeert op te lossen, ook wel het ‘Garbage in, Garbage Out’ principe genoemd.
Zelfs als je hoogwaardige relevante gegevens hebt om je ML-model op te trainen, zal het nog steeds in staat zijn om slechts één enkel probleem op te lossen waarvoor je het hebt getraind (als alles goed gaat).
Totdat we Kunstmatige Algemene Intelligentie (AGI) bereiken, zijn dit onze grenzen. Het toepassen van een Machine Learning-algoritme op basis van slechte data of het verkeerde scenario zal altijd resulteren in een slecht resultaat. Dit leidt tot zeer beperkte toegevoegde waarde of erger nog; een negatieve invloed op de gebruikerservaring van je klanten.
