..........
Present day artificial intelligence is weird enough … It is up to us to avoid problems. (Shane 2019)
[F]rom today, quantum computer plus artificial intelligence, it is no longer a science fiction, no longer a reading comprehension, no longer a news headline, no longer a byte in Ethernet and an inconspicuous “soul” in the CPU, but a real fate. (Ranjan en Hopper 2019:50)
..........
1. Inleiding
Van den Heever (2020) skryf onlangs in LitNet oor die Vierde Nywerheidsrevolusie en hoe dit die werksomgewing in die toekoms gaan raak. Hy lig veral drie tegnologiese fasette uit wat vinnig ontwikkel, naamlik die fisiese (insluitende robotika), digitale en biologiese fasette. Die verwagting is dat die eerste robotapteker (“aptekersassistent” sou waarskynlik meer korrek wees) en kunsmatige-intelligensie- (KI-) masjien as ’n “direksielid” binnekort beskikbaar gaan wees.
Dit is bekend dat intelligente robotte reeds beskikbaar is vir gebruik in hospitale tydens die uitbraak van die huidige COVID-19-pandemie. Hooman Samani, verbonde aan die Kunsmatige Intelligensie en Robotika Laboratorium van die Nasionale Universiteit van Taipei, verwys in dié laboratorium se katalogus na ’n ambulansrobot, ’n 3D-afleweringstelsel, ’n dokterrobot (https://youtu.be/cGMxgeAHpf0) vir die meting van harttempo en koors, asook ’n gemoedstemmingrobot. Onderstaande is ’n direkte aanhaling vanaf die laboratruim se webblad wat verduidelik hoe KI en gemoedsmanipulasie werk:
Due to Coronavirus situation quarantine on travel in and out of home or city have been imposed. People have been locked down in their homes, hotel rooms and communities. That leads to serious stress and mental instability. We have developed a robot called Mood Booster which is a novel robotics system with affective interaction capability. This robot acts as a personal companion with focusing on the mood of the user. The robot has the ability to detect emotions of the user through visual and audio sensors. The emotional processing unit employs advances in the field of affective computing and artificial intelligence in order to estimate the emotional state of the user. Additionally, the artificial intelligence unit activates certain behaviours of the robot to generate positive emotional interaction towards the user. Such expressions would be projected by various behaviours of the robot such as audio output and music.”
Die proses waardeur menslike emosies kunsmatig deur masjiene geïnterpreteer word, is egter meer kompleks as wat dit op die oog af mag lyk. Dit wil voorkom asof die kunsmatige waarneming van gesigsuitdrukkings en masjieninterpretasie van menslike emosies deur middel van visuele en ouditiewe sensors tot dusver hoofsaaklik berus op die aanwending van binêre digitale data (’n tweesimboolsisteem met bv 1 en 0). Die sensoriese data soos verkry deur kunsmatige waarneming van werklike gesigsuitdrukkings word byvoorbeeld as óf gelukkig (1) / nie gelukkig nie (0) óf treurig (1) / nie treurig nie (0) gekodifiseer, of as óf kalm óf angstig, ens.
In die werklike lewe is menslike emosie egter op ’n deurlopende skaal beoordeelbaar. ’n Persoon kan dus byvoorbeeld van effens treurig tot intens treurig op ’n skaal voel. Emosies word verder ook nie noodwendig deur ’n ooreenstemmende gesigsuitdrukking van ’n persoon altyd betroubaar weerspieël nie. Vandaar ’n begrip soos “masked depression” wat daartoe aanleiding gee dat die vlak of diepte van emosies in die alledaagse lewe somtyds foutief deur welmenende belangstellendes vertolk word.
Geslagsverskille sowel as kultuurverskille is verdere faktore wat die eksterne beoordeling of persepsie van emosies bemoeilik. ’n Grynslag of oopgesperde oë in Kaïro kan dalk iets heeltemal anders beteken as dieselfde gesigsuitdrukking in New York. Die gesigsgeldigheid van die assessering van werklike menslike emosies neig dus, veral onder sekere omstandighede, tot ’n laer orde.
Watter implikasies sou dit vir die geldige en betroubare masjienassessering van menslike emosies inhou? Is dit enigsins sinvol om komplekse neurologiese funksies tot ’n vereenvoudigde voorveronderstelling te reduseer? In hierdie verband kan ’n verdere vraag gevra word, naamlik wat die implikasies sou wees wat die nuwe-generasie-kwantumrekenaars (Ranjan en Hopper 2019) vir vernuwende denke oor masjienbewussyn en -emosie voortaan inhou?
In hierdie artikel val die klem eerstens op die fisiese aspekte van KI. Die doel is om enkele beskrywings van KI-metodologie en die gebruik van algoritmes in die bedryf, nywerheid en kliniese praktyk kortliks weer te gee, en om enkele gevolgtrekkings uit die inligting te maak.
2. KI
2.1 Definisies
Volgens Oberoi (2019) is KI ’n onderafdeling van rekenaarwetenskap wat ten doel het om programme saam te stel wat funksies kan verrig wat met dié van menslike intelligensie vergelykbaar is. Dit is ’n multidissiplinêre vakdissipline wat inligting uit die sielkunde, sosiologie, neurologie, wiskunde, rekenaarwetenskap, filosofie en biologie insluit. KI kan ook beskou word as die rekenaargebaseerde simulasie van intelligente gedrag, of die masjiennabootsing van intelligente gedrag (Merriam-Webster). KI is die teorie en ontwikkeling van rekenaarstelsels wat take uitvoer wat normale menslike intelligensie vereis, soos visuele persepsie, spraakherkenning, besluitneming en vertaling (Oxford); behels die skryf van rekenaarprogramme wat probleme op ’n kreatiewe manier oplos (Vocabulary.com); verwys na die toepassing van konsepte en metodes van simboliese afleiding (nuwe feite word uit bestaande feite afgelei) deur die gebruik van simboliese kennisverteenwoordiging (die stoor van inligting) om die afleidings uit te voer (Foldoc); beteken die skepping van sagteware met die vermoë om die omgewing te ontleed met behulp van voorafbepaalde reëls, soekalgoritmes en patroonherkenning waarop strategiese besluitneming volg (Techopedia). Die basiese verskil tussen robotika en KI (Oberoi 2019) kom daarop neer dat ’n robot ’n masjien is met ’n fisiese struktuur, met of sonder KI, en wat sekere geprogrammeerde take kan uitvoer. Daarteenoor is KI rekenaarprogrammatuur en beskik dus nie oor ’n fisiese struktuur nie. By KI-robotte vind dus ’n integrasie van KI en robotika plaas deurdat KI-programme op robotstelsels geïmponeer word.
2.2 Stadia
Kaplan en Haenlein (2019:16) beskryf drie stadia vir die ontwikkeling vir KI. Eerstens is daar die kunsmatige eng-fokus-intelligensiefase waar KI op slegs een spesifieke area gerig is. KI is nie in staat om op outonome wyse soortgelyke probleme op ander gebiede op te los nie. Beter of gelykwaardige prestasie as die menslike poging word gelewer. Tweedens is daar die fase van kunsmatige algemene intelligensie. Hier word KI op verskillende areas gelyktydig toegepas. KI is in staat om op outonome wyse probleme op ander gebiede op te los. Beter of gelykwaardige prestasie as die menslike poging word op verkillende gebiede gelewer. Laastens kom die fase van kunsmatige superintelligensie. Dit is die fase waar KI vir selfbewussyn geprogrammeer word en konsekwent hoër prestasie as die menslike poging lewer. KI is in hierdie fase op alle gebiede van toepassing. KI is gevolglik in staat om probleme op alle gebiede onmiddellik teen uitsonderlik hoë spoed op te los. Dit lewer konsekwent beter prestasie as enige menslike poging.
2.3 Terminologie
Die selfleereienskap van KI beteken die vermoë om patrone te herken, om uit data te leer en om ’n toename of groei in intelligensie met tydsverloop te toon (Orbograph.com). Konvolusionêre neurale netwerke (of kunsmatige neurale netwerke) is rekenaarprogramme wat op die menslike brein en outonome senustelsel gemodelleer is. Masjienleer is alle sisteme met die vermoë om outomaties te leer en op grond van ervaring te verbeter sonder om spesifiek hiervoor geprogrammeer te wees. Diepleer, ’n meer gesofistikeerde vorm van masjienleer, is op die diepneuralenetwerkmodel gebaseer en wat meervoudige interne lae bevat, byvoorbeeld ’n inset-, versteekte (hidden) en uitsetlaag. Die model maak dus voorsiening vir ’n reeks opeenvolgende lae (konvolusionêre lae) waartydens die uitsette van die vorige laag as insette vir die nuwe laag gebruik word.
Hiltner (2019) verduidelik dat KI-tegnologie toenemend in masjienvisiestelsels geïnkorporeer word. Diepleer is een so ’n tegniek wat op die argitektuur van die konvolusionêre neuralenetwerkmodel gebaseer is. Massale hoeveelhede digitale inligting word tydens die voorafleerproses gebruik . Die sagteware is dan op grond van die voorafleerproses in staat om objekte teen ’n uitsonderlik hoë en robuuste herkenningstempo onafhanklik te klassifiseer. Hierdie diepleeralgoritmes is ook geskik om objekte te vind (locate), sowel as vir die identifisering van defekte.
Hier onder volg illustrasies van hoe KI in die bedryf en praktyk toegepas word. Die geselekteerde voorbeelde handel spesifiek oor die eerste twee KI-fases, naamlik kunsmatige engfokus en kunsmatige algemene intelligensie. Fase 3-tegnologie is nog nie beskikbaar nie.
3. Toepassings
3.1 Gedroogdevoedselbedryf
Sun, Zhang en Mujumdar (2019) verduidelik dat die volgende drie KI-modelle veral toepaslik in die gedroogdevoedselbedryf is: (a) Die kunsmatigeneuralenetwerk-benadering, wat ’n wiskundige model is van menslikebreinfunksionering en bestaan uit ’n reeks liniêre of nieliniêre prosesserende elemente (of nodes) wat deur middel van geweegde konneksies verbind word. (b) Ongedefinieerde logika (fuzzy logic) waar die operateur se tegniese kennis of deskundige ervaring herskryf word as ongedefinieerde reëls en op grond waarvan ’n ongedefinieerdereëlbasis saamgestel word. (c) Die deskundigestelsel, waarmee komplekse probleme opgelos word deur middel van ’n ekspertdenkmodel waarin kennisverteenwoordiging en kennisredenering gebruik word. In die gedroogdevoedselbedryf word hierdie KI-modelle in kunsmatige biomimetiese tegnologie ingebou vir die kontrolering van smaak- en reukstandaarde asook rekenaarvisie. Kunsmatige biomimetiese tegnologie fokus op die veranderinge in reuk, smaak en voorkoms en bevat reukwaarnemingstelsels (elektroniese neus), smaakwaarnemingstelsels (elektroniese tong) en visuele-ontleding-stelsels (elektroniese oog).
3.2 Anestesiologie
Die teoretiese denkproses oor KI en masjienleer in anestesiologie kan soos volg beskryf word (Connor 2019): 1. Daar is ’n uitkoms wat of behou of vermy moet word. 2. Daar kan nie met sekerheid gesê word watter faktore tot die uitkoms aanleiding gegee het nie en ’n kliniese toets wat die uitkoms voorspel kan nie ontwerp word nie. 3. Desnieteenstaande is pasiënte-inligting beskikbaar wat ten minste omstandigheidgetuienis verskaf of die uitkoms wel sal plaasvind. Die pasiënte-inligting is geloofwaardig, maar hou nie definitief onderling verband nie. 4. Indien die deurslaggewende teken of sein (signal) in die pasiënte-inligting aanwesig is, is dit te diffuus versprei oor die datastel, met die gevolg dat die narkotiseur die sein nie betroubaar kan identifiseer uit die aantal gevalle wat direk persoonlik hanteer word, of die besluitnemingsproses berus op onbewuste oordeel wat die narkotiseur nie logies kan verklaar nie. 5. Is ’n algoritme wat afgelei is van die pasiënte-data en uitkomste in staat om meer insig te verskaf sodat die proses van pasiëntebestuur en besluitneming merkbaar verbeter kan word?
Connor (2019) en sy navorsingsgenote verwag dat die logiese roete vir die inkorporering van KI in die anestesiologiepraktyk so sal ontwikkel dat die roetine-intraoperatiewe bestuur van pasiënte verskuif sal word na die aanwending van geslotesiklus-kontrole-algoritmes (closed-loop control algorithms) waar menslike intervensie uitgeskakel word. Die handhawing van stabiele narkotisering is ’n goeie beginpunt, omdat die algoritmes nie noodwendig ’n diagnose moet maak nie, maar eerder vasstel of die pasiënt begin “dryf” na oorskryding van die grense van die kontroleparameters wat deur die narkotiseur bepaal word.
3.3 Endoskopie
Sedert die eerste verslag oor kapsulêre endoskopie in 2000 gepubliseer is, het die gebruik van die tegniek wêreldwyd toegeneem en sodoende is die identifisering van dundermsiektes merkwaardig verbeter. Die endoskopiese toets duur egter lank en groot hoeveelhede beeldmateriaal word geproduseer.
Kapsulêre endoskopiese beeldmateriaal word normaalweg deur geneeshere visueel geïnterpreteer deur middel van afwisselende ontleding van beeldraampies om inwendige bloeding, letsels, tumors en maagsere te identifiseer. Die kwaliteit van die beeldmateriaal word veral beïnvloed deur vloeistowwe, onverteerde brokstukke asook lugblasies in die dermkanaal. ’n Groter mate van kwantifisering word benodig, omdat daar nog nie ’n erkende metode bestaan om die invloed van bogenoemde faktore op die kapsulêre beeldmateriaal te kontroleer nie.. Daar is ook nie ’n metode om die beeldmateriaal outomaties te kwantifiseer nie. Hashimoto en medewerkers (2017) beskryf ’n vernuwende algoritme wat die groep saamgestel het om die sigbaarheid van endoskopiese beeldmateriaal deur middel van kunsmatige visuele waarneming beduidend te verbeter.
Diebolt, Azancot en Boissel (2019) sê dus tereg dat KI nie mediese dokters sal vervang nie, maar dat dokters wat KI gebruik, dié sal vervang wat dit nie gebruik nie. Die opmars na KI-vernuwing is onstuitbaar en daar word vir niemand gewag nie. Enige land wat nie pro-KI in mediese navorsing en praktyk is nie, sal tot ’n blote ondersteunde rol gerelegeer word. Die skade sal groot wees, veral vir pasiënte wat gevolglik nie toegang het tot die nuutste toepassings van KI-tegnologie nie, sowel as vir dokters wat bloot diensleweransiers word, pleks van vernuwers en voorlopers wat wetenskaplike ontwikkeling betref.
3.4 Watersuiwering
Volgens Fan, Hu ea (2018) is KI-tegnieke soos kunsmatige neurale netwerke, genetiese algoritmes, multivlakwaarneming en partikelswermoptimalisering nuttige metodes in omgewingsmanipulering weens kenmerkende eienskappe soos nieliniariteit, aanpasbaarheid en veralgemeenbaarheid. Die metodes dra daartoe by om die watersuiweringsproses te optimaliseer. ’n Voordeel van KI in vergelyking met ander tradisionele metodes is dat kunsmatige neurale netwerke ’n meervoudige veranderlike stelsel modelleer vir die onttrekking van komplekse nieliniêre verhoudings tussen die veranderlikes deur die toepassing van dataselfleer. Met behulp van KI kan die beperkings van tradisionele wiskundige modelle oorkom word deurdat die verlangde uitsetdata onttrek word deur middel van aanvanklike selfleerdata en waarvoor voorafspesifikasie nie ’n vereiste is nie. Daar is egter ook nadele, soos dat betreklik groot insetdatabasisse benodig word om ’n responsplatform te bou wat akkurate en betroubare data vir selfleer sal lewer.
Die navorsers se gevolgtrekking is dat neurale netwerke en diepleer potensiaal toon vir die modellering en optimalisering van watersuiweringsprosesse waar groot en komplekse datastelle ter sprake is.
3.5 Mynbou
Een van die belangrikste uitdagings in mynbou is dat tonnemaat en gradering van erts direk aan die produksieteikens gekoppel is. Onverwagte afwykings in die gradering van erts skep onsekerhede in die produksiemodel met ’n negatiewe impak op die effektiwiteit van produksie. Die akkuraatheid van produksievoorspellings kan verhoog word indien die afwykings gemonitor word en die data weer terug in die graadkontrolemodel geïntegreer word. In hierdie geval gebruik die navorsers (Wambeke en Benndorf 2017) ’n selfleer-Kalmanfilter-tipe algoritme wat die voorspellings of propagering (forward propagated realisations) van die uitsette koppel aan werklike prosesdata (wat dikwels onakkuraat is) en sodoende die graderingskontrolemodel verbeter.
3.6 Antennerigtingwysing en satellietopsporing
Gepaardgaande met die vinnige ontwikkelinge op die gebied van selfoon- en mobiele dienste gerugsteun deur satelliet-aarde-gekoppelde netwerke, het die situasie ontwikkel dat beide datatransmissie en -analise toenemend meer hulpbronne vereis. Die prosesse is op sigself uiters tydrowend.
Gevolglik het Liu (2019) en sy medewerkers ’n KI-selfleernetwerk ontwikkel wat die volgende ondersteuning bied: filtrering en korrigering van inisiële insetdata; die identifisering (tracking) van selfoonseinstasies en -terminale; satellietseleksie en antennekorrigering. ’n Diepleerproses van historiese data oor satellietstasies en antennes stel intydse data beskikbaar vir rigtingbepaling en opsporing. Terselfdertyd word die toekomstige posisie van stasies en terminale beskikbaar gestel. Vir dié doel word verskeie gevorderde sensors gebruik, soos die hoekmeter (inclinometer), kompas, girokompas en inersienavigasiesensors.
3.7 Kwantumtegnologie
Die eerste kwantumrekenaar is in Januarie 2019 internasionaal bekendgestel (Ranjan en Hopper 2019). Vanuit ’n meganiese vertrekpunt verskil kwantumrekenaars ingrypend van tradisionele rekenaars wat die funksioneringsbeginsels en -roetes betref. Hier word wegbeweeg van binêre data met diskrete waardes van 1 of 0 na ’n kwantumgespesifiseerde superposisie wat parallelle berekeninge moontlik maak, en gevolglik word hierdie rekenaars se spoed eksponensieel verhoog.
Op hierdie stadium is dit nog nie presies duidelik wat die gevolge kan wees wanneer KI met kragtige kwantumrekenaartegnologie gekombineer word nie. Die “koudbloedige” kwantumtegnologie kan blitssnel die vermoë van selfleer onder die knie kry, leer om soos ’n menslike wese te dink en selfs beheer oor die mens in alle opsigte oorneem. Volgens Ranjan en Hopper (2019) klink hierdie waarskuwing tans na wetenskapfiksie, maar inteendeel is dit ’n feit wat ernstige en kritiese oorweging noodsaak.
4. Gevolgtrekking en aanbevelings
Uit hierdie seleksie van enkele navorsingstudies kan geen bepaalde patrone afgelei word nie, maar die feit is dat KI ’n uiters belangrike rol in die bedryf en praktyk speel en vorentoe al hoe meer ’n belangrike rolspeler gaan word.
’n Groter mate van presisie, beter gehaltebeheer, verhoogde produksie, bevordering van voorkoming en veiligheid, beter tydsekonomie, outomatiese kwantifisering, optimalisering, en groter akkuraatheid van voorspellings is kernbegrippe wat uit hierdie studies voortspruit en die voordele van KI goed demonstreer.
Dit blyk egter ook dat eksplisiete en dringende waarskuwings van tyd tot tyd na vore kom veral indien die twee aanhalings aan die begin van die artikel ernstig opgeneem word.
Die vraag is waar die proses gaan eindig. Masjienleer en robotika kan tradisionele oorlogvoering soos ons dit tans verstaan, sowel as alle ander fasette van die lewe en die mensdom totaal in ’n ander dimensie plaas. Tot waar strek KI-beheer en -perke? Kan supermasjienselfleer op sodanige wyse ontwikkel dat die mens se beheer op hierdie planeet oorskry word?
Die ontwikkeling van die KI-proses behoort wat alle stadia van ontwikkeling betref, internasionaal streng gereguleer te word. Uniforme etiese riglyne moet so spoedig moontlik beskikbaar gestel word.
Eindnota
Ludolph Botha word bedank vir sy bereidwilligheid om die teks van hierdie artikel voor publikasie deur te werk, en vir die toepaslike kommentaar wat hy gelewer het.
Die akademiese artikels wat hier geraadpleeg is, is verkry deur middel van die Ebsco Host-navorsingsdatabasis via die Gericke Biblioteek, Universiteit Stellenbosch se e-geriewe.
Bibliografie
Connor, CW. 2019. Artificial Intelligence and machine learning in anaesthesiology. Anaesthesiology, 131:1346–59. https://anesthesiology.pubs.asahq.org/article.aspx?articleid=2730590.
Diebolt, V, I Azancot en FH Boissel. 2019. "Artificial intelligence": Which services, which applications, which results and which developments today in clinical research? Which impact on the quality of care? Which recommendations? Therapie, 74(1):155–64.
Fan M, J Hu, R Cao, W Ruan en X Wei. 2018. A review on experimental design for pollutants removal in water treatment with the aid of artificial intelligence. Chemosphere, 200:330–43.
Hashimoto, S, H Ogihara, M Suenaga, Y Fujita, S Terai, Y Hamamoto en I Sakaida. 2017. An automated self-learning quantification system to identify visible areas in capsule endoscopy images. Journal of Medical Systems, 41(8):1–9. https://www.researchgate.net/publication/318280268_An_Automated_Self-Learning_Quantification_System_to_Identify_Visible_Areas_in_Capsule_Endoscopy_Images.
Hiltner, J. 2019. Self-learning intelligence for object recognition. Vision and Sensors, Julie: 6-9.
Kaplan, A, en M Haenlein. 2019. Siri, Siri in my hand: Who’s the fairest in the land? On the interpretations, illustrations and implications of artificial intelligence. Business Horizons, 62:15-25.
Liu, Q, J Yang, C Zhuang, A Barnawi en BA Alzahrani. 2019. Artificial Intelligence-based mobile tracking and antenna pointing in satellite-terrestrial networks. IEEE Access, 7:117497–502.
Oberoi, E. 2019. Difference between artificial intelligence and robotics. Skyfilabs, 14 Oktober. https://www.skyfilabs.com/blog/difference-between-robotics-and-artificial-intelligence.
Ranjan M en H Hopper. 2019. What if quantum computer combined with artificial intelligence? Science Insights, 29(2):48–51. http://bonoi.org/sites/default/files/files/Perspective_SI_V29N2_30June2019.pdf.
Shane, J. 2019. The danger of AI is weirder than you think. TED Talks, YouTube, 13 November. https://www.ted.com/talks/janelle_shane_the_danger_of_ai_is_weirder_than_you_think/transcript?language=en.
Sun, S, M Zhang en AS Mujumdar. 2019. Recent developments of artificial intelligence in drying of fresh food: A review. Critical Reviews in Food Science and Nutrition, 59(14):2258–75. DOI: 10.1080/10408398.2018.1446900 https://www.tandfonline.com/doi/abs/10.1080/10408398.2018.1446900?journalCode=bfsn20.
Van den Heever, J. 2020. Die Vierde Nywerheidsrevolusie verander die wêreld waarin ons werk. LitNet, 3 Maart. https://www.litnet.co.za/die-vierde-nywerheidsrevolusie-verander-die-wereld-waarin-ons-werk.
Wambeke, T en J Benndorf. 2017. Simulation-based geostatistical approach to real-time reconciliation of the grade control model. Mathematical Geosciences, 49:1–37. https://link.springer.com/article/10.1007/s11004-016-9658-6.
Lees ook:
Kommentaar
Nogmaals 'n puik en baie relevante artikel. Baie geluk!