Twee uitstekende en nuchtere verhalen over hoe AI in gezondheidszorg wordt toegepast. De nederlander Michael Abramoff, werkzaam in Iowa, vertelde over geautomatiseerde diagnose van oogziekten, en Elisabeth Asai over datzelfde bij huidziekten. De computer helpt daarbij de mens door een snelle en nauwkeurige diagnose. Het doel hiervan is betere toegang tot de zorg, en lagere kosten.
Opvallend bij beide verhalen was dat ze al decennia mee bezig zijn met automatisering bij diagnose. AI is geen revolutie maar een evolutie. In de jaren 80 met regel-gebaseerde systemen waarbij de computer vragen stelde. Daarna met eenvoudige convolutionele netwerken maar dat werkte nog niet goed: Ze konden alleen maar werken op kleine foto’s (16×16 pixels) en waren daardoor erg onnauwkeurig, en ze waren breekbaar: Door kleine verstoringen werkte het al niet meer. Moderne AI heeft betere algoritmes, er is meer computerkracht, en kan worden gewerkt met goede scherpe foto’s.
De oogdiagnosetool van Abramoff is bijzonder, want FDA goedgekeurd. Dat vereiste een groot proces, waarbij de kenmerken van het algoritme moesten worden ‘gematcht’ met de eisen van FDA Trials:
Gevoeligheid: Hoeveel gevallen vangt je systeem
Specificiteit: Hoe weinig vals positieven vangt je systeem
Diagnosabiliteit: Het moet werken op de overgrote meerderheid van alle gevallen
Daarnaast zijn er bij de FDA veel eisen over de manier van werken, en is het AI systeem verantwoordelijk voor de diagnose. Toen een vraag uit het publiek kwam wat Abramoff vond van de resultaten van Google, die met deep learning allerlei kenmerken (zoals geslacht) uit oogfoto’s kon halen, zei hij simpelweg: Zij zijn niet FDA goedgekeurd, en meer kan ik daar niet over zeggen. Met andere woorden: Daar hangt al dat gewicht niet aan.
Beiden legden ook goed uit hoe hun algoritmes in elkaar zaten, met deep learning worden biomarkers herkend en anomalieen gevonden. De nauwkeurigheid is niet altijd goed te vergelijken met de diagnose van mensen, omdat daar heel veel ‘ruis’ in zit. Zelfs artsen uit verschillende landen scoren totaal anders met hun diagnosenauwkeurigheid. Er wordt daarom alleen gekeken naar de uitkomst. En er is geen praatje over AI waar niet over bias gesproken. Voor de huidziekte diagnose is dat nu nog lastig voor donkere huid.
En beiden maakten het heel duidelijk waar AI momenteel goed werkt: Op een klein, heel goed gedefinieerd onderdeel kan AI heel behulpzaam zijn met snelle, goedkope, schaalbare en goede diagnose. Het beeld van de robot dokter die binnen een paar jaar alle medische banen overneemt is volslagen onzinnig.
Een duo presentatie van 2 docenten die bij de CIA ‘Creatief Denken’ onderwijzen. Creatief denken en verbeelding werd bij de CIA een echt onderwerp na het 9-11 rapport, dat onder andere concludeerde: “It is therefore crucial to find a way of routinizing, even bureaucratizing, the exercise of imagination.”. Maar hoe doe je dat?
Het allerbelangrijkste is om vooral zo lang mogelijk ‘divergent’ te blijven denken en meer wegen te zoeken, voor je te verbinden aan 1 oplossing. ‘Resist the urge to converge!’
De CIA instructeurs gebruiken een systeem met 4 elementen, allen vernoemd naar dieren om makkelijk te kunnen onthouden:
Wombat – Herkaderen
Het kader van het probleem kan je uitbreiden met de term ‘Wombat’: What might be all the …. Je wordt uitgedaagd om van jrobleem (‘Hoe kom ik over de rivier’) te her-kaderen: Wat zijn alle manieren waarop ik over de rivier kan komen. Dit scheelt echt, je komt tot veel meer opties. Dus stel vragen die uitnodigen tot nadenken, wat ze noemen ‘invitational questions’, met meervoud. Dus niet: ‘Hoe’ maar ‘Op welke manieren’.
Wolf – Out of your box
De wolf staat voor ‘out of the box’ denken. Met wie zouden we kunnen samenwerken om dit probleem op te lossen. In het geval van het MH-17 onderzoek waren dat bijvoorbeeld tal van instanties die met veiligheid, luchtvaart, geografische data en raket wetenschap te maken hadden. Ook werkt CIA samen met heel andere organisaties, zoals Hollywood schrijvers om een verhaal over te brengen, science fiction schrijvers, zelfs goochelaars. Vraag je dus af: “Op welke manieren kan ik leren van iemand met een ander beroep?”. Lees andere tijdschriften. Neem andere routes.
Wood Duck – Denk in analogieën
Het viel een CIA medewerker eens op dat de Wood duck (Carolina-eend in het nederlands) een heel ander leven had dan andere eenden. Hij verbleef in bomen, en was vaak samen met eekhoorns. Hij migreerde hel anders. Dat kan je gebruiken om je verbeelding te voeden. Op welke manier kan de verdachte heel andere patronen hebben dan de rest? Maak daar een verhaal van, alsof het een film is. Bij de CIA maken ze zelfs echte filmposters en maken complete fantasie-verhalen. Dit helpt creatief denken én het overbrengen daarvan. Om je op gang te helpen kan je kijken naar jouw antwoorden op vragen als: Wat doe ik graag in het weekend, of Wat is mijn favoriete kunstwerk. Ga dan na hoe je het probleem kan zien in dat kader. Een van de agenten koos bijvoorbeeld een kunstwerk met watervallen en rivieren, en ziet anti-terrorisme nu in dat kader: Als we een blokkade maken, stroomt de rivier daar om heen. En bij anti terrorisme is dat net zo.
Otter – Breek patronen
De vorige oplossingen werken misschien niet meer. Bij CIA hebben ze daarvoor een ‘Red Cell’: Een groep mensen die zoekt naar ‘Black Swans’ (verrassende gebeurtenis met grote gevolgen), ‘Gray Rhinos’ (verwachte problemen die nog steeds verrassen), ‘Dogs that don’t bark’ (gebieden die tot niets leiden) en ‘Plate tectonics’ (dramatische veranderingen die zeer langzaam plaatsvinden). Een van de voorbeelden hiervan is bekend geworden in het boek en de film Argo, waarbij Amerikanen werden bevrijd uit Iran door het land te bezoeken met een team dat zogenaamd een film aan het maken was. Zo’n crew bestaat uit mensen uit de hele wereld, en alleen hollywood mafkezen gaan een bezet land in om te filmen. Dus geloofwaardig, en makkelijk om aan mee te werken. Doe dus juist niet wat je normaal wel doet.
Afgelopen week was ik voor de 10e keer naar SXSW, de jaarlijkse tech-conferentie in Austin, Texas. Zoals ieder jaar was er een duidelijk thema te spotten. Waar het voorgaande edities ging over social media, big data, IoT of VR was dit jaar Artificial Intelligence (AI, Kunstmatige Intelligentie) buitengewoon prominent aanwezig. Een absolute hype waarbij allerlei tools die we al jaren gebruiken, zoals het aanbevelings-systeem van Amazon of Netflix of de gezichtsherkenning in sommige foto tools, ineens ‘AI’ wordt genoemd omdat dat hip is. En waarbij AI er bij wordt gesleept in onverwachte sectoren. AI and food. AI and therapy. AI in sports. AI and musicvideos.
In dit verhaal wil ik drie dingen beschrijven:
Waarom ineens die interesse in AI? Hoe komt het dat veel grote tech bedrijven en ontelbare startups ineens deze richting als belangrijke zien?
Waar liggen er misverstanden over AI en hoe kunnen we er beter over communiceren?
Wat zijn zorgen over AI? Moeten we ons druk maken?
Behalve deze onderwerpen heb ik ook talloze, talloze goede voorbeelden gezien van waar en hoe AI werkt, nu al. Dit ga ik in andere posts beschrijven. Nu eerst dit.
1. Waarom al die interesse in AI?
Kort gezegd: Omdat de afgelopen jaren AI zo veel beter is geworden dat we het echt kunnen gaan gebruiken. Die verbeteringen komen door vooruitgang op 3 gebieden:
Data. AI systemen hebben voorbeeld-data nodig om te leren, en er is veel meer data beschikbaar. Als je bijvoorbeeld een AI wil maken die foto’s herkent, zal je foto’s moeten hebben waarbij je ook weet wat er op die foto’s staat, zodat je de AI kan uitleggen: Dit is een foto van een schoolbus. Daardoor kan het systeem daarna schoolbussen herkennen. Gelabelde data, heet dat. Die data is er nu op talloze gebieden; denk aan stem (‘deze geluidsopname is van iemand die “appel” zegt’) of bijvoorbeeld handschrift (‘dit zijn voorbeelden van de letter A, geschreven door 10,000 verschillende mensen’).
Hardware. Cloud computing is algemeen beschikbaar, voordelig en schaalbaar. En supersnel geworden door het toepassen van grafische kaart hardware. Grafische kaart? Ja, bedrijven als NVIDIA liggen momenteel voorop hierin. De hardware op die kaarten, GPU genoemd wat staat voor Graphics Processing Unit, is heel geschikt om heel veel data parallel te verwerken, wat nodig is om een vloeiend beeld te maken voor bijvoorbeeld een computergame. Een standaard CPU in iedere computer heeft 2, 4 of 8 ‘cores’ (reken-eenheden), een GPU heeft er vele duizenden. Stel je voor dat je een snelweg hebt van 3000 rijbanen in plaats van 4 of 8. Dat gaat lekker snel.
Algoritmes. Al in de jaren 90 werden ‘neurale netwerken’ gebruikt; een rekenmodel in een computer die een soort eenvoudige imitatie is van hoe hersenen werken. Neuronen die een signaal kunnen doorgeven, of niet. Het succes daarvan viel eigenlijk tegen, tot rond 2009 variaties van de standaard neuraal-netwerk algoritmes succesvol bleken. ‘Diepe’ netwerken met veel tussenlagen bleken goed te kunnen leren, er kwamen algoritmes die een geheugen kregen waardoor spraakherkenning ineens veel beter werkte, en en kwamen algoritmes die beeldherkenning slimmer aanpakten waardoor dat ineens sprongen vooruit maakte.
Ineens waren er door deze drie elementen oplossingen mogelijk voor van oudsher heel lastige problemen. Als je in de jaren 90 hebt gewerkt met dicteer-software zal je ervaren dat een moderne Siri of Google Now in je telefoon dit nu veel beter kan dan wat toen het beste was. Het is dus ook niet toevallig dat die systemen juist nu allemaal ontwikkeld worden. Het kan nu, en tech-bedrijven denken dat we straks liever praten tegen onze telefoon dan dat we ouderwets aan het typen zijn.
Het herkennen van gezichten, foto’s, stemmen kan je het ‘perceptie’ onderdeel noemen van een AI systeem. De ogen en oren. Het andere grote onderdeel is het nemen van een ‘beslissing’ door de AI. Dit kan je ook in 2 groepen verdelen.
Zelf autonoom beslissen. Een robot ‘ziet’ dingen en reageert daar zelfstandig op. Denk aan een zelfrijdende auto; als die een stoplicht herkent of een fietser die ineens oversteekt zal hij zelfstandig beslissen wat te doen. Of denk aan een beurshandelsysteem dat zelfstandig aandelen koopt en verkoopt op basis van nieuwe data plus geleerde patronen.
Een mens assisteren. Denk aan een AI die een arts helpt door alle risico’s van een bepaalde ingreep te tonen, en meekijkt tijdens de operatie. Of een slechtziende helpt door hem in te fluisteren dat er twee mensen voor hem zitten, waarvan 1 lacht. Of een stem-analyse doet van een 112-telefoontje en een reeks kenmerken van de beller kan geven.
Kenmerk van al deze AI systemen is dat ze ‘zelfstandig leren’. Maar daarover ontstaan wel eens misverstanden. Want zo zelfstandig is dat helemaal niet altijd. Ze hebben data en een algoritme nodig. En dat leidt me tot het tweede onderwerp wat ik wil beschrijven:
2. Waar liggen de misverstanden over AI?
Om dit goed te kunnen uitleggen eerst een klein intermezzo over de werking van AI systemen. Hoe komt het dat AI systemen leren?
Als voorbeeld neem ik hier even beeldherkenning, “Wat staat er op deze foto?” Zo’n systeem heet een classificatie systeem. Hoe het leert is in principe heel eenvoudig.
Bouw een computerprogramma met daarin een bepaald algoritme. Bijvoorbeeld een ‘deep learning’ variant, met bepaalde extraatjes die hem in het bijzonder goed maken voor beeldherkenning, zoals het gebruik van ‘convolutionele neurale netwerken’ die goed werken in het vinden van kleine patronen, zoals horizontale lijnen, of kleurovergangen, in een plaatje. Zo’n programma kent heel veel parameters, denk maar aan honderdduizenden.
Stop er veel data in. Als je bijvoorbeeld wilt trainen op het herkennen van gezichten stop je er zo veel mogelijk plaatjes in, die je ‘gelabeld’ hebt. Je stopt er bijvoorbeeld een plaatje in van een landschap, en je zegt ‘hier staat geen gezicht op’. En zo verder met plaatjes van auto’s, huizen, skippyballen, wat je maar kan vinden. En je stopt er plaatjes in waar wel gezichten op staan, en die label je ‘hier staat wel een gezicht op’. De computer gaat ‘trainen’ op die plaatjes, met steeds kleine variaties binnen het algoritme. Hij verandert een van de parameters een beetje, en kijkt of dat een positief of negatief effect heeft op de score. De score is bijvoorbeeld ‘hoeveel % heb ik er goed’. En dat weet hij, want je hebt de juiste antwoorden ook meegegeven met de data. En dan verandert hij de volgende parameter. Etc. En dat herhaalt hij vele rondjes, net zo lang tot hij de sleutel vindt waardoor hij goed kan onderscheiden wanneer er wel en niet een gezicht op een foto staat. Het unieke patroon van rondjes, streepjes, vlakjes en kleuren dat bij ‘gezichten’ hoort heeft hij dan gevonden. Dat zit nu in de parameters. Zelf gevonden, zonder dat de programmeur het er in heeft gestopt.
Test het met testdata. Na deze trainingsfase ga je kijken hoe goed het systeem werkt. Je stopt er nog een keer duizenden gelabelde foto’s in (die niet in je trainingsset zaten) en je kijkt hoe goed het systeem werkt. Hoeveel % van de foto’s zonder gezicht heeft hij juist geclassificeerd als ‘geen gezicht aanwezig’? En hoeveel van de foto’s met gezicht heeft hij goed geclassificeerd? En gemist? Dit geeft een score van je systeem. Door te variëren met het algoritme en met instellingen van het trainen zelf kan je de training- en testfase herhalen tot je tevreden bent met de score. En wat ‘score’ is bepaal je zelf: Wil je zeker weten dat hij in ieder geval alle foto’s herkent waar een gezicht op staat, en neem je daarbij op de koop toe dat hij af en toe gezichten denkt te herkennen in een heg of een wolk? (Vals positieven dus toelaten). Of wil je zeker weten dat op alle foto’s die hij als foto’s met een gezicht heeft herkent daadwerkelijk een gezicht staat, en neem je daarbij op de koop toe dat hij af en toe een foto met gezicht ten onrechte heeft weggegooid? (Vals positieven uitsluiten maar vals negatieven op de koop toe nemen). Dit is altijd een balans, en het hangt helemaal af van je eigen eisen welke je wilt. Deze train-test cyclus gaat door GPU hardware nu dus redelijk snel waardoor je tot een goed model kan komen. Als iedere cyclus een week kost probeer je veel minder uit dan als het in een uurtje kan.. en dus kan je veel betere parameters voor het model vinden dan vroeger.
Als je deze fases hebt doorlopen heb je het systeem gebouwd en kan het worden losgelaten op ‘echte data’. Naarmate er meer data in komt vanuit de echte wereld kan je het systeem ook hertrainen. Dagelijks, of wekelijks.
Wat heel belangrijk is om hier te begrijpen is dat het algoritme niet is verteld wat een gezicht is, of hoe hij die moet herkennen. Het algoritme heeft dit zelf gevonden. De programmeur heeft die kennis er niet in gestopt.
Dus je kan niet zeggen: Door te zien waar het algoritme de fout in gaat, kan je leren over de vooroordelen van de programmeur. Als een beeldherkenningsprogramma een burrito denkt te herkennen op een schilderij van een bos bloemen is dat niet de ‘schuld’ van de programmeur. Die hield niet per sé van burrito’s en heeft het ook niet als feature ‘burrito-achtigheid’ ingebouwd in de software. Het is wel de ‘schuld’ van de trainingsdata die er is in gestopt. Daar zaten te veel, te slechte, of verkeerd geclassificeerde foto’s van burrito’s in.
En dit kan goed fout gaan. Een voorbeeld is een beeldherkenningssysteem binnen de Amerikaanse justitie dat bedoeld was om potentiële criminelen te herkennen. Deze was getraind op foto’s van criminelen in Amerika, maar was volkomen racistisch geworden door de verkeerde trainingsset. De kans dat een gekleurd persoon als potentieel crimineel werd aangemerkt was veel groter dan voor een blanke. Lees meer hierover in de Washington Post – Big data may be reinforcing racial bias in the criminal justice system
Het punt hierbij dat zo’n systeem veelal een ‘black box’ is. Er gaat data in, er komt een antwoord uit, en geen mens, zelfs de ontwikkelaars niet, kunnen exact zeggen hoe die beslissing tot stand is gekomen. Zo’n deep learning netwerk bestaat uit honderdduizenden parameters die allemaal invloed hebben op elkaar, dus daar is voor helemaal niemand wijs uit te worden. “Het werkt”, maar waarom? En daarin hebben tech-bedrijven verantwoordelijkheid: Ze moeten zo open mogelijk zijn over hoe het systeem getraind is, en wat mogelijke vooroordelen en fouten zijn van het systeem. En er moet vooral niet mystiek over gedaan worden. ‘Machine learning’ klinkt lekker magisch, maar uiteindelijk is het gewoon gebouwd door ontwikkelaars en gevoed met data uit de echte wereld, om het in het algoritme gestelde doel zo goed mogelijk te halen. En niet alles werkt goed, daarover moeten de bouwers meer open zijn.
Als gebruiker van die systemen moet je daar meer over weten. Alleen al om te begrijpen wanneer het wel en niet werkt, en welke keuzes er zijn gemaakt. Is er geoptimaliseerd op zo veel mogelijk goede antwoorden, of zo min mogelijk fouten? Hoe is het systeem getraind en welke vooroordelen kan het hebben? Waar kan ik het vertrouwen, en waar niet meer?
3. Moeten we ons zorgen maken over AI?
We hebben als mens soms de neiging om volledig te vertrouwen op techniek. Denk maar aan die verhalen van mensen die een rivier in rijden omdat hun navigatiesysteem ze dat vertelde. En je kan voorspellen dat de techniek steeds meer van ons leven gaat overnemen, doordat AI zo slim en gebruikersvriendelijk wordt. Dit is iets om goed op te leren letten.
Een voorbeeld: AI en sport. Er zijn heel wat apps die je op je telefoon kunt draaien die je helpen tijdens je training. Door kennis over jouw prestatie te combineren met geleerde patronen van andere atleten kan zo’n app je automatisch het optimale trainingsschema geven. En je pushen om nu in hartslagzone 4 te gaan. Maar wat die app misschien niet weet is dat je kinderen al 2 dagen diarree hebben waardoor je je heel slecht hebt geslapen. Dan kan het heel ongezond zijn om blind te vertrouwen op die aanmoediging.
Een ander voorbeeld. Stem-analyse software kan met 20 minuten aan spraak van iemand diens stem volledig nadoen. Stel dat criminelen zo’n AI de stem van je moeder hebben geleerd, en jou bellen om met haar stem te vragen wanneer je nou precies op vakantie gaat… zodat de inbraak goed te timen is. Hieronder een korte demo van dit programma, rond 4:30 worden een paar nieuwe woorden uitgesproken die zijn samengesteld uit losse fonemen die de proefpersoon heeft uitgesproken.
In nog een ander voorbeeld is getoond dat het mogelijk is om een fake video te maken. Neem een video van Donald Trump, combineer dit met een acteur die een bepaalde zin uitspreekt, en het algoritme kan de video van Trump zo aanpassen dat het exact lijkt of Trump die woorden uitspreekt. Fake news krijgt zo een heel nieuwe dimensie.
Daarnaast is er natuurlijk ook het feit dat er banen kunnen verdwijnen en veranderen door AI. En er zullen ook nieuwe ontstaan, zo zag ik op SXSW iemand met de functie ‘Chief Robot Coach’. Hoe dit precies uit gaat pakken weet niemand zeker. En is een heel andere discussie.
Duidelijk is dat AI een technologie is, een tool. En net als alle technische tools heeft die impact op werk en welzijn, en kan ook worden gebruikt door kwaadwillenden om ons te bedriegen, te bestelen of te beïnvloeden. De positieve kant er van is dat computersystemen steeds beter, slimmer en gebruiksvriendelijke kunnen worden. En daarom vind ik AI zo interessant.
In het panel Adam Cheyer, VP of Technology bij Viv Labs, waar ik al eerder enthousiast over was, Rana el Kaliouby van Affectiva, een bedrijf dat zich specialiseert in emoties en technologie, en Oren Etzioni van het Allen Institute of AI. Mensen uit de loopgraven van de AI wereld dus!
Op de vraag of algemene AI ooit slimmer zal worden dan de mens stak ongeveer 60% van de zaal hun hand op, en 30% dacht van niet. Een goede kickoff van prima discussie over wat er nou wel en niet goed kan met AI.
Wat nu al heel goed werkt zijn systemen die leren met “supervised learning”. Je geeft de software input (foto’s bijvoorbeeld, of geluid van gesproken woord, of 1 miljoen potjes Go) en je vertelt de software wat het goede antwoord was. Door de grote stappen in Neurale Netwerk algoritmes van de afgelopen jaren, plus heel geschikte hardware om grote analyses te doen in de vorm van GPU’s, plus de aanwezigheid van heel veel data om mee te trainen zijn deze systemen nu heel goed in hun taak geworden. Maar dan alleen in die taak. De AlphaGo computer die nu wint van de beste Go speler ter wereld kan niet schaken. En hij zal ook nooit zeggen dat hij vandaag niet zo veel zin heeft. De AI specialisten zien deze overwinning dan ook als een kleine (maar knappe) stap in het veld van AI.
En daar zit een belangrijk punt. AI systemen van nu zijn heel nauw, gespecialiseerd in 1 taak en die beter doen dan een mens. Maar laat zo’n systeem eens een test zien die een kind in groep 4 kan maken, dan heeft de software geen kans. Een tekeningetje van een bal en een plank, met de vraag ‘wat gebeurt er als de bal wordt losgelaten’ is voor een kind makkelijk, voor een AI voorlopig onmogelijk. Daarmee is een schooltest voor een 4-jarige voor een AI systeem veel moeilijker dan een potje Go.
Waar AI ook nog moet groeien is in perspectief. Een debat houden met een AI systeem zal niet zo snel lukken, omdat die zich niet kan verplaatsen in het standpunt van de ander, en daar op in kan gaan. Ook zijn er in de taal nog uitdagingen genoeg, met zinnen waarbij wij uit de context halen welke variant wordt bedoeld.
En die Turing test dan? De Turing test is vooral een test voor menselijke goedgelovigheid. Als je werkelijk onzeker bent of een systeem een mens of een computer is, heb je niet genoeg je best gedaan om de computer te ontmaskeren. Maar gek genoeg vinden mensen dit ook niet altijd erg. Anders dan van te voren was voorspeld wordt er heel veel gewoon gekletst tegen Siri. De bouwers dachten dat de nadruk vooral op productiviteit zou liggen, maar het gebruik was dus anders. Daarom is Siri een beetje aangepast, en geeft het soms kleine verrassingen in het antwoord waardoor het meer menselijk klinkt.
En als die AI er dan is, hoe kan je dan vertrouwen dat ‘jouw AI’ ook werkelijk in jouw belang handelt? Dat vereist vertrouwen. Bij Viv Labs bouwen ze dat op door heel transparant te zijn in wat Viv leert over je. “Viv wants to know this, is that ok and do you want me to remember it?” En je kan later altijd bekijken wat Viv over je weet, en je kan het wijzigen. Er moeten ook richtlijnen komen voor hoe een AI systeem interacteert met de mens, net zoals Apple de ‘human interface guidelines’ heeft opgesteld. Dit is een nieuw gebied en er is nog veel te leren.
En lopen onze banen gevaar? Jazeker, dat is nu al bezig en zal in de toekomst groter worden. Banen die echt risico lopen zijn bijvoorbeeld vrachtwagenchauffeur, maar ook accountants en analisten, zoals eerder al beschreven. Kevin Kelly vertelde er later op de dag over: De banen die gevaar lopen zijn die waarbij productiviteit centraal staat. Daar kan uiteindelijk het werk worden vervangen door een AI systeem. En er ontstaan nieuwe banen; Kelly zegt dat een toekomstige vereiste kan zijn ‘kan overweg met AI systemen’.
Voorlopig is het dus nog niet ‘mens tegen machine’ maar is het ‘mens, geholpen door machine’. Maar iedereen in het panel is er van overtuigd dat het op een dag wel mogelijk gaat worden dat een algemeen AI systeem beter zal zijn dan de mens in de meeste taken. Het zal alleen veel langer duren dan de buitenwereld nu denkt.
Door robotisering en kunstmatige intelligentie gaat werk veranderen. In het panel Robbie Allen, CEO van “Automated Insights”, een bedrijf dat uit data leesbare verhaaltjes produceert, en Dennis Mortensen van x.ai, een bedrijf dat een soort virtuele persoonlijke assistente ontwikkelt, die voor jou je meetings kan plannen door via email te spreken met de andere partijen van de meetings. Beide zeggen dat ze geen bestaande banen vervangen; de geautomatiseerde artikelen werden tot nu toe niet gemaakt, en de x.ai assistente is voor alle gebruikers niet een vervanging van een bestaande secretaresse. Toch zijn ze er niet zeker van dat er nooit banen verloren zullen gaan.
Kijkend in het verleden zie je dat het werk wat vooral verloren is gegaan, mechanisch herhalend werk is. Een auto in elkaar zetten. Bomen rooien. Landbouw. En in de toekomst loopt misschien ook de vrachtwagenchauffeur gevaar om vervangen te worden. Maar in de (nabije) toekomst zijn ook de banen met intellectueel herhalend werk niet meer zeker. Denk aan accountants. Of analyse in de medische wereld. Of productie van artikelen uit informatie, in de sport- of financiële wereld bijvoorbeeld.
Maar wat moet je dan nu leren, om in de toekomst een baan te houden? De ondernemers zeggen: ondernemerschap is zeer toekomstbestendig. Mortensen vertelt dat hij z’n dochters vooral aanraadt informatica te gaan studeren, want in die sector blijft altijd werk om de systemen te bouwen, onderhouden en verbeteren. En beveiligen.
Maar ja; niet iedereen (Mortsensens dochters bijvoorbeeld, tot zijn groot verdriet) wil of kan ondernemer zijn, of informaticus. Wat dat betreft zijn er geen simpele antwoorden.
En ontstaan er dan geen nieuwe banen? Jazeker wel. Bij x.ai werken 20 mensen aan het trainen van de kunstmatige intelligentie software. En werken mensen aan de interactie van de AI met mensen; wat moet de identiteit en toon zijn van de virtuele assistente.
Duidelijk is dat de kracht van software in de toekomst alleen maar groter gaat worden. En op de vraag wat dit betekent voor de mensen die niet in die sector zitten, hebben deze internet ondernemers ook geen pasklaar antwoord. De kans is groot dat hierdoor de ongelijkheid toe gaat nemen: de eigenaren van de ai krijgen een steeds groter stuk van de taart.
Mooi verhaal van Dag Kittlaus. Hij is een van de makers van Siri, de startup die destijds is overgenomen door Apple. Vlak na de uitrol van Siri in iOS heeft Kittlaus Apple verlaten, en heeft nu een aantal van zijn oude mensen weer bij elkaar voor een nieuw initiatief: Viv.
Viv moet een echt artificial intelligence platform worden. Om het te begrijpen wat ze willen is het goed om dit te vergelijken met Siri. Siri biedt een beperkt aantal diensten, namelijk de diensten die de Apple ontwikkelaars hebben aangesloten. Zo kan je vragen wat voor weer het morgen is, of hoe de Lakers hebben gespeeld. Viv wil dit anders gaan doen, door een platform te zijn voor alle diensten die mensen maar willen aansluiten, en intelligentie bouwen die over al die bronnen heen kan werken.
Je kan dan bijvoorbeeld vragen: “Wat voor weer was het tijdens de super bowl”. Viv gaat dan aan de slag met dat verzoek, door eerst uit te vinden wat dat is, een ‘super bowl’, ontdekt dat dat een evenement is op een bepaalde plaats en datum, en vervolgens daar het weer bij zoekt. Maar het kan ook ingewikkelder: “Waar kan ik straks goedkope wijn halen die goed bij lasagne past als ik naar mijn broer rij?”. Viv gaat dan uitzoeken waar je heen rijdt, opzoeken welke wijnen goed zijn bij vlees en kaas, en waar die te krijgen zijn op de route. En je kan Viv zelfs om 2 uur ’s nachts zeggen: “Ik ben dronken”. De dienst begrijpt dan dat je gebruikelijke Lyft of Uber moet worden opgeroepen om je naar huis te brengen.
Het verdienmodel van Viv is dan een commissie op de transactie, “een beetje als de American Express van AI”. Ze zijn zichzelf als aanbieder van een infrastructuur, en denken dat behalve het Wifi- en Bluetoothlogo straks ook het Viv logo (een V met een streepje er boven) op apparaten en in software zal verschijnen, om te laten zien dat deze Viv compatible zijn.
Ook werd er nog gesproken over de vraag ‘Gaan we nu onze baan verliezen’. Kittlaus denkt dat er inderdaad gevaar is voor een heel aantal soorten werk, dingen die makkelijk vervangbaar zijn door robots of software. Maar dat hoeft niet meteen tot grote werkloosheid te leiden: “De agrarische sector geeft nu nog maar werk aan 3% van de bevolking terwijl onze opbrengsten toch veel hoger zijn geworden, en alle boeren niet werkloos over straat lopen”. Hij denkt dat Augmented Reality kan helpen bij het omscholen van de oude ‘blue collar workers’ naar een nieuwe broodwinning. Opleiden en leren gaat veel makkelijker en sneller als technologie met je meekijkt, en je aanwijst wat je moet doen.
Kittlaus is er ook van overtuigd dat machines op termijn beter zullen denken dan mensen. En weet ook niet wat er dan gaat gebeuren, ‘dat is niet te voorspellen’.
Viv is een zeer ambitieus project, maar als je kijkt naar wie er achter zitten en de eerste indrukken die mensen van het prototype krijgen zou het zomaar kunnen slagen. Dit jaar gaan we er nog iets van zien, beloofde Kittlaus. Meer over Viv kan je vinden op Viv.ai
President Obama op SXSW. De toegangskaartjes gingen via een loterij, waarbij uiteindelijk ongeveer 1400 mensen zo gelukkig waren om ingeloot te worden. Waaronder ik. Ik vond het geweldig om bij geweest te zijn, en om hem in het echt te zien. Hij was heel op z’n gemak en ontspannen, reageerde snel op publiek en interviewer. Je kan goed zien dat hij dit vaker heeft gedaan ;-). Hij zei 3 dingen.
1. De overheid is zo slecht nog niet. Er is altijd veel (cynische) aandacht voor hoe slecht het allemaal is, en de processen waarbij je als burger met de overheid te maken hebt (zoals bijvoorbeeld bij het verlengen van je rijbewijs, of aangeven van belasting) zijn ook onprettig, hoe je het ook maakt. Maar heel veel dingen werken wel goed, en ook steeds beter. Alleen merk je dat niet. Er verandert veel, ondanks dat je dat verhaal niet hoort. Er zijn wel degelijk veel dingen veranderd rondom de financiële markt, met extra regels en aanpassingen. De financiële markt is nu veel stabieler daardoor. Maar dit verhaal hoor je niet, want is saai. De overheid kan wel beter gaan reageren op het moment dat er contact is met de burger. Op dat moment kan je dan namelijk als overheid zelf het positieve verhaal vertellen, bijvoorbeeld over wat er gebeurt met het belastinggeld.
2. Veel onvrede over bedrijf vs overheid (de overheid is log, bedrijfsleven is snel) ontstaat ook omdat sommige overheidsproblemen simpelweg veel moeilijker zijn dan de problemen die bedrijven aanpakken. Regel maar eens onderwijs voor de allerarmste kinderen, verijdel maar eens een terroristische aanslag. Daarmee vergeleken is de perfecte latte maken een stuk makkelijker. Ja dat was zijn voorbeeld.
3. Als we de nu overheid opnieuw zouden uitvinden, zou dat met veel meer technologie en data kunnen en zouden we, bijvoorbeeld door sociale media, veel meer samen kunnen werken om de problemen op te lossen. Het Witte Huis neemt ook initiatief hierin met het ‘Digital Services Team’, die bestaande overheidswebsites en processen verbetert. Hier werken mensen van Google, Facebook etc, voor een paar weken tot maanden aan een bepaald project. Hij deed ook een oproep aan SXSW om daar aan te denken: Hoe kan ik deze ‘cool next thing’ gebruiken om burgers meer betrokken te maken. Mensen moeten af van de mindset dat iemand anders het wel regelt voor ze. Zijn kreet destijds was tenslotte ook ’Yes we can’, en niet ‘Yes I can’.
Privacy vs veiligheid
Obama werd gevraagd wat zijn standpunt is in de zaak Apple vs FBI. Hij kon op die zaak geen specifieke dingen zeggen, maar vertelde wel zijn algemene standpunt. Sterke encryptie is heel belangrijk. De overheid wil zichzelf ten slotte ook beschermen tegen hackers; die moeten niet in staat zijn om bijvoorbeeld de luchtverkeersleiding te ontregelen. Tegelijk wil hij niet dat de overheid altijd voor alles in iemands telefoon kan kijken. Maar stel dat er een onkraakbare telefoon was, dat zou volgens Obama toch te extreem zijn. We kunnen dan niets meer doen aan kinderporno, of terrorisme voorkomen. Een dergelijk absoluut standpunt is niet haalbaar, er moet een balans gevonden worden tussen privacy en veiligheid, met een sterke procedure (net zoals je nu een bevel nodig hebt voor een huiszoeking), en een orgaan dat overzicht houdt op naleving van die procedure. Een absoluut standpunt leidt tot niks maar de gevaren zijn echt. En als we niks doen doet een volgende regering dat wel als het een keer goed mis is gegaan. Beter dat we dit nu doen.
Al met al een heel helder verhaal, of je het er mee eens bent of niet. Hij kan dingen goed uitleggen, en had z’n verhaal goed afgestemd op het publiek. En het was heel leuk om bij geweest te zijn. Dit zijn de evenementen die je over een paar jaar nog kan herinneren.
Een sterk panel met goede sprekers, o.a. Haile Owusu, de chief data scientist van Mashable en Victor Cruz, een wide receiver van de New York Giants. Dat is american football ;-). Hier is alle info over het panel.
Cruz vertelde over wat er allemaal wordt vastgelegd bij de Giants. En dat is heel veel. Voor wide receivers is snelheid het belangrijkste, dus wordt van iedere training vastgelegd wat hun maximum snelheid was. Blijft deze hoog, door de week heen? Hoeveel afstand wordt afgelegd? Ze gebruiken horloges om hun slaap vast te leggen, die data wordt ook meegenomen.
Iedere speler krijgt iedere week een boekje met z’n uitslagen. Hoeveel slaap, hoeveel mijlen gelopen, maximum snelheid. Dit is leuk en geeft onderlinge competitie. En het verandert hun gedrag: Spelers gaan eerder slapen, omdat ze zien wat het effect is op hun snelheid.
De staf rond het team gebruikt de data ook. Data is blind en doof, en kan eventuele vooroordelen weghalen; Owusu maakt de case voor machine learning. Tegelijkertijd is er altijd menselijke interpretatie nodig. Data kan een gesprek over training makkelijker maken, doordat je naar iets kan wijzen. “Kijk, hier is iets opvallends” is een goede start van een conversatie.
In de sportschool kan data ook worden ingezet. Mensen die zo efficient mogelijk willen trainen kunnen data gebruiken om hun trainings-geschiedenis meteen bij zich te hebben, en een stapje verder kunnen zetten. Sommige gym-apparaten zijn daar al op voorbereid: Je loopt er heen, het apparaat verbindt zich met je device, en stelt zich alvast goed in. Voordeel voor de apparaten-leverancier is dat ze veel data krijgen en op die manier optimale workout strategieën kunnen ontwikkelen.
Mensen die gemotiveerd worden door onderlinge competitie kunnen data ook goed gebruiken. Equinox liet een video zien van een spin-class, waarbij er twee teams waren die op een groot beeldscherm een onderlinge wedstrijd reden. Dat is een stuk betere manier dan achterin de groep je apparaat stiekem minder zwaar zetten dan gevraagd ;-).
En wat moet je dan met die data? Daar is nog veel in te winnen, daar was men het er over eens. Als je veel data verzamelt kan je correlaties vinden. Maar vertrouw je die correlatie dan? Dat is voorlopig mensenwerk. En in een professionele omgeving is dat ook beter; je hebt een open ruimte nodig, coaches zullen nooit echt kunnen worden vervangen door machines. Atleten zijn ook makkelijker coachbaar dan normale mensen, ze nemen advies beter aan.
En wat is de toekomst? Gervais zegt: Er moeten systemen en strategieën komen waardoor mensen zelf kunnen gaan zien wat goed is voor ze. En ze op een verantwoorde manier tot het randje kunnen worden geduwd, maar binnen veilige grenzen. En de grote onbekende wereld die voorlopig buiten het meten valt zijn de gedachten. Deze wereld kan grote invloed hebben; ruzie met je vriendin of stress rond een transfer kan effect hebben op je prestatie, en dit valt voorlopig buiten wat praktisch meetbaar is.
Cruz wil graag één apparaat wat alles meet. Nu is het lastig om dingen te correleren omdat metingen in verschillende apps komen. En Owusu ziet in de toekomst mogelijkheden met computer vision. Automatische beeldherkenning zou op die manier sleutel momenten in een video kunnen annoteren, wat veel zou kunnen helpen.
Een fijne en sterk geleide sessie waarbij duidelijk wordt dat dit er veel gebeurt op het gebied van sport en data, en dat er ook nog heel veel te doen is. Kansen volop.
Data wordt steeds strategischer voor bedrijven. Daarom zie je tegenwoordig soms de functie ‘Chief Data Officer’ of ‘Chief Analytics Officer’. Probleem is dat er te weinig mensen te vinden zijn voor deze functies. Dit panel ging over dat verschijnsel: Wat is nou dat werk, waarom is het tof, en wat zijn kwalificaties.
In het panel de Chief Analytics Officer van New York City, de Chief Digital Officer van het MoMa in New York en de oprichter van de Digital Officers Club. Alle info is hier te vinden als je dat wilt nazoeken.
De functies als ‘Chief Analytics Officer’ ontstaan niet zo maar, in een organisatie. Een effectieve manier om de noodzaak van die functie aan te tonen is door te gaan kijken naar een probleem wat op dat moment gezien wordt door de organisatie, en dat dan te proberen op te lossen met data. Daaruit volgt dan als vanzelf dat je mensen nodig hebt om dat werk uit te voeren en is de ‘data functie’ geboren.
De Chief Analytics Officer van New York vertelde hoe zijn dag er uit zag. Centraal voor zijn werk is altijd: Welke processen gebeuren er in New York, welke nieuwe diensten zijn er voor de New Yorkers, welke problemen zijn er daar mee. En als die problemen er zijn kijkt hij naar het landschap van data. Welke data is er allemaal. In New York heeft hij veel moeite gedaan om alle eilandjes van data te verbinden. Dat vereist praten, uitleggen, vragen. Een belangrijke skill voor een Chief Analytics Officer.
Hij gaf een mooi voorbeeld van het nut van analytics binnen New York. Vorig jaar zijn er bij een brand een aantal brandweermannen om het leven gekomen omdat het appartement illegaal verbouwd bleek te zijn. New York heeft inspecteurs die daar op toezien, maar die hebben natuurlijk een eindige hoeveelheid tijd en moeten kiezen waar ze langs gaan. Door analytics te draaien op onder andere de belastinggegevens van verhuurders konden ze een veel betere set maken van potentieel illegaal verbouwde appartementen. Het percentage sluiting op geïnspecteerde appartementen ging daardoor van 13 naar 70 procent, enorm veel beter dus. Analytics redt levens, mensen.
Vervolgens kwam de discussie op het onderwerp: Hoe kan je de vereiste mix van skills krijgen? Sreenivasan tipte een ‘Computational Journalism’ cursus die Columbia geeft. Mashariki vertelde dat de analytische skills een vereiste zijn, en daarnaast iets als gedragswetenschap of psychologie ook vereist is.
Hoe vind je die mensen, als organisatie? New York doet dat als volgt: Ze geven een bepaald probleem, en zeggen: Los dit op met data. Je hebt een week. De persoon die dit oplost, er een goed verhaal bij heeft, én die andere gemeente instanties heeft gebeld voor data, is geschikt voor de baan. Kijk op nyc.gov/analytics om te zien hoe dat er uit ziet.
En als je ze hebt, hoe richt je je organisatie dan in? Bij LinkedIn was er eerst een centraal team met data scientists, die alle vragen oplosten. Dit team was groot genoeg om een andere organisatie-structuur te testen, en ze werken nu decentraal. Per afdeling 2 data-scientists. Dit werkt goed omdat die de medewerkers van die afdeling dan gaan leren hoe ze dingen moeten aanpakken. De kennis wordt zo breder in de organisatie. Als je de luxe niet hebt van een dergelijk groot team moet het centraal. Het risico bestaat dat een eenzame data scientist alleen maar opdrachtjes krijgt van een product manager, en na een jaar gek wordt om alleen maar sql te tikken.
Hoe zien ze de toekomst van data science? Dat de resultaten meer ‘ambient’ worden. Nu is het rapportage op verzoek, dit moet veranderen in weergave van de dingen die je moet weten, op een meer laagdrempelige manier, bijvoorbeeld via wearables of andere meer ‘ambient’ displays.
Al met al een mooi overzicht van dit werkveld en nuttige tips.
Een panel met goede moderator Bretos, een anchor van ESPN, en drie eigenaren van MLS voetbalclubs. Alle details kan je hier vinden als je dat wilt.
Major League Soccer is in de VS inmiddels de 4e sport, met een bezoek per wedstrijd dat vergelijkbaar is met de Eredivisie in Nederland. Volgens kenners is het niveau op sportief gebied ongeveer Eerste Divisie, maar dat kan de pret niet drukken.
Het panel ging vooral over de stadion-ervaring. Leuk om te merken dat Amerikanen
oprecht verbaasd zijn dat voetbalfans liever zelf een feestje maken dan te worden
vermaakt door drumbands en andere ‘mensen in pakken’.
Een paar conclusies.
Data in stadion moet werken
Maar zoals altijd is er het dilemma: leid het niet te veel af? De fans moeten niet de hele tijd naar hun telefoon zitten te kijken. Daarom ontwikkelen de Timbers ook geen eigen apps. Het publiek mag best Twitter en Facebook gebruiken, dat hou je toch niet tegen. Maar ze moedigen het niet nog extra aan met uitgebreide spelletjes en dat soort dingen.
De andere clubs zijn minder voorzichtig, en doen spelletjes in de trant van ‘voorspel en win’.
Experimenteer met social media
De Timbers lieten hun fans poseren met de kettingzaag van hun mascotte, in een tijdelijke studio. Dat vonden ze zo mooi dat veel fans hun social media avatar veranderden in dat plaatje, met een groot viraal effect als gevolg. Of de ‘flying tweet’: Tijdens de reis van de ploeg doen ze soms een twitter-uurtje: Vraag ons alles wat je wilt.
Mobiel bestellen
Een voetbalwedstrijd is relatief kort voor Amerikaanse begrippen, en dan is de rust ook nog eens slechts een kwartier. Dat geeft nogal een ‘rush’ op de hapjes en drankjes. Mobiel bestellen zou hier een grote winst in kunnen betekenen, waardoor ze de druk verspreiden. Daar is echter nog geen echte oplossing voor.
Gebruik social media voor het ‘brekende nieuws’
De manier om fans dicht te betrekken. Sporting Kansas City meldt al in een vroeg stadium op sociale media dat ze belangstelling hebben voor Rafaël van der Vaart. Maar: De club-eigenaren melden in koor dat ze merken dat de tieners niet meer zo goed als vroeger via Facebook te bereiken zijn. “It’s all about Instagram now”. En over een paar jaar kan dat weer anders zijn. Wees dus ‘agile’, en zorg dat de organisatie zich snel kan aanpassen als nieuwe mogelijkheden zich aandienen op het gebied van sociale media.
Experimenteer samen met de fans
Technologie is belangrijk, en als het niet werkt is het een enorme dissatisfier. Test met een kleine groep fans, en wees duidelijk dat je experimenteert en dat er dingen niet goed kunnen werken. Vraag feedback.
Ondanks de achterstand op sportief gebied zijn de Amerikanen wel heel doortastend met het inrichten en marketen van hun MLS, en de resultaten zijn er naar. Het bezoekersaantal stijgt gestaag, en ze zijn niet bang te experimenteren en investeren. Op sommig gebied zou je kunnen zeggen dat ze geen ‘remmende voorsprong’ hebben ten opzichte van Europa, en dat maakt het toch interessant om in de gaten te houden wat ze doen.
