Als het gaat om kunstmatige intelligentie (AI), kunnen maar weinig mensen de brede en diepgaande ervaring van Andrew Ng evenaren, door onderzoek te combineren in een wereldleidende academische omgeving, het versnellen van AI-onderwijs (een van zijn cursussen heeft me echt geholpen toen ik zelf doorbrak in AI) met het oprichten van AI-teams bij enkele van de meest succesvolle technologiebedrijven. Hij voorspelt niet zozeer de toekomst, maar bouwt eraan.
Ng leidde het Stanford AI Lab, was een van de oprichters van Google Brain, waar hij werkte met de legendarische ingenieur Jeff Dean, leidde AI bij Baidu, en is momenteel adjunct-professor in computerwetenschappen aan de Stanford University. Een van de andere bezigheden van Andrew: de oprichter zijn van deeplearning.ai, de oprichter en CEO van Landing AI, een algemene partner bij AI Fund en voorzitter en mede-oprichter van Coursera.
In een recente aflevering van de Intel on AI-podcast bespreken Ng en host Intel's Abigail Hing Wen waarom het meeste belangrijke werk dat nog moet worden gedaan met AI zich bevindt in industrieën buiten Silicon Valley, zoals productie, landbouw en gezondheidszorg. Ng ziet AI als de drijvende kracht achter een enorme groei voor succesvolle gebruikers, tot het punt waarop hij ziet dat de samenleving bereid moet zijn om extra ondersteuning te bieden aan werknemers in ontwrichte industrieën.
Vanuit zakelijk perspectief is AI een allesomvattende beschrijving geworden voor zowel machine learning als deep learning. Ik heb eerder geschreven over waarom het verminderen van de complexiteit voor gevolgtrekkingen op grote schaal nu zo belangrijk is voor bedrijven. In de podcast merkt Ng op dat mensen elke dag meerdere keren per dag AI-systemen gebruiken, maar over het algemeen beschouwen we die systemen niet als AI; ze werken gewoon op de achtergrond om zakelijke problemen op te lossen. De eerste toepassing van AI bij Google was bijvoorbeeld het automatisch corrigeren van de spelling van zoektermen – niet zo opwindend als zelfrijdende auto's, maar met onmiddellijke voordelen voor de zoekkwaliteit.
Een gezegde dat sommige mensen in AI hebben, is “Als het eenmaal werkt, is het niet langer AI.”
-Andrew Ng
AI in productie & ; Landbouw
Ng heeft veel te zeggen over de voordelen van AI voor de productie en hoe de overgang naar AI is versneld door de noodzaak van werken op afstand als gevolg van de pandemie: net als andere industrieën heeft de pandemie de digitalisering enorm versneld.
Bij Intel hebben we aanzienlijke voordelen gezien van het toepassen van AI op onze eigen productie: vorig jaar schetste Intel's VP van IT Allyson Crafton hoe AI Intel naar schatting 58 miljoen dollar had bespaard in verband met voorraadoptimalisatie en een grotere nauwkeurigheid van de magazijnplanning met 95 procent. Dat zijn enkele opmerkelijke cijfers, zelfs voor een bedrijf op de schaal van Intel, en met open-sourcetools zoals Intel Distribution of de OpenVINO-toolkit, verwachten we dat bedrijven in vrijwel alle sectoren de kracht van AI en computervisie benutten. Rosmart ontdekte bijvoorbeeld dat productielijnen de kosten konden verlagen en de nauwkeurigheid konden vergroten, en LEDA-technologie ontdekte dat het contactlenzen 50x sneller kon inspecteren dan voorheen.
In de landbouw helpt AI landbouwbedrijven, groot en klein, door een combinatie van verbonden sensoren, drones, satellietbeelden en andere toepassingen te gebruiken om efficiënter te oogsten, afval te verminderen en het gebruik van chemische middelen te verminderen.
In veel geesten bestaat er een verband tussen “Big Data” en AI, en het is waar dat grote hoeveelheden trainingsgegevens enorm waardevol kunnen zijn voor het maken van nieuwe modellen, en dat sommige datasets zo groot zijn dat het mechaniseren van analyse met AI essentieel is. Toch is een van de belangrijkste aspecten van moderne AI dat we veel meer kunnen doen met kleine gegevens. In de podcast haalt Ng het voorbeeld aan van de fabricage van smartphones en het opsporen van gebreken. Geen enkele fabrikant produceert miljoenen beschadigde producten waarvan ze afbeeldingen zouden kunnen gebruiken om AI-systemen te trainen om te detecteren. In plaats daarvan zou het AI-systeem moeten leren van slechts honderden gebrekkige producten om toekomstige defecten te detecteren. Use-cases zoals deze zijn tegenwoordig al adresseerbaar omdat AI kan nemen wat het leert van grote datasets en 'transfer learning' kan gebruiken om deze kennis naar kleine datasets te brengen. Dit is een gevestigde beste praktijk voor machinevisie en vergelijkbare benaderingen werpen nu hun vruchten af voor natuurlijke taalverwerking, audio en zelfs robotica. Omgaan met “small data” (zeer kleine trainingssets) blijft een populair AI-onderzoeksonderwerp, maar voor veel gebruikssituaties kunnen we al putten uit gevestigde best practices op het gebied van machine learning.
AI in de gezondheidszorg
Zoals Andrew Ng in het interview aangeeft, kunnen we de snelste successen verwachten voor AI in industrieën die het verst gevorderd zijn met digitalisering; zoals we het zien, is het vermogen van AI om de gezondheidszorg te verbeteren een van de meest veelbelovende toepassingsgebieden. Intel werkt samen met verschillende partners in het veld om de diagnostische en klinische praktijk te verbeteren, variërend van het versnellen van tijden om hartfuncties te kwantificeren tot het inbedden van AI-systemen in röntgenmachines voor betere pneumothoraxdetectie tot hulp bij nauwkeurige longchirurgie. Op persoonlijk vlak doet Intel's Bryce Olson buitengewone dingen in zijn strijd tegen kanker met genomische sequencing. Een manier waarop AI het onderzoek op dit gebied letterlijk versnelt: we hebben met het Broad Institute samengewerkt aan op AI gebaseerde componenten van hun Genomic Analysis Toolkit, die gebruikmaakt van deep learning-inferentie op Intel-CPU's om snellere en nauwkeurigere sequencing voor onderzoekers wereldwijd mogelijk te maken .
Terugkerend naar de podcast, hebben Andrew en Abigail een geweldige discussie over AI en ethiek, en hoe AI kan leren van de gezondheidszorg, waar beoefenaars vaak moeilijke keuzes moeten maken over hoe ze hun principes in hun praktijk kunnen toepassen. Dit segment resoneerde echt voor mij persoonlijk. Mijn vader was een arts wiens ethiek zijn carrièrepad sterk beïnvloedde en patiëntenzorg bracht in zeer arme gemeenschappen in probleemlanden.
De toekomst van AI
Een van de punten die Ng consequent naar voren brengt in de podcast is hoeveel ruimte voor uitbreiding AI heeft, hoe we ons nog maar in de vroegste stadia bevinden van wat een enorme transformatie van technologie, zaken en leven zal worden. Ik ben erg opgewonden om in AI te werken in een tijd waarin het aantal “laaghangend fruit”; use-cases groeien sneller dan we ze aankunnen.
Ga voor meer informatie over Intel's werk op het gebied van AI naar: https://intel.com/ai
Voor meer podcasts over AI, kijk voor toekomstige afleveringen met gastheer Abigail Hing Wen op: https://www.intel.com/content/www/us/en/artificial-intelligence/podcast.html
Edward Dixon
Gegevenswetenschapper, Intel
