De overdreven hype rond generatieve AI: een vraaggesprek met dr. Eric Siegel
We worden overspoeld met visioenen van superintelligente AI die de wereld overneemt, maar is dat realistisch?
In dit interview betoogt Dr. Eric Siegel, voormalig professor aan Columbia University, toonaangevend ML-consultant en auteur van Het AI-handboek: de zeldzame kunst van machinelearningimplementatie beheersen, dat voorspellende AI—ook wel machinaal leren voor ondernemingen genoemd—concrete waarde biedt die generatieve AI nog moet bewijzen.
We onderzoeken waarom veel ML-projecten mislukken en hoe we de kloof tussen bedrijfs- en datateams kunnen overbruggen. Ontdek hoe bedrijven ML inzetten om uitdagingen uit de echte wereld aan te pakken en een concurrentievoordeel te behalen.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Waarom geloven mensen ten onrechte dat AI net zo capabel zal worden als mensen – of mogelijk een dodelijk risico voor het menselijk ras zal vormen?
De wensvervulling die wordt beloofd door kunstmatige algemene intelligentie (AGI) – software die elke intellectuele taak kan uitvoeren die mensen kunnen uitvoeren – is zo verleidelijk dat ze bijna onweerstaanbaar is. Door de ultieme macht te creëren, bereiken we als wetenschappers en futuristen de ultieme bevrediging van ons ego.
Door een systeem te bouwen dat zijn eigen doelen stelt en deze autonoom net zo effectief nastreeft als een persoon, externaliseren we onze proactieve wil en planten we die over in een nieuwe beste vriend voor de mensheid, voor wie we het allerhoogste aanzien hebben en met wie we mogelijk empathie kunnen voelen. Door een nieuwe levensvorm te creëren, verwezenlijken we elk laatste beetje van het tot nu toe onbenutte potentieel van onze machines voor algemeen gebruik, die we computers noemen. Door onszelf opnieuw te creëren, verwerven we onsterfelijkheid.
Door één oplossing voor alle problemen te creëren, overstijgen we elke maatstaf voor financiële beloning en verwerven we oneindige rijkdom. ML-denker en bestuurder Richard Heimann noemt dit de drogreden van de enkele oplossing. In plaats van de vele problemen van de wereld één voor één op te lossen, lossen we ze allemaal in één klap op met de ultieme wonderoplossing.
We hoeven ons geen zorgen te maken over mondiale kwesties zoals klimaatverandering, politieke instabiliteit, armoede of gezondheidscrises. Zodra een kunstmatige mens bestaat, zal deze zichzelf blijven ontwikkelen om zo capabel te worden in het oplossen van problemen als het menselijk ras ooit zou kunnen zijn.
Wat is een goede strategie om de kloof tussen bedrijfsprofessionals en dataprofessionals te overbruggen, die er doorgaans voor zorgt dat ML niet slaagt?
Dit is het probleem. ML is de krachtigste algemeen toepasbare technologie ter wereld. ML kan grootschalige bedrijfsactiviteiten echter alleen verbeteren door ze te veranderen. Daarom moet een ML-project niet worden beschouwd als “een technologieproject”. Om impact te hebben, moet het in plaats daarvan worden geherformuleerd als een bedrijfsproject dat bedoeld is om de operationele prestaties te verbeteren, waarbij ML slechts één onderdeel is—een onderdeel dat noodzakelijk maar niet voldoende is.
Doordat de aandacht overweldigend gericht is op het technische gedeelte en de uitvoering daarvan, is de sector er niet in geslaagd een breed toegepaste bedrijfspraktijk op te zetten voor de uitvoering van de volledige andere helft van een succesvol ML-project. Daardoor slagen nieuwe ML-initiatieven er doorgaans niet in om in productie te worden genomen.
Mijn oplossing hiervoor is bizML, een discipline in zes stappen voor het uitvoeren van een ML-project, zodat het succesvol in productie wordt genomen. Je kunt hierover meer lezen in mijn nieuwste boek.
Wat is jouw verklaring voor het feit dat de meeste ML-projecten binnen ondernemingen er niet in slagen om in productie te worden genomen, terwijl enkele projecten buitengewoon succesvol zijn?
De hoofdoorzaak van de meeste mislukkingen van ML-projecten is een gebrek aan grondige planning voor de implementatie – planning voor de operationele verandering die het integreren van een voorspellend model teweeg zou brengen. Omdat de wereld ML-projecten opvat als technische projecten waarbij de meest geavanceerde berekeningen worden uitgevoerd, wordt aangenomen dat het technische project waarde zal opleveren. Dit is een ernstige misvatting.
De waarde wordt alleen gerealiseerd door grootschalige bedrijfsactiviteiten te *veranderen* – en daarmee te verbeteren – op basis van de voorspellingen die een ML-model levert.
Heb je een afwijkende visie op de overdreven hype rond kunstmatige intelligentie en op de vraag waarom bijna niemand vraagt – of meet – hoe goed AI-technologie is?
Dit zijn twee verschillende zaken. Wat de hype betreft, luidt het populaire verhaal dat we op weg zijn naar AGI. Dat is een mythe. Het is de nieuwe Mary Shelley die ze zou hebben geschreven als ze van algoritmen had geweten.
Wat betreft de reden waarom we niet meten hoe *goed* AI is – hoe goed de technologie kwantitatief presteert en hoeveel bedrijfswaarde ze zou kunnen opleveren, afhankelijk van de manier waarop ze wordt ingezet – is de focus verkeerd gericht.
Hoe gebruiken organisaties ML actief om activiteiten te versterken en concurrentievoordeel te creëren in uiteenlopende sectoren?
ML innoveert op een eenvoudige, zij het ontwrichtende, manier. Laat de schittering die van deze gelikte technologie uitgaat de eenvoud van haar fundamentele taak niet verhullen: voor de meeste bedrijfstoepassingen is het doel van ML om bruikbare voorspellingen te doen — daarom wordt het soms ook voorspellende analyses of voorspellende AI genoemd.
Hoewel leren van gegevens om een voorspellend model te genereren net zoveel bewondering verdient als elke andere wetenschappelijke of technische prestatie, vertaalt die mogelijkheid zich op een ongecompliceerde manier in tastbare waarde: het model genereert voorspellende scores, die op hun beurt miljoenen operationele beslissingen aansturen.
Op deze manier bestrijdt ML onze grootste risico's — waaronder bosbranden, klimaatverandering, pandemieën en kindermishandeling. Het verhoogt de verkoop, verlaagt de kosten, voorkomt fraude, stroomlijnt de productie en versterkt de gezondheidszorg.
Voor meer inspirerende interviews, meld je aan voor de nieuwsbrief van The CTO Club.
