Artificial Intelligence in de maatschappij

Waar in onze maatschappij wordt A.I. al toegepast? Hoe werkt A.I. en welke invloed heeft A.I. op de toekomst van onze maatschappij? Welke manieren zijn er om een kunstmatige intelligentie te trainen? Hoe start je een project waarbij je A.I. gaat toepassen en waar moet je rekening mee houden? Verslag van de lezing van drs. Koen Klein Willink, innovation manager NN Group Finance, datascience expert, tijdens het wintersymposium van de NVDMFR.

The future is now

Artificial intelligence is overal te zien. Van SIRI op je smartphone tot zelfrijdende auto’s. Netflix weet welke filmgenres je leuk vindt op basis van je kijkgedrag en geeft suggesties voor nieuwe films of series die jij waarschijnlijk ook leuk vindt. Facebook past dit principe ook toe in vorm van reclame en mensen die je misschien kent. Er zijn robots gemaakt die d.m.v. A.I. met elkaar voetballen. Gezichtsherkenning wordt wereldwijd toegepast. In China zijn ze al zo ver hiermee dat bij elk gezicht direct de gegevens over die persoon worden weergegeven. Emoties worden afgelezen van de gezichten van vliegtuigpassagiers om mensen die zich verdacht gedragen uit de menigte te pikken voor controle op het smokkelen van verboden middelen. In Chinese basisscholen kunnen ze de hersenactiviteit meten bij de schoolkinderen tijdens de lessen en aan de hand daarvan kan A.I. detecteren of iemand wel of niet oplet. De snelle ontwikkeling van A.I. boezemt bij veel mensen angst in. Het biedt echter een toekomstperspectief waaruit veel te halen valt. Er zijn veel voorbeelden waarin de mens samen met de machine tot betere resultaten kan komen dan alleen de mens. De toekomst van A.I. is nu en het zal niet lang meer duren voordat het zijn intrede maakt in de tandheelkunde.

Data Science, machine learning en deep learning

Data is overal om ons heen. Wat is data science? Het is een vakgebied waar wiskunde en statistiek, computerwetenschappen en IT, en domein- en zakenkennis bij elkaar komen.

Er zijn vier niveaus voor het analyseren van data:
1. Beschrijvende analyse: wat is er gebeurd?
2. Diagnostische analyse: waarom is het gebeurd?
3. Voorspellende analyse: wat zal er gebeuren?
4. Voorschrijvende analyse: wat moet je doen zodat het gebeurd?
Deze analyses zijn in volgorde van toenemende moeilijkheid gerangschikt.

Voor de voorspellende en voorschrijvende analyse gebruiken data scientists artificial intelligence modellen. Artificial intelligence nam zijn intrede in de samenleving in de jaren 50. A.I. is een techniek die computers gebruikt menselijke intelligentie na te bootsen, gebruik makend van als-dan regels, beslisbomen en machine learning. Machine learning is een subgroep van A.I. Binnen deze categorie valt ook deep learning. Deep learning bestaat uit algoritmen die toestaan dat software zichzelf traint in het uitvoeren van taken, zoals spraak en beeldherkenning. Er wordt kort uitleg geven van de belangrijkste begrippen: machine learning vs deeplearning, supervised learning vs unsupervised learning and reinforcement learning.

Hoe start je een data science project?

Data science projecten zijn op te delen in een aantal deelvragen. Bij aanvang van een data science project is het raadzaam om een globaal beeld te vormen van de volgende vragen:
– Welk probleem wil je oplossen?
– Hoe wil je eventuele resultaten gebruiken/toepassen?
– Welke data heb je precies nodig om het probleem op te lossen?
– Hoe kun je de data verzamelen die je nodig hebt
– Wat zijn de modellen die je toe kan passen
– Hoe definieer je succes waarop kun je de resultaten evalueren

In data science is veel mogelijk. Dit kan zorgen voor juridisch en moreel ethische dilemma’s. Drie simpele vragen helpen om, voorafgaand aan een data science, hier grip op te krijgen. 1) Kan het vanuit de techniek 2) past het binnen het juridisch kader en 3) de belangrijkste vraag wil ik hier aan bijdragen?

Belang van de gouden standaard

Bij alle statische modellen en ook bij machine learning en deep learning is er een belangrijke regel: “garbage in = garbage out”

Een voorbeeld uit de medische praktijk: bij een onderzoek naar huidkanker hebben de onderzoekers gebruik gemaakt van deep learning om huidkanker te herkennen. Tijdens het testen van de tool bleek dat er geen enkel geval van huidkanker was geconstateerd. Wat bleek? De vlekken die huidkanker waren werden gefotografeerd met een optische geprojecteerd meetlat ernaast zodat te zien was hoe groot deze was. Bij alle vlekken die geen kanker waren was dit niet gedaan. De machine had dus geleerd dat een meetlat bij een vlekje betekent dat het huidkanker was. Om tot bruikbare en betrouwbare uitkomsten te komen moet er gebruik worden gemaakt van een correcte gouden standaard.

Is goed, goed genoeg?

Tot slot geeft de spreker aan dat succes van machine learning modellen nog lastig te bepalen is: wanneer is goed goed genoeg? Wanneer kunnen modellen in praktijk worden gebruikt? Moeten modellen hiervoor net zo goed kunnen voorspellen als (medische) professionals of moet dit veel beter zijn?

De worsteling met het vinden van de gouden standaard en de vraagstelling wanneer diagnostische voorspelmodellen “goed genoeg” zullen zijn, zal in de tandheelkunde zeker aan de orde komen. Voor nu geeft drs. Klein Willink mee aan de zaal om zelf te experimenteren met data science projecten om hier een beter beeld bij te kunnen vormen. De modellen zijn vrij beschikbaar, data is er te over dus: “go out and play!”

drs. Koen Klein Willink, innovation manager NN Group Finance, datascience expert.

Verslag voor dental INFO door Joey de Boer, Thierry Roseboom en Hanneke den Uil, derdejaars masterstudenten tandheelkunde aan ACTA, van de lezing van drs. Koen Klein Willink, tijdens het Wintersymposium van de Nederlandse Vereniging voor DentoMaxilloFaciale Radiologie (NVDMFR)

Lees meer over: Congresverslagen, Kennis, Röntgen | Digitale tandheelkunde, Thema A-Z/