Tijd om de toekomst te voorspellen

Meten is bijna weten. De kunst is om in een berg data te zien wat verandert, wat telkens terugkeert en wat dat betekent. Hendrik Blockeel, hoogleraar computerwetenschappen en hoofd van de afdeling Declaratieve Talen en Artificiële Intelligentie (DTAI) aan de KU Leuven, ontwikkelt methodes om in tijdreeksen patronen te vinden en vooral: om op te merken wanneer zo’n patroon verandert. 

Wat is een tijdreeks precies? 

“Een reeks waarden die samen het verloop in de tijd van een variabele aangeven. In ons vakgebied zijn dat vaak gegevens van sensoren die een proces monitoren, zoals de snelheid waarmee een motor draait. Maar je kan met een tijdreeks heel uiteenlopende dingen meten. Mijn collega Jesse Davis volgt recreatieve lopers: op hun lichaam plaatst hij sensoren die versnellingen en krachten meten. Die reeks metingen analyseren we en daarmee maken we een profiel van hoe iemand loopt; zo kan je zien wanneer iets afwijkt, bijvoorbeeld wanneer de loper zijn voet verkeerd neerzet. Een andere collega, Peter Karsmakers, gebruikt geluid om in te schatten wat iemand aan het doen is. Dat is handig voor ouderen die zelfstandig wonen maar toch enig toezicht willen – je kan camera’s plaatsen, maar dan heb je geen privacy meer. Geluid is in essentie ook gewoon een tijdreeks die een computer kan analyseren.” 

Hoe analyseer je een tijdreeks? 

“Doorgaans zoek je naar terugkerende patronen. Meet je iemands hartslag met een hartslagmonitor, dan herken je de blips die telkens weer terugkeren. Toch is dat vormpje altijd wat anders: wat sneller of trager, wat groter … Een arts kan uit dat patroon heel wat afleiden op basis van ervaring en expertise. Wij proberen computers te leren om hetzelfde te doen. Maar dan moeten ze wel voorbij de natuurlijke variatie kijken. Je hartslag varieert door inspanning, maar bijvoorbeeld ook in de loop van de dag. Hoe weet een computer wanneer sneller té snel is? Wij ontwikkelen algoritmes die zo’n onderscheid kunnen maken.” 

Kan AI zulke methodes niet zelf bedenken? 

“Onze methodes gebruiken AI, bijvoorbeeld om patronen op te sporen. Maar nieuwe methodes bedenken kan AI nog niet. Mensen overschatten soms wat AI kan, omdat ze zien wat LLM’s (large language models) zoals ChatGPT doen. Maar ook die LLM’s kunnen nog niet redeneren zoals mensen. Ze leggen statistische verbanden, om het heel simpel uit te drukken, echt begrijpen kan je dat niet noemen. Wij werken wel veel rond neuro-symbolic learning. Daarbij combineren we twee methodes: machinelearning, waarbij modellen leren uit massa’s voorbeelden, en symbolisch redeneren, dat gebruikmaakt van logica en regels. Bijvoorbeeld de regel dat de ouder van je ouder je grootouder is. Computers kunnen wel met zulke regels werken, maar ze hebben niet de flexibiliteit waarmee mensen verschillende ideeën aan elkaar kunnen koppelen.” 

AI-systemen maken ook onverwachte fouten. Hoe kunnen we die vermijden? 

“Een klassiek computerprogramma doet wat de programmeur erin heeft gezet. Een machinelearning-systeem leert uit data, en dus weet je niet altijd precies wat het geleerd heeft. Soms heeft dat ongewenste effecten. In 2019 kwam Apple in het nieuws na beschuldigingen dat het algoritme achter zijn kredietkaart, de Apple Card, mannen een hogere kredietlimiet gaf dan vrouwen, ook bij koppels die een gemeenschappelijke rekening hadden. Zo’n scheeftrekking kan een model bijvoorbeeld uit historische data oppikken. Je wilt niet dat AI discrimineert – maar hoe giet je dat in een regel waar zo’n model zich aan houdt? Een AI-systeem begrijpt het concept discriminatie niet zoals mensen dat doen. Er wordt nu hard gewerkt aan vangrails om zulke situaties te voorkomen.” 

Het kan niet makkelijk zijn om in de wereld van AI bij de tijd te blijven. 

“Het gaat duizelingwekkend snel, maar dat heeft ook voordelen. Onze doctoraatsstudenten hebben AI vrij goed omarmd. ‘Wat vroeger een dag kostte, kan nu in twee uur’, hoor ik hen zeggen. Onderzoek gaat vooruit op ideeën, maar ook op hoe snel je die kan uitwerken, uitproberen en evalueren. Met AI gaan die laatste drie stappen veel sneller. De ideeën moeten wel nog altijd van ons komen.” 

Zal AI ook die taak ooit overnemen? 

“Wie zal het zeggen? Ray Kurzweil, een Amerikaanse computerwetenschapper die graag voorspellingen doet, ziet een technologische singulariteit in onze toekomst. Zijn argument gaat als volgt: als we ooit een AI maken die ons overtreft, kan die zichzelf beter verbeteren dan wij. Die volgende versie kan zichzelf nóg beter verbeteren. Zo kom je in een stroomversnelling en loopt AI ons mensen helemaal voorbij. Kurzweil prikte daarvoor 2045 als datum. Ik heb nooit gedacht dat dat realistisch was, maar als je ziet hoe alles nu evolueert … Er zijn wel limieten: van sommige dingen is wiskundig bewezen dat ze niet efficiënt te berekenen zijn. En worden die verbeteringen telkens groter of telkens kleiner, tot ze niets meer voorstellen? Ook dat kan je zien als een tijdreeks, waarvan wij misschien nog het einde zullen zien. Of misschien ook niet.”