Kort door de bocht verwijst de term ‘artificiële intelligentie’ of ‘kunstmatige intelligentie’ naar het vermogen van een computersysteem om taken uit te voeren waarvan we verwachten dat er menselijke intelligentie voor nodig is.
Een klassiek computersysteem is immers niet ‘intelligent’ in de normale betekenis van dat woord. Het heeft gewoon héél veel rekenkracht om razendsnel berekeningen uit te voeren, veel sneller dan een mens zou kunnen. Met die berekeningen kan het pakweg de kleuren van alle pixels in een foto veranderen, of de gegevens in een Excel-tabel omzetten in een fraai taartdiagram. Menselijke vaardigheden zoals redeneren, bijleren, plannen en creatief voor de dag komen verwachten we niet van een klassiek computersysteem.
Dat is anders bij kunstmatige intelligentie. In dit onderdeel van computerwetenschap worden algoritmes (instructies voor computerprogramma’s) ontwikkeld waarmee machines kunnen redeneren en beslissingen nemen op basis van gegevens.
Sommige AI-technologieën bestaan al meer dan 50 jaar, maar de vooruitgang in rekenkracht, de beschikbaarheid van een enorme hoeveelheid data en nieuwe soorten algoritmes hebben de voorbije jaren tot belangrijke doorbraken in AI geleid. Zo zijn er de Large Language Models (LLM’s) zoals ChatGPT. Een LLM wordt getraind met gigantische tekstverzamelingen en kan door wat het geleerd heeft zelf coherente teksten genereren. Je kan er vragen aan stellen, en krijgt antwoorden die door een mens geschreven lijken te zijn.
Soorten AI
Het is belangrijk om te onthouden dat er niet één soort AI bestaat. AI is een ruim veld met verschillende domeinen en toepassingen. Een manier om AI-systemen te onderscheiden is op basis van het intelligentieniveau. We onderscheiden dan enge, algemene en super-AI.
Enge (in het Engels: narrow) AI toepassingen zijn ontwikkeld om één bepaalde taak uit te voeren – bijvoorbeeld schaakspelen, onderwerpherkenning, of teksten genereren op basis van een opdracht. Ze kunnen alleen dit. ChatGPT kan geen schaak spelen (maar kan wel een verslag van een schaakpartij schrijven). De huidige AI-toepassingen vallen in de deze categorie.
Algemene (in het Engels: general) AI is vergelijkbaar met menselijke intelligentie: ze kan alles wat een mens kan, van teksten schrijven over een gesprek voeren tot ongeziene complexe problemen oplossen. Er zijn vandaag nog geen algemene AI-toepassingen.
Super-AI is, al naargelang hoe je erover denkt, een droom of nachtmerrie. Super-AI is zo intelligent dat ze de menselijke capaciteiten overstijgt. Een super-AI systeem zou nieuwe technologieën kunnen uitvinden, nieuwe kunstvormen bedenken, en problemen oplossen waarvan wij nog niet weten dat ze bestaan. Het ontstaan van Super-AI is een toekomstscenario waarvan het niet duidelijk is hoe realistisch het wel is.
Lerende machines
Ook in de fotografie duiken steeds meer toepassingen van AI op. Die zijn heel vaak gebaseerd op machine learning. Machine learning is een subset van AI die zich richt op het trainen van computersystemen om bepaalde taken uit te voeren zonder expliciete programmering.
Waar bij een gewoon computerprogramma een menselijke programmeur heel expliciet alle instructies opstelt die de computer moet uitvoeren, leert de computer zelf hoe het een taak moet uitvoeren. Je zou kunnen zeggen dat de computer zichzelf programmeert.
Machine learning wordt onder meer gebruikt voor onderwerpherkenning te doen. Stel dat je een programma wil maken dat verschillende soorten dieren kan herkennen. In de klassieke aanpak zou een programmeur alle mogelijke parameters moeten definiëren waaraan pakweg een kat en een hond moeten voldoen om herkend te worden. Dat lijkt eenvoudig, maar is het verre van. Katten hebben een staart, maar sommige soorten niet. Dus moet je die uitzonderingen ook programmeren. De programmeur weet pas of hij alles goed gedaan heeft wanneer hij het programma kan testen. Als het programma te veel fouten maakt, moet hij de parameters aanpassen. Stel dat het programma een kat met drie poten ziet, en die niet herkent om de parameters stellen dat een kat vier poten heeft: dan moet het programma aangepast worden.
Bij machine learning gaat het net even anders. De AI-software wordt gevoed met een enorme hoeveelheid foto’s van dieren die het bijpassende label (‘kat’, ‘hond’) en dergelijke hebben. De software analyseert deze gelabelde voorbeelden zelf, en gaat op zoek naar patronen. Zo stelt het zelf de voorwaarden op waaraan een afbeelding moet voldoen om als ‘kat’ of hond’ gelabeld te worden. Om na te gaan of dat werkt, wordt het getest met een nieuwe reeks afbeeldingen zonder label, en volgen er nieuwe trainingsrondes tot het programma (bijna) geen fouten meer maakt.
De kwaliteit van de data waarmee de software getraind wordt, is hier heel belangrijk. Als er alleen maar foto’s inzitten van katten waarvan vier poten te zien zijn, bestaat de kans dat het programma concludeert dat een kat vier poten moet hebben, en dat een dier met drie poten dus zeker geen kat kan zijn. Als de makers dat vaststellen, moet het model verder getraind worden.
Belangrijk om te beseffen is dat de AI niet ‘weet’ wat een kat of een hond is. Het heeft alleen kenmerken afgeleid uit een dataset om aan een foto het juiste label toe te kennen.
Maken in plaats van herkennen
Je hebt dit jaar vast al afbeeldingen gezien die gemaakt zijn door beeldgeneratoren zoals Midjourney of Dall-E. Deze werken in wezen zoals omgekeerde beeldherkenning. In plaats van dat je begint met een plaatje (een foto van een kat) waaraan de software het juiste label moet toekennen (‘dit is een kat’), begin je met een beschrijving van het beeld dat je wil laten maken.
De software creëert dan een reeksje afbeeldingen, en beoordeelt welke het beste aan de beschrijving voldoet. Op basis van de beste afbeelding wordt dan een nieuw reeksje gemaakt, waarvan opnieuw het beste resultaat wordt behouden. De software herhaalt dat proces zo vaak, tot het oordeelt dat het eindresultaat voldoet aan de beschrijving.
In het tweede artikel in deze reeks gaan we in op toepassingen van AI voor fotografen.
8 reacties
Dank Viviane voor je opmerking mbt verbruik energie en dus ook de CO2 uitstoot die gepaard gaat met deze nieuwe ‘speeltjes” Ik had daar eerder nooit bij stil gestaan. Een goede reden om daar niet aan te beginnen ondanks mijn nieuwsgierigheid. Dan liever mijn fototoestel oppakken en zelf mooie beelden maken..