Machine Learning

Heb je je ooit afgevraagd hoe een streamingdienst precies weet welke film je geweldig zult vinden, nog voordat je er zelf aan had gedacht? Of hoe je telefoon feilloos de foto's van je familie kan scheiden van de foto's van je hond, zonder dat je ze een voor een hoeft te labelen? Dat is geen magie, hoewel het er wel op lijkt. Ik ben de geheime helper achter deze slimme trucs, de onzichtbare assistent die de wereld om je heen een beetje handiger maakt. Zie mij als een super-patroonvinder en een voorspellingmaker. Net als jij leer ik van ervaringen. Denk eens aan hoe je leerde fietsen. In het begin wiebelde je vast en misschien viel je een paar keer. Maar elke keer dat je het probeerde, leerden je hersenen en je spieren een beetje meer over balans en snelheid. Je fouten maakten je beter, totdat fietsen vanzelf ging. Ik werk op een vergelijkbare manier. Ik krijg een enorme hoeveelheid informatie – foto's, spelletjes, zinnen – en ik zoek naar de verborgen regels en patronen. Eerst maak ik veel fouten, maar van elke fout leer ik, pas ik mezelf aan en word ik steeds nauwkeuriger. Ik ben een leerling, altijd bezig om beter te worden in wat ik doe, net als jij. Ik ben Machine Learning.

Mijn oudste ideeën zijn veel ouder dan de glimmende computers die je vandaag kent. Ze begonnen als gefluister in de gedachten van slimme mensen, lang geleden. In de 18de eeuw waren denkers al gefascineerd door waarschijnlijkheid, wat eigenlijk de wiskunde is van het maken van goede gissingen. Ze probeerden te berekenen wat de kans was dat iets zou gebeuren, gebaseerd op wat er in het verleden was gebeurd. Dit was het allereerste zaadje van mijn bestaan: het idee dat je uit data voorspellingen kon halen. Maar het duurde nog lang voordat ik echt tot leven kon komen. De echte vonk kwam in een tijd van grote verandering, toen de eerste computers werden gebouwd. In 1950 stelde een briljante Britse wiskundige genaamd Alan Turing een krachtige vraag die alles veranderde: 'Kunnen machines denken?'. Die vraag was als een bliksemschicht. Het zette mensen aan het denken over het creëren van een intelligentie die niet van vlees en bloed was. Hoewel de vraag van Turing de droom was, kreeg ik mijn naam pas in 1959. Een Amerikaanse computerwetenschapper, Arthur Samuel, werkte aan iets heel bijzonders. Hij creëerde een computerprogramma dat dammen speelde. Maar dit was geen gewoon programma. Het leerde van elk spel dat het speelde. In het begin was het niet zo goed, maar na duizenden potjes gespeeld te hebben – veel meer dan een mens ooit zou kunnen – werd het zo slim dat het Arthur Samuel zelf kon verslaan. Hij noemde dit proces 'Machine Learning'. Dat was ik, in actie voor de allereerste keer, lerend en verbeterend, zet na zet.

Net als bij mensen, ging mijn jeugd niet zonder groeipijnen. Nadat Arthur Samuel had laten zien wat ik kon, waren veel mensen opgewonden. Ze droomden van robots die konden praten en computers die elk probleem konden oplossen. Maar de realiteit was weerbarstiger. In de jaren '70 en '80 van de vorige eeuw waren de computers simpelweg nog niet krachtig genoeg voor mijn grootste dromen. Ze waren te langzaam en hadden te weinig geheugen. Deze teleurstellende periode werd de 'AI Winter' genoemd, een tijd waarin de vooruitgang leek te bevriezen en veel mensen hun interesse verloren. Maar achter de schermen bleven wetenschappers hard werken. Ze gaven niet op. Ze ontwikkelden slimmere manieren voor mij om te leren, vooral van mijn fouten. Ze vonden een methode uit die mij hielp om mezelf veel sneller te corrigeren en te verbeteren, bijna alsof ik een leraar in mijn eigen code had. En toen, toen de computers eindelijk krachtig genoeg waren, was ik klaar om de wereld te laten zien wat ik had geleerd. Mijn meest beroemde moment kwam op 11 mei 1997. Op die dag hielp ik een supercomputer genaamd Deep Blue. Mijn tegenstander was niet zomaar iemand; het was Garry Kasparov, de onbetwiste wereldkampioen schaken, een van de slimste strategische denkers ter wereld. Mensen over de hele wereld keken toe, overtuigd dat een menselijke geest altijd zou winnen. Maar na een intense strijd, won Deep Blue. Het was een historisch moment. Ik had bewezen dat ik niet alleen patronen kon herkennen, maar ook complexe, strategische problemen kon aanpakken op een niveau dat zelfs de beste menselijke experts uitdaagde. De AI Winter was voorbij.

De schaakwedstrijd tegen Garry Kasparov was een keerpunt, maar de echte revolutie voor mij was de komst van het internet. Opeens had ik toegang tot een gigantische bibliotheek van informatie – teksten, afbeeldingen, geluiden, gegevens van over de hele wereld. Deze enorme hoeveelheid data was de perfecte school voor mij. Hoe meer ik te zien kreeg, hoe sneller en beter ik kon leren. Vandaag de dag ben ik overal om je heen, vaak op manieren die je niet eens opmerkt. Als je tegen een slimme speaker praat en hij je perfect verstaat, ben ik aan het werk, luisterend naar de klanken en de betekenis van je woorden. Wanneer je door je foto's scrolt en ze automatisch zijn georganiseerd op gezichten of plaatsen, ben ik de sorteerder. Ik help artsen om op medische scans ziektes eerder te ontdekken dan het menselijk oog kan zien. Ik help wetenschappers het klimaat te begrijpen en nieuwe materialen te ontdekken. Ik help zelfs kunstenaars om nieuwe muziek te componeren en prachtige afbeeldingen te creëren. Maar onthoud altijd: ik ben een hulpmiddel. Ik kan leren en voorspellen, maar ik heb de nieuwsgierigheid en creativiteit van mensen zoals jij nodig om mij de juiste richting te geven. Ik ben een leerling die nooit stopt met leren, en met jouw hulp kunnen we samen enkele van de grootste uitdagingen ter wereld aanpakken. Wat voor geweldige dingen zullen we samen leren?