3.1

De drivers

De belangen waren in de aanloop naar het scenario van ‘Privacy for sale’ enorm: AI↓De meest dominante associatie met AI is machine learning. Uit onderzoek van de World Intellectual Property Organization (WIPO) uit 2019 blijkt tevens dat machine learning de meest dominante AI-technologie is die in patentaanvragen is opgenomen. Binnen deze toekomstverkenning richten we ons daarom hoofdzakelijk op machine learning. >Hoofdstuk 1.1.1 werd maatschappijbreed gezien als dé oplossing om economische en maatschappelijke kansen te benutten. Alles wat geautomatiseerd kon worden, moest koste wat het kost geautomatiseerd worden. De mate van acceptatie was hierdoor erg hoog. Overheden en organisaties waren meer dan bereid om beslissingen uit handen te geven aan AI en mensen stonden zonder problemen hun data af. ‘The sky was the limit’. Door de grote investeringen en hoge mate van acceptatie was de beschikbaarheid van resources groot. Voldoende data en rekenkracht zorgden ervoor dat de technologieën zich steeds verder ontwikkelden en konden worden opgeschaald. Door de grote economische belangen was er veel onderlinge concurrentie. De macht van de grote techbedrijven steeg alsmaar verder. Data was cruciaal en er ontstond een heuse global war on data. Europese regelgeving kon hierdoor niet langer gehandhaafd worden.   

Toch bleven de prestaties relatief beperkt. Ondanks het feit dat AI in specialistische taken beter presteerde dan de mens en hierdoor verschillende taken overnam, is de stap van narrow AI↓Artificial Narrow Intelligence is een vorm van AI die zeer goed is in het doen van specifieke taken. Denk hierbij aan schaken, aanbevelingen doen en het geven van kwantificeerbare voorspellingen. >Hoofdstuk 1.1.1 naar general AI↓Artificial General Intelligence zou in staat moeten zijn om alle intellectuele taken uit te voeren die een mens ook kan uitvoeren. >Hoofdstuk 1.1.1 niet gemaakt. Zo kunnen mensen competenties die ze in het ene domein hebben geleerd, eenvoudig toepassen in een ander domein. Deze zogenaamde transfer learning↓Een machine kan leerervaringen binnen een specifiek domein nog niet toepassen op een gebied in een ander domein. De flexibiliteit en common sense die mensen hiervoor nodig hebben is voor machines nog een enorme uitdaging. Geïntegreerde informatie gaat verder dan statistiek: moeten verbanden worden gelegd die niet uit patronen bestaan. >Hoofdstuk 1.3.1 is voor AI een grote uitdaging gebleven. Ook op sociaal vlak bleef AI achter. Aspecten, zoals empathie↓Empathie is de vaardigheid om je in te kunnen leven in de situatie en gevoelens van anderen. Door empathie zijn we in staat om ook de non-verbale communicatie van anderen te lezen en begrijpen. >Hoofdstuk 1.2.1 , zijn in beperkte mate geïnternaliseerd door AI. Intelligentie hangt daarbij samen met het besef dat de eigen opvattingen, verlangens en emoties kunnen afwijken van die van een ander. In dat opzicht kun je stellen dat menselijke intelligentie↓Intelligentie kan omschreven worden als een aaneenschakeling van verstandelijke vermogens, processen en vaardigheden, zoals kunnen redeneren en je flexibel kunnen aanpassen aan nieuwe situaties. >Hoofdstuk 1.2.1 is onderschat.

3.1

De drivers