Litouwen en het AI-tijdperk: Hoe het land vooroploopt in innovatie

Vandaag de dag, nu de hele wereld geglobaliseerd lijkt te zijn, heeft elk land nog steeds de mogelijkheid om zijn eigen aanpak te ontwikkelen voor verschillende aspecten van zijn ontwikkeling. En digitale transformatie is daar één van. Deze aflevering van de Innovantage podcast is gewijd aan de weg die Litouwen heeft gekozen en zijn prestaties in de aanhoudende AI-revolutie. Om over dit onderwerp te praten, nodigde Sigli’s CBDO Max Golikov Dr. Linas Petkevičius uit in zijn studio.

Bekijk de volledige Innovantage-aflevering met Dr. Linas Petkevičius hier:

AI-ecosysteem in Litouwen

Linas is algemeen directeur van de Artificial Intelligence Association van Litouwen en universitair hoofddocent aan de Universiteit van Vilnius met een focus op AI, deep learning (DL) en andere technologieën die daarmee verbonden zijn. Het idee om deze twee gebieden van professionele activiteiten te combineren klinkt misschien te uitdagend. Toch merkte Dr. Petkevičius op dat hij veel voordelen ziet in dit duo. Als onderzoeker en docent moet hij cursussen plannen en studenten begeleiden die bachelorscripties schrijven in verschillende toepassingen, de nieuwste onderzoekspublicaties volgen om toegang te krijgen tot nieuwe ideeën en technieken. Van de kant van de AI Association en zijn NGO-gerelateerde activiteiten moet Linas communiceren met belanghebbenden van het ecosysteem en hen samenbrengen door middel van discussies en overleg. Maar al deze dingen hebben een gemeenschappelijke basis. En dat is AI. Het betekent dat Linas niet alleen op de hoogte kan blijven van het onderzoek vanuit het perspectief van de academische wereld, maar ook vanuit het perspectief van bedrijven. Hierdoor heeft hij een volledig beeld van het Litouwse AI-ecosysteem.

Litouwen is een klein land. Het slaagt er echter in om alle partijen die bijdragen aan het AI-domein, waaronder de academische wereld, bedrijven, startups, professionals en enthousiastelingen, onder één paraplu te verenigen. Vandaag de dag wordt er veel gedaan om innovaties te ondersteunen en het tech ecosysteem uit te breiden. Er zijn talloze evenementen, zoals hackathons en bijeenkomsten, die helpen om nieuwe ideeën te laten horen. Linas vertelde dat Litouwen vandaag de dag erg aantrekkelijk is voor zowel lokale startups als internationale investeringen. Bovendien is het land geïnteresseerd in het verwelkomen van nieuwe projecten en talenten. Het nodigt ook alumni uit om terug te komen na hun studie in het buitenland. Volgens Dr. Petkevičius is het, gezien de huidige omstandigheden in de techsector, een goed moment om dit te doen.

Hoe AI wordt waargenomen door het publiek

AI verandert wat we elke dag kunnen aanraken en zien. Maar het verandert ook veel fundamentele dingen in hoe de wereld functioneert. Voorheen werd de wereld beheerst door een kapitalistische benadering. Als je arbeid had, kon je waarde creëren door een callcenter op te zetten en dat was je marktvoordeel. Als je kapitaal had, kon je fabrieken bouwen en exploiteren en dat was jouw manier om waarde te creëren. Nu ziet alles er niet meer zo uit. AI is gearriveerd. En nu kan één programmeur met een laptop duizenden banen vervangen door automatiseringstools te maken. Deze benadering valt niet in de categorieën arbeid of kapitaal. Het is een compleet nieuw idee waar we niet aan gewend zijn.

Wat is Deep Learning?

Deep learning staat bekend als een subset van machine learning dat vertrouwt op kunstmatige neurale netwerken om te leren van gegevens. Volgens Dr. Petkevičius helpt deep learning ons om bepaalde gegevens, zoals afbeeldingen, tekst of spraak, aan te passen en te transformeren naar nieuwe dimensies om ze informatiever te maken. Dergelijke modellen kunnen bijvoorbeeld een afbeelding analyseren en beschrijven wat waarop te zien is, wat de algemene stemming is en of de afbeelding wazig is of niet. Soortgelijke bewerkingen kunnen worden uitgevoerd met tekst. Een DL-model kan een paragraaf lezen en informatie geven zoals de namen van de bedrijven die erin worden genoemd, de belangrijkste semantische informatie die wordt gepresenteerd, de stijl van de tekst, de algemene context, enz. Deze toepassingen kunnen nu zeer waardevol zijn voor bedrijven. Als ze een afbeelding hebben, kunnen ze de beschrijving ervan krijgen die verschillende doeleinden kan dienen.

Belangrijkste stimulansen en barrières voor AI- en DL-onderzoek

Dr. Petkevičius deelde zijn eigen observaties over hoe de interesse in deep learning-onderzoek van de kant van studenten de afgelopen jaren is veranderd. Bijvoorbeeld, 5 jaar geleden, toen studenten deep learning kozen als onderwerp voor hun bachelorscripties, moesten ze veel coderen en hadden ze veel andere technische dingen. Tegenwoordig is dit proces minder ingewikkeld. Nu hebben ze toegang tot ChatGPT en kunnen veel nieuwe producten met succes worden gebouwd op de basis ervan. Hierdoor is het niet alleen eenvoudiger, maar ook aanzienlijk sneller om nieuwe ideeën te testen en te implementeren. Daarom is het niveau van de onderzoeksprojecten van studenten nu veel hoger dan 5 of 10 jaar geleden. De modellen die studenten afleveren kunnen echt bruibaar en duidelijk zijn voor het grote publiek. Ze kunnen echte waarde en interessante use cases hebben. Maar ze reproduceren niet de fundamentele nieuwe kennis, ze zijn niet gebaseerd op het laatste onderzoek. In deze context noemde Linas de noodzaak om hen uit te nodigen om met fundamentele onderwerpen te werken en ermee te experimenteren. Soms kunnen zulke experimenten echter behoorlijk deprimerend zijn, vooral voor studenten. Om één succesvol model te krijgen, moet je soms een heleboel dingen proberen, honderden combinaties testen, maar al deze inspanningen blijven onzichtbaar. Het is onmogelijk om vanaf de eerste proef een uitstekend model voor zakelijke of academische doeleinden te maken. Een andere barrière die studenten kan ontmoedigen om DL-onderzoek te doen, is dat we allemaal één groot model voor alles willen hebben. Maar op dit moment lijkt dat niet realistisch. Het is veel verstandiger om kleinere modellen te hebben die ontworpen zijn voor een beperkt aantal taken.

De kloof tussen de academische wereld en real-life projecten

We hadden een piek in technologische doorbraken in 2015 toen verschillende beeldherkenningsmodellen werden ontwikkeld. In 2017 was er aanzienlijke vooruitgang in verschillende generatieve tools. Vandaag hebben we ook de taalmodellen die pas echt innovatief werden nadat ze in 2018 interessante resultaten begonnen op te leveren. Op dat moment was het enige probleem dat al die technologieën en al die doorbraken zich in de academische wereld, in R&D, bevonden. Het grote publiek had het eindproduct niet om het aan te raken en de mogelijkheden ervan te begrijpen. Toch is deze kwestie niet nieuw. Eeuwenlang heeft de academische wereld het voortouw genomen bij de introductie van fundamentele modellen en theorieën. Als vernieuwers op zoek waren naar ideeën die in de praktijk toepasbaar waren, konden ze academisch onderzoek gebruiken om aan echte producten te werken die later beschikbaar zouden zijn voor klanten. Dit proces kon 5 of 10 jaar duren. En niemand had in eerste instantie vertrouwen in het succes ervan. Hetzelfde gebeurt nu. Vanuit het oogpunt van toepassing zijn de academische wereld en het bedrijfsleven samengevoegd. Veel bedrijven hebben AI-teams die samenwerken met de academische wereld om nieuwe ideeën sneller te testen en te implementeren en de tijdspan tussen onderzoek en productie te verkleinen.

Veranderende gewoonten

Het is interessant om te analyseren hoe de toepassing van technologieën samenhangt met wat we gewend zijn. Vandaag de dag is men van mening dat lessen in computervaardigheid nutteloos kunnen zijn voor moderne kinderen. Ze gaan actief om met smartphones, terwijl het gebruik van traditionele computermuizen en het typen van verzoeken met een toetsenbord met knoppen voor hen ouderwets lijken.

Linas noemde een interessant voorbeeld. Hij kan zien dat jonge studenten heel vaak hun smartphone gebruiken om iets te googelen, zelfs als ze voor de computer zitten tijdens de programmeerlessen. Dat is de kracht van gewoontes. Is het je opgevallen dat het tegenwoordig voor veel mensen veel handiger is om berichten te schrijven in plaats van te bellen, vooral als ze ergens buiten zijn? Dat komt omdat dit vandaag de dag al natuurlijker lijkt. En het verklaart waarom sommige technologieën nog steeds niet wijdverspreid zijn, ondanks hun potentiële waarde. Zo produceren spraak-naar-tekst modellen tegenwoordig een redelijk goede nauwkeurigheid. Ze kunnen zeer nuttig zijn voor een zeer breed publiek. Zelfs tijdens het autorijden kan iemand gewoon tegen AI praten en een volledig, goed geformatteerd document als resultaat krijgen. Toch is het voor de meeste mensen nog steeds gemakkelijker om hun teksten te typen. Hoewel het gebruik van VR-brillen, zoals Apple Vision Pro, ons zou kunnen helpen bij het verzamelen van veel noodzakelijke informatie over objecten en processen, wordt de toepassing ervan om dezelfde redenen vertraagd. Om sommige innovaties in ons leven te implementeren, moeten we eerst ons gedrag veranderen.

Hoe kies je de beste ideeën

In zijn gesprek met Linas vroeg Max hem naar de manieren om te beslissen of nieuwe technologie goed is of welke startups interessant genoeg zijn om te ondersteunen. Helaas kun je, tenzij je de toekomst kent, zonder testen niet met 100% nauwkeurigheid raden welk idee succesvol zal zijn. Volgens Linas organiseren ze bij de AI Association regelmatig AI-meetups, zodat ze zoveel mogelijk nieuwe ideeën en nieuwe sprekers kunnen uitnodigen om over hun startups te praten. Hierdoor krijgt de gemeenschap veel waardevolle en diverse informatie van verschillende mensen met verschillende achtergronden. Linas merkte op dat hoe meer ideeën er worden geuit, hoe beter. Als we maar één of een paar opties voor diensten hebben, raken we eraan gewend en willen we geen veranderingen meer. Maar als we elke week een nieuwe app hebben, proberen we die uit en gaan we op zoek naar een betere. Dit stimuleert nieuwe ontwikkelingen en helpt om betere resultaten te behalen. Educatie voor het publiek is ook heel belangrijk bij het ontwikkelen en adopteren van nieuwe ideeën en producten.

AI in de gezondheidszorg

Hebben we het echt nodig? Dr. Petkevičius merkte op dat er in de gezondheidszorg veel taken zijn die echt geschikt zijn voor automatisering. Het is bijvoorbeeld mogelijk om zeer efficiënte algoritmen te introduceren die verschillende beelden kunnen analyseren, zoals CR- of röntgenscans, en snel feedback kunnen geven over eventuele afwijkingen of potentiële gezondheidsrisico’s. Hier hebben we een enorm tijdsvoordeel. Als een radioloog ongeveer 10 minuten nodig heeft om een scan te analyseren en een conclusie te trekken, dan doet AI dat in milliseconden. Bovendien kunnen AI-modellen enorm helpen bij complexe domeinen als weefsel- en kankerherkenning. Toch komt het uiteindelijk allemaal neer op de hoeveelheid gegevens. Hoe meer gegevens van hoge kwaliteit je hebt, hoe complexer en efficiënter je modellen kunt maken. Sommige grote ziekenhuizen in de Verenigde Staten hebben 100x meer patiënten dan een ziekenhuis of laboratorium in een klein land. Als gevolg daarvan hebben ze 100x meer gegevens voor validatie en verder gebruik.

Maar kunnen we binnenkort volledig geautomatiseerde medische consulten verwachten? Aan de ene kant lijkt het erop dat we met de introductie van AI-apps de efficiëntie van veel processen enorm zullen verhogen. AI kan niet gefrustreerd raken als het steeds dezelfde dingen moet herhalen. Het heeft geen emoties en de kwaliteit van zijn consulten kan niet slechter worden door zijn vermoeidheid. Aan de andere kant kan het wel hallucineren, wat betekent dat het informatie kan geven die feitelijk onjuist of misleidend is. Dit maakt duidelijk dat voor definitieve beslissingen nog steeds de menselijke maat nodig is.

Terwijl AI met gegevens kan werken, hebben artsen hun eigen levensechte, voortdurend evoluerende ervaringen. Ze hebben de laatste informatie over hoe medicijnen werken bij verschillende symptomen en kunnen vaak veel meer factoren tegelijk analyseren dan AI kan. In veel landen is er echter een probleem met het maken van afspraken met gespecialiseerde artsen. Daarom kunnen AI-apps die mensen ten minste voorlopige diagnoses en aanbevelingen kunnen geven, een grote hulp zijn.

Stedelijke planning en generatieve AI

Stedelijke planning kan worden genoemd als een van de gebieden die de grootste voordelen kunnen halen uit de toepassing van AI. In dit domein zijn AI-tools absoluut niet schadelijk en zijn de risico’s gerelateerd aan het gebruik ervan het laagst. Dankzij Generatieve AI kun je gemakkelijk ongeveer 100 mogelijke demo’s krijgen van hoe je bijvoorbeeld een park moet reconstrueren. Je kunt verschillende opties selecteren en aanpassen. Daarom benadrukte Linas dat stedelijke planning een heel goed gebied kan zijn voor experimenten met AI.

AI-regulering: Goed of slecht?

Op dit moment is AI-regulering een gebied vol onzekerheid. In de VS is er bijvoorbeeld nog steeds geen uitgebreide federale wetgeving die de creatie van AI-tools regelt en het gebruik ervan specifiek verbiedt of beperkt. De Europese AI-wet is op 1 augustus 2024 van kracht geworden (Let op: de Innovantage podcastaflevering met Dr. Linas Petkevičius is voor die datum opgenomen. De kernprincipes en ideeën die in dit document worden verkondigd, waren echter al bekend). Dit betekende een cruciale stap in de richting van een alomvattend en ethisch kader voor AI in de regio. Volgens de gekozen lijn van AI-regulering is er een classificatie van toepassingen van deze technologie op basis van hoe ze ons als samenleving beïnvloeden. Sommige hebben bijvoorbeeld geen directe invloed op mensen. Daarom is het niet nodig om specifieke regels in te voeren om ze te reguleren. Sommige toepassingen zouden volledig verboden moeten worden vanwege hun schadelijke kracht. Er zijn ook enkele gevallen van AI-gebruik die de mogelijkheid hebben om ons te beïnvloeden en/of waarbij we gewond kunnen raken. Met andere woorden, zulke gevallen gaan gepaard met hoge risico’s (bijvoorbeeld alle toepassingen van AI in de gezondheidszorg). Ze moeten strikt worden gereguleerd en er moeten eisen worden gesteld aan het testen ervan. Zonder twijfel moeten dit soort AI-producten worden gecontroleerd. Maar zonder een duidelijke visie op hoe ze getest moeten worden, hoe ze gecertificeerd moeten worden, leidt dit alles tot veel controverses.

De implementatie van AI-regulering leidt ook tot extra bureaucratie en kosten voor startups en bedrijven die onderzoek doen in risicovolle domeinen. Vandaag de dag kunnen we zien hoe de concurrentie tussen de grootste Amerikaanse AI-bedrijven, zoals Meta en OpenAI, in een stroomversnelling raakt. Ze verbeteren hun modellen voortdurend zodat ze steeds betere resultaten kunnen laten zien. In de Europese regio zijn er op dit moment geen grote AI-bedrijven. En extra regelgeving zal geen gunstige omstandigheden creëren voor nieuwe projecten. Vandaag de dag kan het erg duur en riskant zijn om nieuwe modellen vanaf nul op te zetten. Daarom kan regelgeving, ondanks alle voordelen die het de ruimte kan brengen, innovatie ook bevriezen. Stel je eens voor hoeveel ideeën er niet zullen worden omgezet in echte projecten als het verboden is om persoonlijke gegevens online te bewaren.

Bottom line

Vandaag de dag is het overduidelijk dat AI veel meer is dan een modewoord of marketing keyword. Het heeft toepassingen in het echte leven en de waarde ervan voor verschillende domeinen neemt voortdurend toe. Hoewel verschillende experts verschillende meningen hebben over de ontwikkeling van deze technologie en de aanpak om ermee te werken, is de meerderheid het erover eens dat alleen in samenwerking met elkaar en met gemeenschappen, de academische wereld en het bedrijfsleven de hoogste toppen kunnen bereiken. Hetzelfde idee werd benadrukt door Dr. Linas Petkevičius. En Litouwen is een goed voorbeeld van een land waar deze aanpak goed werkt.

Meer weten over hoe AI het bedrijfsleven verandert? Volg ons om de volgende afleveringen van de Innovantage podcast niet te missen.