Hoe kun je zelf grip krijgen op kunstmatige intelligentie? Samen met Douwe-Sjoerd Boschman ga ik aan de slag met een groep docenten van Amsterdamse Technasiumscholen om dat uit te vogelen. We vullen een workshopdag met vernuftige linkjes en projecten die AI hands-on laten zien, en laten zien hoe je met leerlingen zelf aan de slag kunt met algoritmes.
We starten met een rondje over wat AI en Machine Learning nu precies zijn. En hoe zit die intelligentie in elkaar? Een belangrijk onderdeel van kunstmatige intelligentie is het zelflerende aspect van de algoritmes. Maar wat betekent het om een algoritme te trainen, en hoe beïnvloedt de dataset die je aan het algoritme geeft het eindresultaat? Dit gaan we zelf testen aan de hand van het programma Cognimates, ontwikkeld door Stefania Druga en MIT Media Lab. Op basis van het codeerplatform Scratch kunnen we zelf onze AI-dataset maken en gebruiken.
Maar voordat we de laptops pakken om onze eigen AI te trainen, beginnen we met materiaal dat je misschien niet direct met groot technologisch vernuft associeert: een flinke stapel karton, bekertjes, satéprikkers en plakband. De ‘magic machine’-workshop van Kristina Andersen is een analoge manier om je fantasie op de technologische toekomst los te laten, en te zien waar je op stuit.
In 15 minuten plakt en prikt onze groep leraren hun machines in elkaar. Ze maken een grote selector-hand die uit een publiek steeds een andere machthebber aanwijst, en een alziend oog dat die persoon onder de loep neemt, een zwevende robot die je slaappatroon monitort en je op je wenken weer in slaap sust. En een helm die je eetgedrag monitort en zo nodig een een por geeft met een satéprikker als je te veel snoep eet.
Hoe zouden deze magic machines van binnen werken? We gaan verder met het testen van onze eigen datasets. Een fotoserie met blikjes cola en donuts en een serie met fruit vormen de basis van een van de trainingssets van de docenten. Door een banaan of een colaflesje voor de camera te houden, krijgen we te horen of we goed of slecht bezig zijn met eten. Gejuich en een stuk fruit komen in beeld bij de banaan, en we krijgen boegeroep en een draaiende donut bij de colafles.
Verrassend snel krijgen we een aantal algoritmes aan de praat. Een kunst-en-kitsch-scanner wijst verschillende werken aan. We praten over de vraag wie dan de twee datasets heeft getraind. Beslist het algoritme echt zelf? En waar zit de basis van die beslissingen precies? Het algoritme baseert zich altijd op de plaatjes en labels die je er zelf aan hebt geplakt.
Een van de docenten maakt ook een ‘masker-herkenningsalgoritme’ dat aan de deur van de school zou kunnen bepalen of het mondkapje wel op is, en met een vriendelijk doch strenge robotische stem de leerling doorlaat of de deur wijst.
Perfect is het nog niet, maar het experiment en de onvoorziene foutjes die opkomen zijn nu juist waar het om gaat in deze workshop. Ook zonder mondkapje word ik door het algoritme namelijk toch vriendelijk door gelaten. Waarom? De dataset bestaat uit gladgeschoren gezichten, en ik heb een baard.