AI kan tegenwoordig verbluffende beelden en video’s creëren die op het eerste gezicht realistisch lijken. Het visuele resultaat kan zelfs beter lijken dan wat mensen in korte tijd kunnen produceren. Het probleem is echter dat AI geen intrinsiek begrip heeft van de fysieke wereld. Het weet niet hoe objecten zich logisch zouden bewegen of hoe menselijke anatomie werkt.
Ook bezit AI geen fundamentele redeneercapaciteit. Een treffend voorbeeld uit Baerts presentatie is de rivieroversteekpuzzel: een eenvoudige puzzel waarbij een boer per boot een schaap naar de overkant moet brengen. Toch lijkt AI dit niet voor elkaar te krijgen, juist omdat het zelf niet kan redeneren.
Alles wat AI doet, is het herkennen van patronen in bestaande data en het combineren van deze patronen tot iets coherent. Dit betekent dat fouten altijd aanwezig zullen zijn. Het is dan ook essentieel om de output steeds kritisch te evalueren in plaats van blind te vertrouwen op de resultaten van een AI-model.
AI kan tegenwoordig verbluffende beelden en video’s creëren die op het eerste gezicht realistisch lijken. Het visuele resultaat kan zelfs beter lijken dan wat mensen in korte tijd kunnen produceren. Het probleem is echter dat AI geen intrinsiek begrip heeft van de fysieke wereld. Het weet niet hoe objecten zich logisch zouden bewegen of hoe menselijke anatomie werkt.
Ook bezit AI geen fundamentele redeneercapaciteit. Een treffend voorbeeld uit Baerts presentatie is de rivieroversteekpuzzel: een eenvoudige puzzel waarbij een boer per boot een schaap naar de overkant moet brengen. Toch lijkt AI dit niet voor elkaar te krijgen, juist omdat het zelf niet kan redeneren.
Alles wat AI doet, is het herkennen van patronen in bestaande data en het combineren van deze patronen tot iets coherent. Dit betekent dat fouten altijd aanwezig zullen zijn. Het is dan ook essentieel om de output steeds kritisch te evalueren in plaats van blind te vertrouwen op de resultaten van een AI-model.
“AI is maar zo goed als de data waarop het getraind is.”
Elke AI die je gebruikt heeft een zekere vooringenomenheid of bias, gebaseerd op de data waarop het is getraind. Wanneer een AI bijvoorbeeld gevraagd wordt om een ‘dokter’ te tekenen, zal het statistisch vaker een man genereren, terwijl een ‘flight attendant’ vaker als vrouw wordt getoond. Dit weerspiegelt vaak bestaande maatschappelijke stereotypen in de data, niet de realiteit.
Bias is een probleem dat niet eenvoudig kan worden geëlimineerd, omdat AI patronen uit historische data leert en generaliseert. Dit kan leiden tot discriminatie, verkeerde representatie en ethische complicaties, vooral in contexten zoals HR, wetgeving of publieke communicatie.
Wees je daarom altijd bewust van deze bias en zet AI zorgvuldig in. Het gaat immers niet alleen om technische optimalisatie, maar ook om maatschappelijke verantwoordelijkheid. De technologie op zich is neutraal, maar het gebruik ervan kan vooroordelen versterken als er niet kritisch mee wordt omgegaan.