Inzet AI kraakt onder energieverbruik en gebrek aan data

Het beschikbaar komen van grote hoeveelheden data en van goedkope computerkracht heeft de ontwikkeling van kunstmatige intelligentie de afgelopen jaren een enorme boost gegeven. Tegelijk ziet Welling energieverbruik en de beschikbaarheid van data opnieuw als de belangrijkste uitdagingen voor de doorontwikkeling.

Hoe groter het model hoe beter het werkt, maar hoe meer energie het ook gaat gebruiken. Op IoT-apparatuur leidt zo'n situatie al snel tot oververhitting. Bovendien is de hoeveelheid beschikbare energie daar beperkt, zegt Welling. "Er is dus een plafond aan wat je nog kan met dat soort modellen. Eén van de belangrijke vragen voor wetenschappelijk onderzoek is dus hoe je zo veel mogelijk AI uit een joule kunt krijgen."

Het privacyvraagstuk kan ook een belangrijke belemmering worden voor academisch onderzoek naar kunstmatige intelligentie. De GDPR heeft het lastiger gemaakt om data voor verschillende onderzoeken te gebruiken. "Ik merk vooral dat mensen in de medische sector er last van hebben.

Willen ze data die met toestemming voor het ene onderzoek is verzameld, gebruiken in een ander onderzoek, moet er opnieuw toestemming worden gevraagd. Die patiënten raken dan al snel geïrriteerd omdat ze toch al een keer toestemming hebben gegeven. Blijkbaar is het niet mogelijk vooraf goedkeuring te vragen voor een reeks onderzoeken waarvan je de opzet nog niet kent. Begrijp me goed, ik ben niet tegen de GDPR, maar ik denk wel dat we eraan moeten blijven schaven om het werkbaar te houden."

Een oplossing die steeds meer in zwang komt, is de inzet van federated learning of federated privacy. Daarbij blijven de gegevens op een beveiligde plek en wordt het algoritme naar deze 'kluis' gebracht om de leercycli uit te voeren. De software in de databank rekent vervolgens uit hoe gevoelig de data zijn die daarvoor moet worden gebruikt en voegt eventueel ruis in om te voorkomen dat de gegevens te herleiden zijn op individuen.