Kan artificiële intelligentie ouderen helpen, bv oplossingen vinden in de gezondheidszorg? Een vraag voor prof. Tom Braekeleirs, prof. digitale medische technologie aan Ugent. De opname dateert van midden juli (en intussen zijn er alweer een paar hoogtepunten genoteerd maar ook laagtepunten).

Boek

Aanvaardbare AI (sept 2025)

SHOWNOTES

Gast: professor Tom Braekeleirs, professor digitale technologie aan UGent

Waar deze aflevering over gaat

Artificiële intelligentie is niet meer weg te denken uit onze gezondheidszorg, maar wat betekent dat concreet? Professor Tom Braekeleirs neemt ons mee in de wereld van AI: van medische beeldvorming en hartmonitoring via je smartphone, tot de zoektocht naar nieuwe medicijnen en de ethische vragen die daarbij komen kijken.

Inhoudelijke samenvatting

AI is helemaal niet nieuw: het domein bestaat al zeventig jaar, maar werd pas echt zichtbaar voor het grote publiek toen ChatGPT eind 2022 gelanceerd werd. Veel toepassingen die vandaag in de gezondheidszorg gebruikt worden, zijn eigenlijk oldskool-AI: machine learning en neurale netwerken, technieken die al decennia bestaan maar de voorbije tien jaar in een stroomversnelling zijn gekomen.

Taalmodellen

Taalmodellen zoals ChatGPT zijn in de zorg vooralsnog minder toepasbaar dan je zou denken, net omdat ze niet-deterministisch zijn: hetzelfde antwoord kan telkens anders uitvallen, en er sluipen soms fouten of hallucinaties in. Daar waar taalmodellen wél nuttig zijn, is bijvoorbeeld het vertalen van een medische ontslagbrief naar begrijpelijke taal voor de patiënt — iets wat nu getest wordt in sommige ziekenhuizen.

Beeldherkenning

Veel courante toepassingen zijn gebaseerd op klassieke neurale netwerken: denk aan beeldherkenning die radiologen helpt blinde vlekken te ontdekken op scans, chatbots die een anamnese afnemen vóór een huisartsbezoek, of een app die via de camera van je smartphone voorkamerfibrillatie kan detecteren, een hartritmestoornis die vaak niet opgemerkt wordt omdat het alweer voorbij is tegen de tijd dat je bij de dokter zit.

AI als onderzoeker

Op vlak van medicijnontwikkeling zorgde AlphaFold — het Nobelprijswinnende model van DeepMind, het bedrijf van Demis Hassabis — voor een enorme doorbraak in het voorspellen van eiwitstructuren. Dat opent de deur naar wat prof. Braekeleirs "AI als onderzoeker" noemt: AI die zelf hypotheses formuleert, testprotocollen genereert en resultaten analyseert, waardoor onderzoekscycli die vroeger jaren duurden, drastisch versnellen.

Hollywood-doemscenario's

Maar met die snelheid komen ook vragen. Kan AI ‘op eigen houtje’ gevaarlijk worden? Prof. Braekeleirs relativeert de Hollywood-doemscenario's: AI heeft geen eigen wil, maar spiegelt wél de vooroordelen die in menselijke data verstopt zitten, ook in medische beslissingen, zo blijkt uit onderzoek. Ook de blackboxproblematiek komt aan bod: net als een ervaren arts kan een AI-model soms niet exact uitleggen waaróm het tot een bepaalde conclusie komt, ook al is patroonherkenning wel de kern van beide.

Ethisch kader

Tot slot buigt het gesprek zich over het ethisch kader: de Europese AI Act sluit bepaalde toepassingen expliciet uit, maar een wereldwijd ethisch kader bestaat niet. Dat betekent dat we ons voor een stuk overleveren aan de goodwill van de bedrijven achter deze technologie met duidelijke verschillen tussen bijvoorbeeld Grok en Anthropic.

Gezonde interesse 

De boodschap van professor Braekeleirs aan vooral oudere luisteraars: blijf bijleren. AI zit al overal ingebakken, vaak zonder dat we het beseffen, zelfs in de fotoherkenning op je smartphone. Een gezonde interesse, zonder angst, is de beste houding.

Mis deze aflevering niet!

Vind jij het spannend, verwarrend, of gewoon fascinerend hoe artificiële intelligentie stilaan ons hele leven — en dus ook onze gezondheid — binnensluipt? Professor Tom Braekeleirs legt op een heldere, toegankelijke manier uit wat AI wel en niet kan, welke toepassingen er nu al zijn en waar we als samenleving nog waakzaam voor moeten zijn. Luister naar deze aflevering van Fit naar de 100! Beluister 'm via je favoriete podcastapp! En volg Fit naar de 100 zodat je niets mist... 

TRANSCRIPT

 Professor Tom Brackeleirs, u bent professor digitale technologie aan UGent en ons thema vandaag is: kan artificiële intelligentie vooral oudere mensen helpen? Bijvoorbeeld oplossingen in de gezondheidszorg. Het minste wat we kunnen zeggen van artificiële intelligentie: het kan veelbelovend zijn, ook bedreigend. En het gaat razendsnel. 

Klopt. Ja, dat is een goede samenvatting van wat er nu aan het gebeuren is. Ja. 

Gelooft u in de mogelijkheden van artificiële intelligentie? 

Absoluut. Ja, ik denk dat het een technologie is die heel veel potentieel in zich heeft. Er zitten natuurlijk altijd nog kaders rond, zeker in gezondheidszorg, waar we moeten uitgaan van een zeker voorzichtigheidsprincipe. Maar de belofte is mooi. Of het allemaal gaat materialiseren is natuurlijk een andere vraag, want er wordt op dit moment heel veel beloofd. Er zijn uitspraken die gedaan worden drie jaar geleden van: binnen twee jaar hebben we dit. Waar dat we nu een jaar later na die tijd moeten zeggen: ja, dat is eigenlijk niet gebeurd. En anderzijds heb je domeinen waar het heel snel in gaat. Waarvan dat we dachten van: dat gaat toch nog even duren tegen dat we daar zijn en dat we het nu zien materialiseren of sneller dan verwacht eigenlijk. Dus het kan een beetje alle kanten uitgaan en we zien wel waar, waar het uitkomt. 

En als het dan niet gebeurt zoals verwacht, wat is dan de reden? 

Heel vaak heeft het te maken met een beetje overbeloftes maken, dus te veel beginnen dromen van: als dit kan, dan zal dat ook wel kunnen. En de eeuwige uitspraak van AI gaat kanker oplossen. Ja, kanker is nog altijd een biologisch gegeven. Dus gaat AI diagnostiek versnellen? Misschien wel. Gaat AI gerichter behandelingen kunnen aanbevelen? Misschien wel. Gaat het kanker genezen? Dat is dan, ja, dat is dan de moeilijkheid, hè, van wat is deel van het genezingsproces? Dus, voor diagnostiek absoluut, voor genezing ander paar mouwen. 

Want er zijn inderdaad al veel toepassingen waar AI in gebruikt wordt nu. Wat we misschien niet altijd doorhebben zelfs. 

Ja, AI is op zich niet nieuw, hè. De term is voor heel veel mensen nieuw geworden, in november 2022, toen ChatGPT gelanceerd is. En plots was AI daar voor heel veel mensen zichtbaar. Maar op zich, de term AI is ondertussen al zeventig jaar oud, het is een technologie of een domein in de technologie dat zich heel traag ontwikkeld heeft en heel veel tijd gehad heeft om te materialiseren. Maar als je kijkt wat er nu bestaat, dan zijn heel veel van de oplossingen die nu in gezondheidszorg gebruikt worden, eigenlijk nog wat we ondertussen redelijk oldskool AI noemen: machine learning; het begin van neurale netwerken. Heel veel herkennen van, van medische beelden bijvoorbeeld zijn neurale netwerken. Dat is op zich een technologie die voor het eerst beschreven is in '82. Dus het is niet dat dat nieuw-nieuw is maar het is wel in een stroomversnelling gekomen de voorbije 10 jaar ongeveer, waarvan dat het punt van large language modellen, de grote taalmodellen waar dat ChatGPT er één van is, dat dat zeer zichtbaar geworden is bij iedereen. 

Dat is pas de laatste jaren gebeurd, hè. Kunt u daar een paar concrete voorbeelden van geven? Van die taalmodellen waar die in toegepast worden? 

Maar de taalmodellen zelf, dat zijn eigenlijk de minste toepassingen op dit moment. Als je kijkt in gezondheidszorg, omdat taalmodellen één groot nadeel hebben - tuurlijk zijn er nog - maar het grootste nadeel is het, wat ze dat noemen, een niet deterministisch karakter van het taalmodel. Dat wil zeggen: je stelt een vraag aan zo een taalmodel. Of dat nu ChatGPT of Gemini of Cloud of gelijk welk model is. Je stelt een vraag. Twee minuten later stel je dezelfde vraag. Je gaat een ander antwoord krijgen en dat komt omdat het antwoord telkens opnieuw geconstrueerd wordt. Dat is niet iets dat hij uit een encyclopedie gaat halen en gewoon zeggen van: dit is het antwoord. Ik heb dat zo geleerd. Neen, die bouwt die tekst telkens opnieuw op. En dat kan soms zijn dat in die antwoorden dat er ook nog eens fouten in sluipen, wat ze dan hallucinaties noemen. En dat maakt dat dat in gezondheidszorg heel complex is, omdat je die hallucinaties er zoveel mogelijk wil uithalen en dat je eigenlijk op zoek bent naar een deterministisch systeem die zegt van: ik heb hier die patiënt met die parameters, die diagnostiek, die comorbiditeit en alles wat errond gaat, heel het medisch dossier. ‘Vertel mij eens in dit geval, wat is het beste advies?’ En dat ding gaat twee keer een verschillend antwoord geven. Ja, dan is de vraag: wat is het beste advies? Natuurlijk een moeilijke. Voor de taalmodellen zijn er wel een aantal toepassingen die zeer nuttig zijn. Omdat het juist taalmodellen zijn, kan je bijvoorbeeld wetenschappelijke taal heel makkelijk omzetten in een andere taal. Andere taal kan letterlijk een andere taal zijn, maar kan letterlijk ook een bijvoorbeeld een ontslagbrief zijn die je dan kan lezen in lekentaal. Want een ontslagbrief is eigenlijk niet voor u als patiënt. Een ontslagbrief is eigenlijk voor uw huisarts of voor de volgende specialist of gelijk wat. Dus die ontslagbrief bevat alle wetenschappelijke terminologie. En dan, meeste mensen lezen dat uiteraard. Dat die zeggen: ja, ik snap niet wat dat er daar staat. Goed, maar dat is ook niet voor u bedoeld. Maar u zou wel graag weten wat er staat. En dan met die taalmodellen kan je dan zeggen: oké, deze ontslagbrief, wat wil dat nu eigenlijk zeggen in lekentaal? Daar zijn al oplossingen voor. 

Zijn er al ziekenhuizen die dat gebruiken? 

Dat wordt nu getest bij een aantal ziekenhuizen. Onder andere hier in het UZ wordt dat bekeken van: kunnen we daar een model voor bouwen dat dat op een genoeg betrouwbare manier kan doen? Dus dat zijn zaken die je met LLM's kan doen. Maar het gros van de oplossingen, opnieuw, zoals ik zeg, zijn klassieke neurale netwerken of machine learning, wat de oudere vorm van AI dan is. 

En kunt u daar een concreet voorbeeld van geven? 

Sowieso alles wat in medische beeldvorming gebruikt wordt. Dat zijn neurale netwerken, convolusionele neurale netwerken. Dus beeldherkenning, waarom wordt dat nu gebruikt? Niet noodzakelijk om de radioloog te vervangen, want een medisch beeld wordt nog altijd door een radioloog bekeken, maar wel om de radioloog te assisteren in bijvoorbeeld het vinden van blinde vlekken. Hoe komt dat? Wij als mens, zeker als je medische beeldvorming hebt voor een specifiek doel, een gebroken been, iets van in de knie, whatever. Er wordt een scan genomen of beeldvorming gemaakt. Verschillende technologieën. Dat beeld wordt ook geanalyseerd door AI in heel veel gevallen. Omdat wij als mens dan aan het kijken zijn van: wat zit er nu juist in die knie? Wat zit er juist in dat beeld? Wat zit er in de longscan? Noem maar op. Waar dat die AI dan kan zeggen: jij bent nu daar naar aan het kijken, maar misschien zit er daar ook nog iets. Het zou ruis kunnen zijn. Het zou een stofje op het beeld kunnen zijn, bij wijze van spreken, maar het zou ook wel iets kunnen zijn. 

En voor de rest, heel veel wat te maken heeft met medische beslissingsbomen. eigenlijk hoe een huisarts een gesprek aangaat. ‘Vertel eens, voor wat is het? Hoe lang heb je er al last van? Wat denk je zelf dat het is?’ Die vragen, daar heb je nu ook neurale netwerken voor die die beslissingsbomen ook kunnen aflopen. 

Gaat dat dan via die apps dat je soms kunt eigenlijk invullen voor je naar de huisarts gaat? 

Ja, dat is zo'n voorbeeld. Een van de meest bekende is Bingli bijvoorbeeld, die eigenlijk een anamnese op voorhand doorstuurt. En dat is een chatbot en die stelt vragen en die stelt vervolgvragen en die kan een vervolgvraag construeren op basis van een antwoord dat je gegeven hebt. En zo kan dat ervoor zorgen dat je een aantal blinde vlekken misschien kan invullen. Dat is geen diagnosestelling dat er gebeurt. Het is niet dat die tool op het einde zegt: oh, je hebt dat en je moet gaan naar de apotheker en neem dat pilletje en ge zijt ervan af. Nee, het zegt: eigenlijk het signaal naar de huisarts is dan van wat dat een differentiaal diagnose wordt genoemd met een aantal probabiliteiten. Wat zou het kunnen zijn? 

Er is een app, FibriCheck, die hartproblemen onderzoekt. Is dat ook iets op basis van AI dan? 

Dat is ook AI. Ja, ja. Dat is zelfs machine learning. Dat is een van de oudste vormen van moderne AI, laat ik het zo zeggen. Dat is een app die aan de hand van de verkleuring in het vingertopje - als je dat tegen de camera van uw smartphone houdt - voorkamerfibrillatie kan detecteren. Iets wat bij ongeveer 1,5 procent van de bevolking voorkomt maar heel vaak niet gediagnosticeerd wordt. Omdat op het moment dat je een episode hebt - en je gaat naar een arts en je vraagt: ‘ik denk dat ik iets voorheb.’ en er wordt een EKG afgenomen - is die episode vaak al gepasseerd. 

En is er niks te zien. 

En dan zegt je arts: ja, uw EKG is perfect normaal. Dus om dat te vermijden kan je op het moment dat je denkt van: ‘Nu voel ik echt iets!’ heel snel met je smartphone, iets wat iedereen meestal wel bij heeft, die test doen. En zo kunnen ze een aantal zaken ondervangen op het moment dat het zich effectief voordoet. 

Er wordt gezegd dat we ook gaan naar een soort van geneeskunde waar medicatie niet voor iedereen of alle gelijke ziektebeelden gebruikt wordt, maar eigenlijk heel specifiek per persoon eigenlijk. Hoe ver zijn we daarvan? 

In sommige ziektes is gepersonaliseerde geneeskunde nu al een feit. Immunotherapie bijvoorbeeld. Dat is gepersonaliseerd. Dus er wordt eigenlijk een behandeling specifiek voor die patiënt gemaakt. Dat bestaat al. Het geneesmiddel dat je zegt van: ‘ik krijg een zeer gepersonaliseerde pil’, daar zijn we volgens mij nog wel even vanaf. Dat heeft een aantal technische vereisten. Omdat de geneesmiddelenindustrie, die moet nu bewaken dat een product veilig is en moet dat ook kunnen aantonen. Zeer terecht. Dat is heel de certificering. Dat is heel het aspect van waarom er klinische studies gedaan worden. Eerst om te kijken of het medicijn überhaupt geen schade aanricht, dan of het effectief is en dan of het op voldoende grote schaal effectiviteit kan aantonen. En pas dan komt er terugbetaling voor een medicijn. Als je dan natuurlijk gaat zeggen: ja, maar we gaan die dosis dan verkleinen, want in jouw geval is dat minder nuttig. Dus we gaan zelf een beetje aan die formule beginnen morrelen. Ja, dan gaan die bedrijven zeggen: ja, maar dan kunnen wij niet meer garanderen dat dat werkt. Of dan kan je tenminste niet aan ons zeggen: het is jullie fout als er iets misgaat. Ook de combinatie van verschillende medicijnen, hoe gaan die zich gedragen? Bepaalde molecules die andere molecules afbreken, die de werking in het lichaam tegengaan. Dus er zijn een aantal technische zaken, maar er zijn ook een aantal gezondheidseconomische redenen waarom dat gewoon voor de maatschappij niet haalbaar is om zo geïndividualiseerd te gaan werken. Want de kost per pil wordt dan gewoon gigantisch hoog. Ja. En dan kun je wel zeggen: ja, technisch zou het misschien op termijn mogelijk kunnen zijn, maar kunnen we dat effectief als maatschappij 100 procent dragen? Daar gaat nog een of ander boompje moeten over opgezet worden. 

AI werkt razendsnel. Wat mensen in weken doen, doet AI misschien in een dag. Wat het onderzoek betreft naar oplossingen voor allerlei ziekten en ziektebeelden. Daar kan AI toch wel een versnellend effect hebben? 

Absoluut. Ja, daar, de grote sprong voorwaarts daar is genomen toen AlphaFold gelanceerd is. AlphaFold, - ze hebben ondertussen de Nobelprijs voor de chemie voor gekregen omdat het zo baanbrekend was - was een bedrijf in Londen, DeepMind genaamd, onder andere opgericht door Demis Hassabis. In 2010 zijn die opgericht. In 2014 zijn die overgekocht door Google, maar die zijn eigenlijk blijven opereren als zelfstandige onderzoeksunit. Dat was meer een onderzoeksbedrijf dan dat het een commercieel bedrijf was die per se producten wou maken. Hassabis was op een bepaald moment zeer gefascineerd door gaming. Heeft heel zijn leven spelletjes gespeeld. Was een van de topschakers op zijn zes. Dus die heeft altijd met spelletjes bezig geweest en die hadden neuraal netwerken gebruikt om die spelletjes te spelen. Daar is onder andere AlphaGo uitgekomen. AlphaZero, een van de eerste spelletjes die ze gevonden hebben hoe dat je de highscore kon breken was Breakout, een Atarispelletje. Dus computerspelletjes, in die wereld zaten ze. Op een bepaald moment wordt hij gecontacteerd nadat ze AlphaGo gemaakt hadden door een bioloog en die zei: "Kijk, een van de grootste problemen in de biologie in het vouwen van aminozuren tot proteïnestructuren." Wij als mensheid, we weten hoeveel aminozuren dat er zijn, maar hoe dat die zich kunnen vouwen, dat weten we eigenlijk niet. En er waren al een aantal richtingen en projecten bezig van: misschien is dat ook een beetje een spelletje om die te vouwen. Als je natuurlijk het woord spelletje bij Hassabis liet vallen, dan was die geïntrigeerd. Dus die zijn beginnen bouwen aan iets wat dat op diezelfde technologie gestoeld was, vandaar dat het AlphaFold is genoemd, rond het vouwen van proteïnestructuren. En die hebben er heel veel gevonden. Heel veel. Miljoenen en miljoenen nieuwe proteïnestructuren die we niet kenden hebben zij ontdekt. Dat heeft ongeveer twee, drie jaar geduurd en dan hebben ze dat gewoon geopensourced. Hebben ze gezegd: ‘Beste wereld, hier is de hele database en als je denkt dat je er nog eentje wilt vouwen. We hebben heel de technologie om dat te doen, dus ge laat het ons maar weten.’ En dat heeft wel een hele grote sprong voorwaarts gemaakt, omdat er plots heel veel nieuwe inzichten kwamen van: ah, maar wacht eens, misschien zou dit wel een mogelijke target kunnen zijn voor een onderzoek verder rond medicatieontwikkeling bijvoorbeeld. En er zijn nu al de eerste resultaten, die nu al verder ontwikkeld worden op basis van AlphaFold. 

Tweede wat dat erbij komt, is dat we nu bijna op het punt staan dat we AI as a researcher hebben Wat bedoel ik daarmee? Klassiek gezien vertrekt een onderzoeker van een hypothese die je dan probeert aan te tonen of te ontkrachten. En dat is een zeer traag proces. Dus in de biologie is dat dan: je ontwikkelt dan een hypothese, je ontwikkelt een testtraject, je hebt daar laboruimte voor nodig. Je itereert, je kijkt naar de resultaten van die labotesten en dat is een cirkel die redelijk lang kan lopen. Hetgeen wat we nu zien is dat diezelfde iteraties veel korter door AI kunnen gedaan worden, waar de hypotheses door AI naar voren geschoven worden, waar het labprotocol door AI wordt gegenereerd, waar het uitvoeren van het labprotocol gebeurt door gerobotiseerde labo's waar de resultaten opnieuw gevoed worden aan AI. Waardoor dat je dus een vicieuze cirkel krijgt of een spiraal van versnelling, waar dat je nu bijna op het punt komt dat AI eigen onderzoek aan het doen is. Niet alleen de hypothese ontwikkelen, maar ook effectief aantonen hoe dat het werkt en heel het proces daarrond. 

Dat is een tweede en dan een derde is als er iets is waar AI goed in is, dan is het het vinden van linken in grote datasets en de hoeveelheid data die we op dit moment nog altijd aan het genereren zijn vanuit het menselijke medische dossiers. Het menselijk genoom uitlezen, noem maar op. Dat zijn gewoon gigantische datasets, dus daar zijn er af en toe zaken die naar boven komen waar dat wij als mens nog niet van wisten, maar waarvan AI zegt: ‘Ja, maar we zien daar iets, we zien daar iets. Volgens mij zijn die aan elkaar gekoppeld en dat is opnieuw het ontwikkelen van nieuwe hypotheses. En daar zie je bijvoorbeeld in,, wat dat dan in farmacologisch onderzoek target discovery wordt genoemd voor een bepaalde ziekte. Op welke target in het lichaam moeten we ons richten? Dus op welke proteïnestructuur bijvoorbeeld moeten we ons richten? Waar dat dan weer AlphaFold in the picture komt van: hoe ziet die proteïnestructuur eruit. Waar kunnen we die hacken om dat medicijn daar op te laten werken? Dus het is een combinatie van verschillende zaken, maar het gaat nu wel, de laatste, mja, ongeveer half jaar tot een jaar is dat domein zich heel snel aan het ontwikkelen. 

Maar als AI dan op eigen houtje begint onderzoek te doen, zelfstandig gaat opereren, wordt het dan niet gevaarlijk? 

Wel, dat hangt ervan af in welk kader. Als dat een afgelijnd kader is, dan is dat gelijk of dat een mens dat nu doet of AI. Ja, dat is een versnelling en dat is een exponentiële versnelling. Als je natuurlijk zegt: ‘Geef je een AI toegang tot de knoppen van de wereld en de beslissingen en het economisch weefsel en noem maar op... Of dat dat slim is, dat is een ander paar mouwen. 

Het is een beetje een nadeel dat de mensheid AI heeft leren kennen via Hollywood. Oh ja? 

In heel veel Hollywoodfilms - de eerste was HAL in 2001: A Space Odyssey van Stanley Kubrick. Ja, HAL, die is rogue gegaan, hè. The Terminator, dat is ook AI. Dat is ook niet goed afgelopen. Dus elke keer als er AI was en recentelijk nog I Robot bijvoorbeeld over wat ze dan embodied AI noemen, dus AI in een lichaam, ja, dat is ook niet goed afgelopen, want ook de robot is rogue gegaan en die ging zijn baas dan uitmoorden. Dus elke keer als we vanuit Hollywood geconfronteerd worden met AI, krijgen we dat soort dystopische scenario's voorgeschoteld van: AI gaat de boel overnemen en rise of the machines en … Dat is op zich, ja. Is dat een scenario dat mogelijk kan gebeuren dat AI volledig rogue gaat? Ja. Is dat inherent in het systeem ingebakken? Nee, want AI heeft geen eigen wil. Dus dat is ons menselijke karakter dat we projecteren op een technologie en zeggen: wij als mens hebben eigenlijk soms een rot karakter. Dus AI zal ook wel een rot karakter hebben. Inherent niet, omdat, ja, dat is dan zeer filosofisch, maar wat is een eigen wil?

Misschien komt het er nog van dat het een eigen wil krijgt. 

Misschien wel, maar van waar komt die eigen wil dan? Op dit moment, en je moet altijd met twee woorden spreken in AI, op dit moment komt die eigen wil van een extrapolatie van data die het van de mens geleerd heeft. En dus als AI foute dingen doet, quote-unquote, zoals bijvoorbeeld racistische uitspraken, dat is geen beslissing van die AI. Dat heeft dat gewoon heel goed geleerd van de mensheid. Ah, jullie doen dat zo. Ik ga dat gewoon ook zo doen. Alleen doe ik dat op een exponentiële schaal. Dus alles wat dat vooroordelen zijn die de mens in zich heeft, zitten ingebakken in datasets. Dat hebben we zo door de wereld te documenteren, hebben we dat zo ontwikkeld. En de gevolgen daarvan zijn dat we die data gebruikt hebben om AI te trainen en dat AI ons gewoon terug confronteert met onze eigen vooroordelen. Wat we soms grappig vinden, soms ook zeer confronterend is van: ah, bon, zit dat zo in elkaar. Oei, dat wisten we niet. AI op zich heeft geen eigen vooroordeel. Het gaat op termijn waarschijnlijk wel vooroordelen hebben, want bij, kleine zijsprong, bij de mens ontstaan vooroordelen om energie te sparen in ons brein. 

Ah ja?

Dat zijn shortcuts die genomen worden van: dit zal altijd wel zo zijn en dan moet ik heel dat denkproces daarrond moet ik niet altijd opnieuw doen. Dus voilà, dan gaan we even die shortcut nemen. Als AI dat natuurlijk ook op dezelfde manier begint te doen en zegt: we gaan energie sparen, dus we gaan ervan uit dit is altijd zo om heel dat neuraal netwerk te deactiveren, wat veel te veel energie vraagt. Ja, dan, dan krijg je wel opnieuw vooroordelen. Het zijn digitale vooroordelen die misschien andere resultaten gaan hebben. Maar het is wel een interessant domein om te volgen hoe, hoe vooroordelen inherent erin gebakken geraken en hoe AI het ook van ons overneemt. Dat is recent ook nog aangetoond in een studie dat er biases in medische beslissingen zitten vanuit de mens en dat AI-systemen diezelfde biases gewoon overgenomen hebben. Dus die hebben het geleerd van de mens en die hebben dat goed geleerd blijkbaar. 

Ja. Van energie gesproken. Eén ding is wel zeker: het is energieverslindend, hè? 

Ja, dat klopt. Het is op dit moment zeer energieverslindend. Vraag is: is het nuttig energieverslindend ja of neen? Als dat is om een grappige foto te maken, kunnen we zeggen: is dat nuttig? Ja, dat is een persoonlijke overweging. Als dat is om een patiënt te helpen, lijkt me dat verantwoord. Het is ook zo dat die modellen alsmaar efficiënter worden en dat zorgt ervoor dat dat zo'n beetje een race wordt waar dat het meest efficiënte model het waarschijnlijk gaat halen. Niet het beste. Omdat, ja, die energierekening komt ook bij die bedrijven terecht hè. Ze zijn dat nu ondertussen gewoon aan het terugkoppelen naar de gebruiker. Dus dat is een stukje de responsabilisering van de gebruiker wat nu aan het gebeuren is. Wat eigenlijk goed is, want we hebben misschien de eerste jaren het te makkelijk, te toegankelijk gemaakt en mensen hebben het ook voor minder nuttige dingen gebruikt. Laten we eerlijk zijn daarin. 

Dat ook experten AI niet altijd kunnen doorgronden eigenlijk. Is dat ook een risico? Dat is een discussiepunt, omdat in neurale netwerken specifiek zit een construct. Zo werkt het technisch, met een aantal verborgen lagen wordt dat genoemd. Dus je geeft daar een input in, bijvoorbeeld een beeld en dat geeft u de analyse van dat beeld. En die analyse is heel vaak juist. Alleen kan het niet uitleggen waarom dat het tot die specifieke beslissing gekomen is. Nu, wij als mens kunnen dat ook moeilijk uitleggen. We proberen dat uit te leggen, zeker als het in, in medische jargon is of in de medische context. Op het moment dat we, dat een arts een diagnose stelt, gaat hij dat proberen uit te leggen aan een patiënt waarom dat hij tot die beslissing gekomen is. Maar heel vaak zit daar ook ervaring in. En wat is ervaring? Patroonherkenning. Wat is AI? Patroonherkenning. Dus een mens herkent een aantal patronen en kan bij een patiënt zeggen: ‘ik denk dat het dat is’. En die zal er waarschijnlijk negen op de tien keer bonk op zitten. Maar als je dan vraagt waarom? Metier. Dat is, ja, moeilijk omdat omdat het inherent in de architectuur van de technologie zit om dat eruit te halen, want dan werkt het niet meer. Als je zegt: ja, je moet nu elke stap verklaren, ja, sorry, maar dan zijn we een andere architectuur aan het bouwen. Daar wordt wel naar gekeken vanuit een verklaringsstandpunt. Explainable AI noemt dat dan. Dus technisch dat er, dat er meer en meer stappen worden uitgelegd. Of dat het als het model een beslissing neemt dat het aantoont op basis van welke parameters en met welke gewichten dat hij aan die parameters gegeven heeft. Bijvoorbeeld op een intensieve dienst gaat er een alarm af. Dat is eigenlijk al AI op dit moment. Dus op basis van een aantal parameters alleen kunnen we, doordat het relatief eenvoudige modellen zijn, kunnen we zeggen: ja, maar als die biomarker naar dat niveau gaat, gecombineerd met die biomarker die dat aangeeft, die combo geeft eigenlijk dat signaal. Wij als mens zouden dat ook zo doen. Alleen wij hebben de tijd niet om die duizenden en duizenden signalen van één patiënt op een intensieve, om die manueel te liggen monitoren. Ja. Sommige mensen zeggen: ja, dat is hoe de technologie werkt. Wij als mens kunnen het ook niet uitleggen. Als het klinisch is aangetoond dat het minstens even goed is, of misschien in sommige gevallen zelfs beter dan de mens, wie zijn wij om daarover te discussiëren? Dat is bij medicatie ook zo. Dus medicatie wordt in een klinische studie aangetoond dat het effectief is en dan gaat iedereen ervan uit dat dat zo is en dan wordt dat niet meer in vraag gesteld eigenlijk. Met AI doen we dat precies wel. Dus ik vind dat een rare vergelijking om hetzelfde te eisen van een technologie wat we van een mens niet eisen. Je kunt daarover filosoferen. Dat is tof om een keer op café over te filosoferen. 

Waar we het nog niet over gehad hebben, is het ethisch kader waar nu ook heel veel over gediscussieerd wordt van: hoe moet dat eruitzien dan uiteindelijk, hè? 

Ja, er is een Europees algemeen ethisch kader opgesteld over AI specifiek, verantwoorde AI, wat eigenlijk de grond was voor de wetgeving, de AI Act, waar een aantal types van AI expliciet uitgesloten zijn die niet mogen ontwikkeld worden of niet mogen gebruikt worden. Bijvoorbeeld in Europa mag je geen AI voor gezichtsherkenning gebruiken, tenzij in zeer strikte, bijvoorbeeld politionele bevoegdheden. Je mag geen emotieherkenning doen op basis van AI. Dat zijn expliciet uitgesloten scenario's die hun bron vinden in een ethisch kader. In het medische specifiek heb je uiteraard ook de medische ethiek die meespeelt. En die twee, die moeten eigenlijk in elkaar haken. Dus er zijn wel redelijk wat ethische overwegingen. Een belangrijke is wel dat de kritische reflex bij iedereen aanwezig is. En meer nog dan vroeger. Omdat het waardepatroon, en dan zitten we in ethiek, het waardenpatroon dat in AI terechtkomt, is niet het waardenpatroon van de mensheid, want dat bestaat niet. We hebben de fundamentele rechten van de mens, maar op zich, er bestaat niet een wereldwijd ethisch kader. Dat maakt dat we eigenlijk overgeleverd zijn aan de ethische goodwill van de bedrijven die die technologie ontwikkelen. En daar schuilt nu wel het risico, omdat we eigenlijk ons moreel kader aan het uitbesteden zijn aan bedrijven. 

En hoe kunnen we daarover waken dat dat niet gebeurt? 

We hebben geen grote Europese spelers. We hebben er eentje ongeveer die de moeite waard is Mistral, een Frans bedrijf. Dus er is wel een Europees kader. Maar ja, als je Amerikaanse systemen of Chinese systemen gebruikt, ja, dat is een ander ethisch kader dat daarin zit. En daar moeten we ons ook van bewust zijn. Zeker omdat je met die technologie ook kunt beginnen discussiëren over hoe de wereld eruit ziet, het wereldbeeld. En dat als dat helemaal doorgaat en slecht wordt, dan zit je in fake news. Om dat wereldbeeld aan te tonen wordt er vals nieuws gegenereerd. En als wij dan onze kritische filter weglaten, ja, dan zitten we daar natuurlijk in. En, vroeger was dat iets wat mensen uitbesteedden aan de VRT, die doet factchecks, hè, voilà, als er iets mis is. Eigenlijk moet iedereen dat beginnen doen. Niet factchecking als job doen, maar wel kritisch blijven omdat het zo makkelijk wordt om beelden te genereren. En hetgeen wat dat vroeger was: ‘ik heb op het internet gelezen’, dat moest je al soms met een korrel zout nemen. Ja. Nu is: ik heb een video gezien van die, die dat gedaan heeft, dus dat zal wel waar zijn. Moet je eigenlijk nadenken: is dat zo? En dat is een beetje deels een valkuil, deels ook denk ik een opportuniteit omdat doordat het er zoveel worden dat we automatisch kritischer gaan worden. 

In verband met de ethische kant van de vooral Amerikaanse bedrijven die bezig zijn met artificiële intelligentie. Daar blinken ze wel niet in uit allemaal, hè. 

Wel, ze hebben allemaal een kader Dat is al stap één. Of dat het moreel het juiste kader is. Opnieuw, het is ethiek, dus het is cultureel gebonden, organisatiegebonden. Als je bijvoorbeeld kijkt naar Grok wat ontwikkeld is door Elon Musk, zijn bedrijf. Ja, dat, dan moet je je niet verschieten dat daar een ander ethisch kader in zit dan bijvoorbeeld aan het andere uiteinde van het spectrum bij Anthropic. Want Anthropic is ontstaan van een aantal mensen die vonden dat het moreel kompas van OpenAI een beetje te veel doorsloeg. En die zeggen: wij gaan het beter doen. Die zijn vertrokken van bij OpenAI. Dario en Daniele Amodei onder andere twee van de oprichters. Die hebben een ander moreel kompas en zij waken daar ook over. Zij zijn zo'n beetje de beschermer van het morele kompas in Silicon Valley. Wat in deze tijden niet makkelijk is, maar soms duwen ze hun wil wel door. Dus zij waken daar wel over tot zekere hoogte. Maar het is natuurlijk een Amerikaans bedrijf. Anthropic is dan het goede model. 

Maar die Grok van Elon Musk, daar komt niet veel ethiek, meer bij te pas.

Het is geweten dat zij heel weinig guardrails ingebouwd hebben. Je kunt daar een mening over hebben, maar dat is ook de keuze van de gebruiker. Ja. Als je als gebruiker weet dat je in dat model zit en dat past bij uw model van de wereld, is dat een goede tool. Het is pas op het moment dat je aan het andere uiteinde van het spectrum staat qua moraliteit dat je zegt: dat is geen goede tool. Maar wie bepaalt wat goed en slecht is? 

Als u om af te ronden dan één boodschap zou geven aan, laat ons zeggen de vooral oudere mensen die nog veel minder vertrouwd zijn met al die innovatie, wat zou dat zijn? 

Goh, hetgeen wat ik altijd zeg op het moment dat ze mij vragen wat is het ene ding dat je kan doen is: leer bij. Want je kan niet meer zeggen: het zal mijn tijd wel passeren. Het gaat zodanig rap. Het zit ingebakken in alles. Het zit in uw smartphone. Al jaren, zonder dat mensen het soms weten. Als je naar uw fotobibliotheek gaat en je typt gewoon een woord in. Al uw foto's zijn geïndexeerd en je kan alle foto's wat dat woord weet - strand of kleinkinderen of gelijk wat - hij gaat ze eruit halen. Misschien binnen tien jaar spreken we zelfs niet meer van AI, omdat het gewoon zo normaal is dat we het niet meer gaan benoemen. Het is gewoon allemaal software. Dus het zit zo inherent in alles ingebakken dat je er sowieso mee geconfronteerd wordt. Dan kan je maar beter weten wat je voor de kiezen krijgt. Lees erover. Lieven Scheire heeft er een heel goed boek over geschreven. Dat is zeer laagdrempelig uitgelegd wat het eigenlijk is. Dus lees erover, van populaire pers tot gespecialiseerde boeken. Maar vooral blijven bijscholen. Een gezonde interesse zonder dat het u beangstigt over hetgeen wat er allemaal aan het gebeuren is. We moeten er een stukje van wakker liggen, maar het mag u niet bevriezen om er niets mee te doen, om er volledig van weg te blijven, want het zit in alle lagen van het leven al ingebakken.