Artificiële intelligentie: van onderzoek tot toepassing

Thema:
Artificiële intelligentie

Artificiële intelligentie (AI) is het vermogen van machines om intelligent gedrag te vertonen. AI gaat de manier veranderen waarop we leven, werken en reizen. Het helpt ons innovatieve oplossingen ontwikkelen die ons gezond en veilig houden. De grote uitdaging? Het samenbrengen van AI-expertise en domeinkennis. En dat is onze kracht.

Onderzoek naar AI

We zien grote kansen in toegepast onderzoek naar AI. Het heeft namelijk een enorm economisch en maatschappelijk potentieel. Vooral op het niveau van veiligheid, efficiëntie en ethiek. Daarom startten we ons onderzoekprogramma Appl.AI. Het doel van dit programma is om AI systemen te laten functioneren in een wereld vol onzekerheden. Daarnaast zetten we in op een efficiënte samenwerking tussen mens en machine.

Ons Appl.AI programma kent momenteel twee programmalijnen waarbinnen we onderzoek doen. Onder de twee programmalijnen vallen meerdere use cases. De twee programmalijnen zijn:

  1. Veilige autonome systemen in een open wereld
  2. Verantwoorde besluitvorming tussen mens en machine

Lees meer over ons Appl.AI onderzoeksprogramma

Download onze paper ''Research strategy trustworthy adaptive AI' (Engelstalig)

Toekomstvisie op AI anno 2032

Tijdens TNO's 90-jarig bestaan in 2022 hebben experts uit de organisatie een toekomstvisie op AI geschreven. Met daarin de verwachtingen van kunstmatige intelligentie over tien jaar en de voorspellingen.

Lees TNO's visie op AI

Download de visiepaper of bekijk de video's met prominenten over AI, waaronder David Deutsch en Georgette Fijneman.

AI-technieken

AI is een sleuteltechnologie voor nieuwe toepassingen die bijdragen aan een sterkere industrie en samenleving. Samen zijn we in staat om Nederland met AI-toepassingen veiliger, efficiënter, gezonder en welvarender te maken. Dit doel staat in ons vizier en daarom blijven we investeren in AI-technieken. Alle AI-technieken zijn breed inzetbaar en helpen ons om effectief te zijn in meer domeinen. Op de volgende AI-technieken boeken we momenteel vooruitgang:

AI-toepassingen in 6 domeinen

Wij combineren verschillende AI-technologieën met multidisciplinaire expertise en creëren zo verantwoorde systeemoplossingen. Ons doel? Bijdragen aan een betere samenleving. Dat betekent dat we Nederland veiliger, efficiënter, gezonder en welvarender willen maken. Dit doen we onder andere door innovaties met AI. Om werkelijk impact te realiseren met AI-toepassingen moeten onderzoeksinstellingen, bedrijven en overheden samenwerken. Binnen ons onderzoeksprogramma doen we dit op 6 toepassingsdomeinen:

  1. Cyber crime: AI helpt ons om de cyberveiligheid te verbeteren door fraude, bedreigingen en daadwerkelijke aanvallen te detecteren en voorspellen.
  2. Datagedreven besluitvorming: AI helpt ons de juiste beslissingen te nemen in openbaar beleid en diensten met data-gedreven inzichten.
  3. Gepersonaliseerde zorg: AI geeft ons persoonlijk gezondheidsadvies over het voorkomen en genezen van levensstijlgerelateerde ziekten.
  4. Voorspellend onderhoud: met AI doen we voorspellingen voor een effectieve planning én voor optimalisatie van bedrijfsvoering en onderhoud.
  5. Slimme industrie: AI digitaliseert de industrie en faciliteert bij een optimale werkverhouding tussen mens en machine.
  6. Zelfrijdende auto's: AI-gedreven autonome voertuigen en systemen gaan mensen in kritieke, gevaarlijke en complexe situaties ondersteunen of zelfs vervangen.

Persoon test VR-bril en robothandschoenen

1. Cyber crime

Cyberbeveiliging is een serieuze zaak. Naarmate onze afhankelijkheid van ICT toeneemt, neemt ook de potentiële impact van een cyberaanval toe. Tegenwoordig voeren professionele actoren de aanvallen uit. Zij beschikken over hoge technische capaciteiten en aanzienlijke middelen. Hoe beschermen we organisaties dan tegen cyberdreigingen? Door innovatieve oplossingen met betere en snellere detectie en respons op deze aanvallen. De aanvallen hebben vaak een specifiek doelwit en een hoge mate van automatisering, persistentie en technische verfijning. In nauwe samenwerking met academici en bedrijven verminderen we de gemiddelde tijd die nodig is voor opsporing van en reactie op een inbreuk in cybersecurity.

Cyberbeveiliging verbeteren

We maken ontwikkelingen op het gebied van cybersecurity. AI speelt hierin een sleutelrol. Bijvoorbeeld bij het opsporen van bedreigingen, waarbij we AI combineren met menselijke intelligentie en contextuele interpretatie. De tools die we ontwerpen, gaan ervan uit dat een indringer een systeem al heeft aangetast. Vervolgens detecteren ze afwijkende interne en externe patronen in netwerkdata en systeem registraties. Door netwerkdata te koppelen met centraal beschikbare systeemlog gegevens, filteren en verrijken we die data. Hierdoor maximaliseren we de effectiviteit van de AI-detectietools.

Cyberaanvallen detecteren

Op het gebied van geautomatiseerde beveiliging, maken we inmiddels gebruik van AI om zowel de efficiëntie als de effectiviteit te vergroten. Cyberbeveiliging heeft een combinatie van informatie en analyse nodig. Detecteert het systeem een cyberaanval, dan identificeert het de potentiële aanvaller, het doelwit en de (waarschijnlijke) aanvalsroute. Vervolgens identificeert het de responsopties, evenals de mogelijke impact die deze hebben op de bedrijfscontinuïteit.

Download onze whitepaper 'Security at machine speed' (pdf)

Ons werk tegen cybercrime

We brengen partijen bij elkaar om uitdagingen op gebied van cyberbeveiliging te overwinnen. Deze samenwerking levert slimme, op AI gebaseerde algoritmes op, waarmee we organisaties beschermen tegen cyberbedreigingen. Dit is wat we bieden:

  • We dragen bij met de technologische expertise om cyberbeveiliging, AI en wiskundige modellen te combineren.
  • We ontwikkelen innovatieve technologieën voor de opsporing van bedreigingen. Deze technologieën combineren AI-technologieën met datasets, zoals netwerkdata en systeem registraties.
  • Door de ontdekking van kwetsbaarheden te automatiseren en effectieve patches te generen, ontwikkelen en passen wij technologieën toe die de systeembeveiliging versterken.
  • In samenwerkingsverbanden ontwikkelen we technologie om geautomatiseerde beveiligingslogica mogelijk te maken, ter ondersteuning van de besluitvorming op het gebied van mitigatie en respons.
  • We werken samen met academische partners en bedrijven voor het vertalen van de allernieuwste AI naar praktische applicaties voor cyberbeveiliging. Het gaat hierbij om financiële instellingen en verzekeringsmaatschappijen, maar ook om overheidsorganisaties.

2. Datagedreven besluitvorming

Elke dag staan beleidsmakers en ambtenaren voor complexe uitdagingen. Bijvoorbeeld:

  • het bestrijden van langdurige werkloosheid
  • het bereiken van duurzaamheidsdoelstellingen
  • het anticiperen op technologische effecten.

Men verwacht van beleidsmakers en ambtenaren dat zij doeltreffende maatregelen ontwikkelen om deze kwesties aan te pakken. Wij verkennen samen met overheidsinstanties de mogelijkheden om met behulp van artificiële intelligentie de beleidsontwikkeling en besluitvormingsprocessen te ondersteunen met datagedreven inzichten.

AI ondersteunt effectief overheidsoptreden

We verbeteren de besluitvorming enorm door middel van datagedreven inzichten. Met AI identificeren we maatschappelijke bedreigingen, risico's en kansen namelijk in een vroeg stadium. Het verbetert ook de manier waarop we bestaande data gebruiken. Overheden hebben doorgaans toegang tot een rijke dataset, zoals data over residentieel energieverbruik, inkomen en mediagebruik. AI leent zich ook uitstekend voor het doorzoeken en analyseren van grote hoeveelheden openbare documenten, zoals jurisprudentie en vergunningen. Bovendien zijn AI-technieken geschikt om patronen in de samenleving en in het individuele gedrag te identificeren. Denk aan technieken als natuurlijke taalverwerking en beeldherkenning. Het gebruik van AI kan zo een effectief overheidsoptreden ondersteunen.

Ons werk in datagedreven besluitvorming

  • We ontwerpen en begeleiden experimenten voor innovatie en datagedreven beleid in de publieke sector.
  • We ontwikkelen methodologieën voor multidisciplinaire samenwerking en hybride AI-statistieken.
  • We zorgen voor een kritische evaluatie van de geschiktheid van AI-gebaseerde inzichten en toepassingen in relatie tot specifieke maatschappelijke uitdagingen.
  • We combineren sociaalwetenschappelijke theorieën en inzichten met AI-technieken en expertise.
  • We werken samen met beleidsmakers aan nieuwe kaders voor privacy, ethiek en regelgeving om een verantwoord databeleid te waarborgen.

3. Gepersonaliseerde zorg

Een steeds ongezondere levensstijl leidt tot hogere kosten voor de gezondheidszorg. Gelukkig kan het gebruik van artificiële intelligentie de zorgkwaliteit verbeteren, de kosten verlagen en ons gezonder maken. AI in de zorg kan data bieden over burgers, persoonlijk advies en actieve ondersteuning. Het analyseren van persoonlijke data en het voorspellen van wat we moeten doen, helpt ons gezond te blijven of onze levensstijl te veranderen. Zo verminderen we de ziektelast.

Visie op artificiële intelligentie in de zorg

We werken samen met commerciële organisaties en zorg gerelateerde organisaties. Deze samenwerkingen richten zich op het geven van gepersonaliseerde adviezen én een kennisverruiming over onze gezondheid en noodzakelijke interventies. Onze algemene visie is dat AI samen moet werken met burgers en zorgverleners om de individuele gezondheid te verbeteren.

AI en gezondheid personaliseren

Met behulp van artificiële intelligentie, kunnen we:

  • preventieve gezondheidsmaatregelen vaststellen
  • voorspellende modellen ontwikkelen
  • data in de zorg verwerken.
  • data op een veilige manier tussen alle partijen uitwisselen

Gezondheidsadvies moet persoonlijk zijn

De gezondheidszorg is tegenwoordig meestal gebaseerd op bewijs uit grootschalige klinische proeven. Gezondheid is echter persoonlijk. Dat moet het advies ook zijn. AI in de zorg, biedt daar nieuwe mogelijkheden voor. AI-adviezen baseren zich op persoonlijke data van apps, consultatie en medische data. Dit alles kan mogelijk worden gemaakt door de persoonlijke health train. Ofwel data beveiligde infrastructuur voor hergebruik van data en advies. En voorspellende modellen in de gezondheidszorg. Daarin kan men de gegevens van een groot aantal burgers en patiënten verbinden en vervolgens invoeren in AI-modellen.

Onze diensten in gepersonaliseerde gezondheidszorg

  • Wij ontwikkelen privacy-by-design technologie om data veilig te kunnen delen.
  • We combineren biologische, psychologische en sociale data en inzichten met AI in zorgtechnieken en expertise.
  • We ontwikkelen voorspellende modellen en verwante interventies.
  • We ontwikkelen digitale biomarkers voor de diagnose van gezondheid (inclusief proxy’s).
  • We ontwerpen hybride modellen (kennis-data gedreven) en bèta apps voor diagnose en gezondheid (gedragsverandering) (bijvoorbeeld igrow).

4. Voorspellend onderhoud

Veel sectoren streven naar een betrouwbaar en veilig gebruik van apparatuur, machines en andere infrastructuren. Hoe kan een windpark op een veilige manier maximale energie opwekken tegen minimale kosten? Wanneer moet de overheid onderhoud plegen aan een brug om de veiligheid te waarborgen? Hoe kan een fabrikant zorgen voor automatische aanpassing van hightech instrumenten? Wij beantwoorden deze vragen met behulp van AI. Daarmee faciliteren we een betere planning van voorspellend onderhoud en een slimme bediening. We doen dit in de sectoren energie, bouw en industrie.

Met behulp van AI verhogen we de efficiëntie van de bediening en voorspellend onderhoud op 3 gebieden:

Energieproductie- en transportsystemen

We ontwikkelen data gestuurde modellen en optimalisatie routines ter ondersteuning van strategische en operationele beslissingen. Dit maakt het mogelijk om met een hoge mate van onzekerheid en complexiteit om te gaan.

Voorspellend onderhoud van structuren

Het inspecteren van infrastructuren (bijvoorbeeld bruggen en productiefaciliteiten) is complex, arbeidsintensief en vereist menselijke interpretatie. Hier is voorspellend onderhoud van grote waarde voor de veiligheid. Door de intelligente digitale-tweeling-technologie, kunnen we het schadepatroon automatisch herkennen. Op basis hiervan verbeteren we monitoring, onderhoudsplanning en beoordeling van de degradatie.

Productie-industrie

Er is een toenemende vraag naar flexibiliteit in de productenmix. Daarom moeten we een hoge kwaliteitscontrole handhaven en tegelijkertijd zorgen voor een real-time en continue monitoring. Wij kijken we naar de totale workflow en toegankelijke data en bepalen zo de juiste AI-gestuurde oplossing. Dit varieert van de ontwikkeling van specifieke kwaliteitssensoren en intelligente digitale-tweeling-technologie tot een op fysica gebaseerd model ondersteund door AI.

Onze diensten op het gebied van voorspellend onderhoud

  • Wij helpen organisaties bij het ontwikkelen van AI-toepassingen, waarbij we de kansen en valkuilen van AI blootleggen.
  • In nauwe samenwerking met industriële partners en overheden ontwikkelen wij AI-werkstromen ter ondersteuning van beslissingen op het gebied van energieproductie en -transport (weg, spoor, water, energie).
  • We maken een digitale tweeling van structuren, machines of systemen door het combineren van op fysica gebaseerde modelleringsvaardigheden, domeinkennis en data-analytics/artificiële-intelligentie-technieken.
  • We ontwikkelen systeemoplossingen die innovaties op het gebied van computervisie, robotica, machine-learning en samenwerking tussen mens en machine mogelijk maken.
  • Dankzij onze ervaring op het gebied van sensor-dataverzameling, (OPC-UA) datacommunicatie, -verwerking en -opslag in een digitale-tweeling-dataplatform, kunnen wij data managen om uw AI-algoritme te trainen.

5. Slimme industrie

Slimme industrie of 'smart industry' houdt zich bezig met de digitalisering van de producerende én de dienstverlenende sector. Dit staat internationaal bekend als de vierde industriële revolutie.

Een voorbeeld van slimme apparatuur? Bijvoorbeeld robots die toezicht houden op afstand én voorspellende onderhoudsbeoordelingen uitvoeren.

Door middel van AI-analyses vergroten we onze kennis over het juiste AI-gebruik voortdurend. Bijvoorbeeld op het gebied van de zogenoemdecobots. Dit zijn robots die samenwerken met mensen. Daarmee helpen we met het definiëren van een slimme samenwerkingsbalans tussen mens en robot. Zo verbeteren we de prestaties van deze systemen en hun toezichthouders.

Data uit één bron

In het bedrijfsleven zijn digitaal beschikbare gegevens vaak afkomstig uit één bron. Denk aan een camera die de positie van onderdelen doorgeeft aan een flexibele assemblagerobot. Dergelijke robots gebruikt men in de land- en tuinbouw. Een ander voorbeeld is hightech industriële sensoren. Die genereren enorme hoeveelheden data met veel ruis. Hierbij verbeteren AI-algoritmes de detectienauwkeurigheid aanzienlijk. Bijvoorbeeld door detectie van stofdeeltjes in de halfgeleiderindustrie.

Aspecten meer geavanceerde toepassingen

In meer geavanceerde toepassingen doen we onderzoek naar betere digitale tweelingmodellen met meerdere databronnen en wiskundige/fysieke simulatiemodellen. In die gevallen houden we rekening met andere aspecten. Denk hierbij aan:

  • verzamelen
  • opschonen
  • visualiseren
  • data uitwisselen
  • gegevenssoevereiniteit of vertrouwelijkheid
  • cybersecurity
  • het gebruik van standaarden

Onze diensten in slimme industrie

  • We zijn actief in het ontwikkelen van AI-gebaseerde oplossingen om radicale doelen te bereiken. Denk aan storingsvrij, verrassingsvrij, programmeringsvrij, enzovoorts.
  • We zijn actief in meerdere slimme industrie fieldlabs op basis van Nederlandse publiek-private samenwerkingsverbanden.
  • We promoten standaarden zoals de International Data Spaces (IDS), Open Platform Communicatie (OPC-UA) en het gebruik van open hard/soft/tool-ware voor AI.
  • We helpen bij het ontwikkelen van beleid voor open data ecosystemen voor het bedrijfsleven.

6. Zelfrijdende auto's

Wij zorgen ervoor dat nieuwe autonome voertuigen én systemen veilig en betrouwbaar zijn. Deze zijn AI-gestuurd. Bovendien zorgen we ervoor dat ze voldoen aan de wet en ethische en maatschappelijke normen. Dat is niet makkelijk. Zeker als je bedenkt dat deze systemen binnenkort een transformatie zullen aanzetten in AI-domeinen, variërend van mobiliteit en verkeersmanagement tot beveiliging.

Kunstmatige intelligentie in autonome voertuigen en systemen

Er zijn enorme AI-mogelijkheden op het gebied van mobiliteit en veiligheid. Snellere, lichtere en krachtigere sensoren verbeteren AI-gestuurde, autonome voertuigsystemen.

Uitstekende statistische resultaten van de huidige AI-methoden verbeteren de prestaties van zelfrijdende voertuigen in complexe omgevingen. Deze systemen kunnen de menselijke besluitvorming ondersteunen (en zelfs vervangen) bij het omgaan met grote datasets, analytische problemen of tijdsgebonden taken. Ze verbeteren de kwaliteit van de besluitvorming en beperken menselijke fouten tot een minimum. In gevallen waarin mensen nog beter in staat zijn om de taak uit te voeren, moet het AI-systeem de controle aan mensen overdragen. En daarbij moeten ze mensen voldoende tijd geven om zich aan de nieuwe situatie aan te passen.

AI heeft een enorm potentieel om de veiligheid en efficiëntie in mobiliteit te verhogen:

  • Zelforganiserende logistiek kan het aantal transportkilometers verminderen (verlaging van de kosten en de impact op het milieu).
  • AI-ondersteund verkeersmanagement, kan de verkeersveiligheid en de efficiëntie van het netwerk verbeteren en de verkeersopstoppingen verminderen.
  • Ondertussen kunnen zelfrijdende voertuigen die aan elkaar verbonden zijn, zorgen voor een optimale doorstroming van het verkeer. Op die manier verhogen ze de veiligheid, comfort en efficiëntie.
  • Bewakingsrobots zullen in staat zijn om gebieden vrijwel continu te monitoren.

Onze diensten rond zelfrijdende auto's

  • We bieden een veilige, open omgeving voor gezamenlijk onderzoek.
  • We wegen de economische voordelen tegen de ethische en wettelijke beperkingen af.
  • We ontwikkelen de veiligheidsprotocollen voor overheden en autofabrikanten.
  • We testen en valideren zelfrijdende systemen voor fabrikanten.
  • We ontwikkelen architecturen en algoritmes voor prestatie- en gezondheidsbeoordelingen.
  • We ontwikkelen algoritmes voor aan elkaar verbonden voertuigen. Daarbij maken we gebruik van onze multidisciplinaire domeinkennis in verkeers- en voertuigmanagement.
  • We ontwikkelen verificatie- en validatietechnieken voor gezamenlijke mens-machinesystemen.
  • We bieden integrale oplossingen door het combineren van onze domeinkennis uit meerdere en relevante disciplines. Bijvoorbeeld datawetenschappers, psychologen, advocaten, milieuwetenschappers, et cetera.
Grafische weergave van slimme sensoren in auto's op een drukke weg
Kunstmatige intelligentie in autonome voertuigen en systemen

Data beveiligen en delen

We ondersteunen organisaties met het delen van data en de bijbehorende databeveiliging. Deze ondersteuning is hard nodig, omdat de data doorgaans versnipperd is over verschillende databases en organisaties. Wij zorgen ervoor dat het de data-eigenaren zijn, die beslissen of anderen toegang krijgen tot hun gegevens, en onder welke voorwaarden.

5 belangrijke uitdagingen in AI

Ons doel is om bij te dragen aan een betere samenleving. Daarom willen we AI-toepassingen creëren die impact hebben én verantwoord zijn. Dat draagt bij aan een veiliger, efficiënter, gezonder en welvarender Nederland. AI is breed inzetbaar en vaak zeer complex. Dit brengt de nodige uitdagingen met zich mee. In ons onderzoeksprogramma Appl.AI zetten we sterk in op 5 AI-uitdagingen:

1. Betrouwbare, transparante en eerlijke AI

De huidige AI-systemen zijn verre van perfect en nemen beslissingen die moeilijk te begrijpen zijn. Acceptatie van AI-systemen in de samenleving vraagt om transparante algoritmes en naleving van wet- en regelgeving. AI-systemen moeten betrouwbaar functioneren in ongunstige omstandigheden. Bovendien moeten zij ethische beginselen, richtlijnen en waarden in acht nemen. Wij gaan ervoor zorgen dat AI-systemen eerlijk, transparant en betrouwbaar zijn.

Ontwerpuitdagingen van AI-systemen

AI-algoritmen moeten eerlijk, objectief en nauwkeurig zijn. Maar het is moeilijk om ze zo te maken. Datasets (voeding voor AI-algoritmen) zijn vaak vertekend. Ontwerpers van AI-algoritmen moeten zich bewust zijn van ongewenste vertekeningen. Daarbij moeten ze methoden ontwikkelen om deze op te sporen en te verwijderen. Wetten tegen discriminatie vereisen dat beslissingen van AI-algoritmen niet afhankelijk zijn van beschermde datakenmerken, zoals geslacht en etniciteit. Het simpelweg verwijderen van deze attributen uit de data is niet voldoende, omdat men die informatie nog steeds kan vinden in correlerende eigenschappen.

Nauwkeurigheid

Moderne AI-algoritmen zijn zeer nauwkeurig. Maar hun ondoorzichtigheid maakt ze moeilijk te begrijpen. In veel toepassingen belemmert dit gebrek aan AI-transparantie de acceptatie ervan door de samenleving. Om veilig te kunnen opereren, moeten AI-systemen ook in staat zijn om onvoorziene situaties en vijandige aanvallen het hoofd te bieden.

Betrouwbaarheid en rol AI in corona-apps

Welke rol kunnen AI en corona-apps hebben in de bestrijding van het coronavirus? En hoe betrouwbaar is de data? We vroegen het Marc Steen, senior researcher bij TNO.

'Zoals data scientists zeggen: "vuilnis erin, vuilnis eruit." Als weinig mensen getest zijn, heb je veel missing data, en heeft zo’n tracking-app minder nut. Als we willen dat veel mensen meedoen met die apps is transparantie het sleutelwoord. Het kan helpen als de overheid helder uitlegt wat die apps precies doen:

  • welke data wel en niet worden gebruikt,
  • waar en hoe lang die worden opgeslagen,
  • waarvoor die mogen worden gebruikt.'

Een AI-systeem kan simulaties (of voorspellingen) doen over verspreiding van corona in de toekomst. Dit is bijvoorbeeld handig bij het stapsgewijs terugdraaien of verder doorvoeren van een lockdown. 'Als je data verzamelt van de voorgaande 30 dagen, dan kun je simulaties doen voor de komende 30 dagen. Die inzichten kan de overheid gebruiken om beleidsopties te verkennen en onderbouwde keuzes te maken. Dat is ook de aanpak in het ERP Wise Policy Making.'

Ons werk op het gebied van eerlijke, transparante en betrouwbare AI

  • We ontwerpen eerlijke algoritmes die de impact van ongewenste vertekeningen verminderen. Onze algoritmen beschermen ook tegen oneigenlijk gebruik van beschermde datakenmerken, zoals geslacht en etniciteit.
  • We ontwerpen transparante AI-algoritmes die de gebruiker in staat stellen om verantwoording af te leggen en duidelijk te zijn over de factoren die de algoritmische beslissingen beïnvloeden.
  • We ontwerpen betrouwbare, op AI gebaseerde systemen die men effectief, veilig en betrouwbaar kan gebruiken in dynamische, complexe en ongunstige situaties.

2. Data beveiligen en data delen

We ondersteunen organisaties met het delen van data en de bijbehorende databeveiliging. Deze ondersteuning is hard nodig, omdat de data doorgaans versnipperd zijn over verschillende databases en organisaties. Wij zorgen ervoor dat het de data-eigenaren zijn, die beslissen of anderen toegang krijgen tot hun gegevens. En onder welke voorwaarden.

Download ons rapport 'verantwoord datadelen voor AI' (pdf)

Verschillende technieken en methoden

Afhankelijk van de wensen van de data-eigenaren, gebruiken we verschillende technieken en methoden. Deze variëren van laagdrempelige toegang tot sterk beveiligde data-uitwisseling. Alles wat we doen op het gebied van databeveiliging, is zorgvuldig op elkaar afgestemd en voldoet aan de zakelijke en wettelijke vereisten.

'Met onze beveiligde data-oplossing, kunnen we gevoelige gegevens van verschillende partijen veilig analyseren. We kunnen dit doen zonder dat we die data hoeven te delen.' - Thijs Veugen, sr. Scientist Information Security

Multidisciplinaire aanpak veilig datadelen

Alle AI-toepassingen voeden zich met data. Ze hebben het nodig om hun voorspellingen en uiteindelijk hun beslissingen te verbeteren. Het samenbrengen van de relevante data is vaak moeilijk en duur. Het vraagt om ingebouwd vertrouwen, technische expertise en een grondige kennis van de processen en bedrijfslogica. We hanteren een multidisciplinaire aanpak op het gebied van databeveiliging, om aan alle voorwaarden voor een bepaalde situatie te voldoen. We creëren ook standaarden voor de uitwisseling van data tussen domeinen en sectoren.

Gezondheidszorg en productie-industrie

Beveiliging van gedeelde gegevens is met name belangrijk in de gezondheidszorg en de productie-industrie. In de gezondheidszorg verbetert het de besluitvorming aanzienlijk. Diagnoses zijn beter en sneller. Dit resulteert in eerdere waarschuwingen, betere behandelingen en geredde levens. Bij de productie-industrie maken leveranciers vaak slechts een deel van een eindproduct. Hier levert het delen van informatie mogelijk een oneerlijk voordeel op voor gewetenloze leveranciers. Dus elk mechanisme dat data deelt, heeft ingebouwde veiligheidsmaatregelen nodig. In beide domeinen is privacy van cruciaal belang en moeten we dit meenemen in het ontwerp. We maken gebruik van verschillende technologieën om data te beveiligen.

Ons werk in databeveiliging en data-uitwisseling

  • We ontwikkelen algoritmes voor meer-partijen berekeningen en blockchainoplossingen. Dit stelt organisaties in staat om van elkaars data te leren, zonder dat ze deze openbaar hoeven te maken.
  • We zetten ecosystemen/bestuursstructuren op om data te delen tussen meerdere partijen.
  • We ontwikkelen standaarden voor autonome, gecontroleerde en uiteindelijk audit-proof data-uitwisseling (dataplatformen).
  • We ondersteunen organisaties of groepen van organisaties die controle nodig hebben over het delen van data.
  • Ook nemen we deel aan verschillende standaardisatie-initiatieven, zoals International Data Spaces. Dit legt onder andere de basis voor het concept van data-autonomie.

3. Leren van beperkte datasets

Optimale AI-algoritmen zijn afhankelijk van zeer grote hoeveelheden representatieve trainingsdata. Dit kunnen 100 miljoen items zijn. Echter is deze hoeveelheid data simpelweg niet beschikbaar. Beperkte datasets kunnen echter tot onbetrouwbare resultaten leiden. Het is daarom belangrijk dat we algoritmes ontwikkelen die hier iets aan kunnen doen. Wij bieden verschillende methoden aan om effectief om te gaan met kleine datasets. Dit zijn onder meer de volgende methoden:

  • overdracht leren
  • online leren
  • gebruik van high-fidelity modellen om gesimuleerde data te genereren

Uitdagingen van kleine datasets aangaan

Moderne machine-learning-algoritmes hebben miljoenen parameters die sterk voorspellende waarden bieden als ze getraind zijn met grote datasets. Helaas presteren ze veel slechter als ze getraind zijn met kleine datasets. Vaak zijn er echter slechts kleine datasets beschikbaar als trainingsdata. Bovendien is het verkrijgen van voldoende data moeilijk, tijdrovend en duur. Ook zijn er wettelijke en ethische beperkingen aan de hoeveelheid data. In zeldzame gevallen kan het zelfs onmogelijk zijn om voldoende data te verkrijgen.

3 uitdagingen betrouwbaarheid en prestaties

Het gebruik van AI-toepassingen op kleine datasets, brengt risico's met zich mee voor de betrouwbaarheid en de prestaties. Er kan ook een vertekening optreden. Dit brengt tal van uitdagingen met zich mee:

  1. Het ontwikkelen van effectieve algoritmes met kleine datasets die betrouwbaar, onbevooroordeeld en veilig zijn.
  2. Het combineren van kleine datasets met bestaande op modellen gebaseerde benaderingen.
  3. Omgaan met het probleem van ontbrekende data en onbetrouwbare en veranderende databronnen.

Kleine en beperkte datasets zijn sterk vertegenwoordigd in de domeinen van artificiële intelligentie in de gezondheidszorg, predictive maintenance en autonome voertuigen.

'De technologie van het leren van kleine en beperkte datasets stelt ons in staat om gebruik te maken van de voordelen van de huidige ontwikkelingen. Bijvoorbeeld het gebruik van artificiële intelligentie, zonder dat we onbetaalbaar grote inspanningen nodig hebben.' - Klamer Schutte, lead scientist

Onze diensten in leren van beperkte en kleine datasets

  • We ontwikkelen overdracht leren. Daardoor is het mogelijk is om gebruik te maken van reeds beschikbare, maar minder representatieve data.
  • We ontwikkelen actief en online leren dat gebruikmaakt van de beschikbaarheid van schaarse domeinexpertise om alleen essentiële voorbeelden te annoteren.
  • We vullen kleine datasets aan door gebruik te maken van bestaande, zeer betrouwbare modellen om gesimuleerde trainingsdata te genereren.
  • Door de integratie van domeinkennis, modelgebaseerd redeneervermogen en geautomatiseerd leren, verminderen we de behoefte aan trainingsdata.
Effectieve samenwerking tussen mens en machine in de zorg

4. Samenwerking tussen mens en machine

Door het toenemende potentieel van AI is ons leven steeds meer verweven met het gebruik van AI-technologie. Het wordt een partner in plaats van een instrument. Toch is AI-technologie altijd ingebed in een grotere organisatie, waarin de mens het doel en het kader van de AI-technologie bepaalt. AI-technologie staat niet op zichzelf, daarom moet ze zich laten opnemen in een groter netwerk: een mens-machine team.

Wederzijds begrip en anticipatie

Voor een duurzame mens-machine samenwerking, zijn bepaalde zaken van cruciaal belang. Mensen en AI-technologieën moeten elkaar kunnen begrijpen en anticiperen op elkaars behoeften, capaciteiten en tekortkomingen. Op dit moment ontbreekt het aan de juiste mate van wederzijds begrip en anticipatie. Wij bevorderen dit wederzijds begrip door de ontwikkeling van:

  • AI, die menselijke vaardigheden leert begrijpen en interpreteren.
  • AI, die in staat is om zijn beslissingen en acties uit te leggen aan de mens.

Door deze uitdagingen aan te gaan, kunnen we het volledige potentieel benutten van AI als partner.

Onvoorspelbare of ongunstige omstandigheden

Samenwerking tussen mens en machine is sterk vertegenwoordigd op het gebied van gezondheid, mobiliteit, veiligheid en beveiliging. Onvoorspelbare of ongunstige omstandigheden confronteren deze samenwerking. Een mens-machineteam moet in staat zijn om zichzelf efficiënt te reorganiseren. Dit maximaliseert het potentieel van het team. AI-technologie kan effectief en betrouwbaar functioneren. Maar alleen als de technologie sociaal vaardig en flexibel is én zich bewust is van de grotere context waarbinnen het functioneert.

Gedeeld begrip

Het succes van de samenwerking tussen mens en computer hangt af van de vraag of de mens en de AI-technologieën een gedeeld begrip hebben. Dit heeft betrekking op de teamcontext, de rollen van de teamleden en de behoefte aan middelen. AI-technologie moet in staat zijn om de mens proactief in de cyclus uit te nodigen, door informatie te delen over relevante ontwikkelingen. Bovendien moet AI-technologie in staat zijn om duurzame en betrouwbare relaties met haar teamleden te ontwikkelen. Bijvoorbeeld door uit te leggen op welke manier ze redeneert wanneer ze een oplossing voorstelt.

Geleidelijk proces

Het bereiken van een gedeeld begrip van rollen en competenties is een geleidelijk proces. De relaties tussen de teamleden ontwikkelen zich in de loop van de tijd door de ervaringen die zijn opgedaan tijdens trainingen, oefeningen en operaties. Dit zijn allemaal gelegenheden waarbij AI-systemen voortdurend input krijgen om te leren van de dynamiek met hun teamleden en omgeving.

Onze diensten op het gebied van mens-machinesamenwerking

  • We ontwikkelen AI-algoritmes die zinvolle uitleg geven over de adviezen en beslissingen die ze genereren.
  • We ontwikkelen kaders, methoden en software voor het ontwerpen en evalueren van mens-machineteams.
  • We ontwerpen patronen voor teams op basis van gestandaardiseerde en bewezen vormen van samenwerking tussen mensen en intelligente autonome actoren in verschillende contexten en probleemdomeinen.

5. Privacy en ethiek in artificiële intelligentie

De verwachte maatschappelijke impact van AI is aanzienlijk. Denk aan de toepassing van AI om medewerkers te werven, waarbij we algoritmes gebruiken om medewerkers te selecteren. Sommige AI-toepassingen op dit gebied dreigen echter discriminatie te versterken. Om van AI te kunnen profiteren, zijn een zorgvuldige afweging en overleg over ethische normen en voorschriften nodig.

'Een manier om ethiek praktisch uitvoerbaar te maken, is door onderzoekers en ontwikkelaars in staat te stellen relevante deugden te ontwikkelen. Denk dan aan rechtvaardigheid, zelfbeheersing, beleefdheid of moed. Zo kunnen zij deze deugden toepassen en uitdrukken tijdens het ontwerpproces.' - Marc Steen, Senior Research Scientist

Dergelijke normen en voorschriften gaan bijvoorbeeld over de bescherming van privacy en veiligheid van data tijdens het verzamelen, opslaan en verwerken van data. Daarnaast zijn ze onder meer gericht op het waarborgen van eerlijkheid, verantwoording en transparantie van op AI gebaseerde beslissingen en processen. Wij geven advies en doen onderzoek naar maatschappelijke impact, regelgeving en ethiek.

We identificeren 3 uitdagingen in de toepassing van AI, namelijk privacy, ethiek en normen en waarden.

1. Privacy

Wat de privacy betreft, lopen de toepassing en handhaving van het AVG en andere privacyrichtlijnen vaak achter op de huidige en nieuwe toepassingen van AI. AI-toepassingen dwingen ons bijvoorbeeld om opnieuw na te denken over wat identificeerbare persoonlijke data zijn.

2. Ethiek

De uitdaging voor de toepassing van ethische richtlijnen is dat veel richtlijnen van algemene aard zijn en interpretatie behoeven. Zo vraagt autonoom rijden bijvoorbeeld om een interpretatie van het principe van zinvolle menselijke controle.

3. Normen en waarden

Sommige normen en waarden, zoals eerlijkheid, zijn niet zo vanzelfsprekend als je zou denken. Als we waarden in AI-toepassingen willen opnemen, moeten we deze expliciet maken. Bovendien hangen normen en waarden van de context af en kunnen ze in de loop van de tijd veranderen. De uitdaging is om deze normen en waarden zodanig te definiëren, dat we de grenzen van verantwoordelijkheid van uiteenlopende stakeholders faciliteren.

Onze diensten rond privacy en ethiek in AI

  • We dragen bij aan fundamenteel en toegepast onderzoek en participeren in onderzoeksnetwerken en -instellingen. Bijvoorbeeld het Leibniz Instituut, VWData en de European Big Data Values Association (BDVA).
  • We doen onderzoek en delen inzichten over de sociale, juridische en ethische gevolgen van bestaande en opkomende AI-toepassingen. Ons advies is gebaseerd op een unieke combinatie van juridische en technische expertise.
  • Wij doen onderzoek en delen inzichten over de ontwikkeling van standaarden, richtlijnen, beleid en processen voor het waarborgen van ethische en verantwoorde AI. Zo nemen we bijvoorbeeld deel aan de Norm Committee Artificial Intelligence van het NEN.
  • We doen onderzoek naar hoe we een verantwoorde AI-ethiek een integraal onderdeel kunnen maken van technologische ontwikkeling. Bijvoorbeeld door middel van value-sensitive design (VSD).
  • We ontwikkelen innovatiestrategieën, netwerken en onderzoeksagenda's voor ethische en verantwoorde AI in Nederland en Europa.
  • We nemen actief deel aan de openbare discussie rondom ethiek in AI, zoals onlangs op het ECP Jaarcongres.

Luister de AI-podcast 'Snoek op Zolder'

Snoek op Zolder is de wekelijkse wetenschapspodcast van de Nederlandse AI Coalitie (NLAIC) en het Nationaal Innovatie Centrum Artificial Intelligence (ICAI). De wereld van artificiële intelligentie staat centraal. In de achtste aflevering is Judith Dijk, programmamanager en onderzoeker bij TNO te gast. Judith is onder andere verantwoordelijk voor het Appl.AI programma waarin TNO zich richt op generieke AI-technologie en -methodologie ontwikkeling.

Laat je verder inspireren

10 resultaten, getoond 1 t/m 5

De opvoeding van AI

Informatietype:
Insight
27 september 2022

TNO voorspelt dat intelligente algoritmes snel ‘volwassen’ zullen worden. Zo kunnen ze medisch of juridisch advies bieden, maar ook autonoom worden ingezet waar te weinig man-, denk- of tijdkracht beschikbaar is.

Innovatie met AI

Informatietype:
Insight
27 september 2022

AI-gedreven innovatie voor het bedrijfsleven zal leiden tot een toename van 10% van het huidige Europese BNP in 2030. Hoe ziet die wereld er concreet uit? In de bouw, in de zorg en andere sectoren.

Innovatie innoveren

Informatietype:
Insight
27 september 2022

AI verandert de rol van de onderzoeker. De door AI gegenereerde kennis zal de komende decennia nog niet ‘verklarend’ zijn. Het legt wel verbanden, maar kent geen oorzaak-gevolg. Creativiteit blijft voorlopig voorbehouden aan de mens.

Eppo Bruins over AI in verschillende overheidsdomeinen

Informatietype:
Insight
27 september 2022

Eppo Bruins, Voorzitter Adviesraad voor wetenschap, technologie en innovatie in gesprek met Michiel van der Meulen (TNO) over de ontwikkeling van AI.

Rob de Wijk over de opkomst van AI in geopolitieke context

Informatietype:
Insight
27 september 2022

Anne Fleur van Veenstra, Director of Science bij de TNO-unit SA&P, interviewt Rob de Wijk, emeritus hoogleraar internationale betrekkingen in Leiden én de oprichter van het The Hague Centre for Strategic Studies. Daarnaast is hij een veelgevraagde expert bij radio- en televisieprogramma’s. Wat betekent de opkomst van AI in een geopolitieke context en bij gewapende conflicten?