Deep learning

Deep learning is een vorm van machineleren die zwaar leunt op statistisch rekenwerk en neurale netwerken en mede mogelijk wordt door de opkomst van big data (The Economist 2015). In plaats van te proberen de regels te definiëren die een computer moet gebruiken om bijvoorbeeld taal te ‘begrijpen’, maken computerwetenschappers gebruik van de toenemende hoeveelheden data om software verbanden of regels te laten ontdekken.

Via deep learning abstraheren computers informatie op basis van verschillende lagen van neurale netwerken. Bij beeldverwerking krijgt de eerste laag bijvoorbeeld ruwe beelden te zien, die contrast en kleuren probeert te identificeren. Een tweede laag combineert die informatie en zoekt naar meer abstracte observaties, zoals randen of schaduwen. De volgende laag kijkt of het daarmee ogen, lippen of oren kan identificeren, waardoor het willekeurige gezichten kan herkennen (The Economist 2015). Nu leren deze modellen nog met behulp van mensen, die aangeven of een beeld een gezicht is of niet, maar er wordt ook gewerkt aan unsupervised learning waarbij de software leert op basis van zelfexploratie en zelfcorrectie.

Selectie technologiegebieden

Uit deze paragraaf komen twee centrale technologiegebieden naar voren die naar verwachting de komende jaren de digitale samenleving vormgeven: 1) big data en algoritmen en 2) kunstmatige intelligentie. Veel van de technologiegebieden die werden behandeld in de voorafgaande paragrafen leunen (deels) op de vooruitgang in kunstmatige intelligentie en big data (tabel 2.4).

Tabel 2.4 Selectie technologiegebieden digitale wereld

Technologiegebied Omschrijving

Big data en algoritmen Om informatie (verbanden en patronen) te halen uit de groeiende digitale wereld, zijn algoritmen steeds belangrijker.

Kunstmatige intelligentie (deep learning)

Kunstmatige intelligentie – het geven van een vorm van intelligentie aan een systeem – ondersteunt allerlei technologische toepassingen (bijvoorbeeld in de robotica, taalverwerking of slimme omgevingen), en vindt haar weg in steeds meer softwaretoepassingen.

Rathenau Instituut

2.5 De vier werelden bijeen: een nieuwe fase in de digitale samenleving

In het voorgaande hebben we de objecten van digitalisering besproken. De materiële wereld, de biologische en de sociale wereld zijn de afgelopen jaren steeds verder gedigitaliseerd, met een almaar uitdijende digitale wereld tot gevolg. Waar digitalisering aanvankelijk begon met het verzamelen van gegevens over (delen van) de materiële, biologische en sociale wereld, is het nu mogelijk om deze gegevens op grote schaal te analyseren en de opgedane kennis direct weer toe te passen in de fysieke wereld. Een treinfabrikant kan bijvoorbeeld via sensoren zijn treinenpark monitoren, preventief onderhoud plegen en tegelijkertijd zijn technici aanstuurt. Of de zelfsturende auto die gebruik maakt van digitale kaarten en met elke meter die hij rijdt ook informatie toevoegt aan die digitale kaart, en zo de kaart verbetert. Of datasurveillance, waarin bedrijven acties van gebruikers volgen, profileren en op basis daarvan real-time ‘passende’ informatie, producten of prijzen tonen (zie figuur 2.3).

Er ontstaan door de verknoping van de vier werelden continue feedback-loops tussen de fysieke en digitale wereld die op allerlei terreinen zichtbaar zijn: het productieproces, de omgeving, het

lichaam, en ons gedrag. Hoewel digitalisering al decennialang aan de gang is, is het recent steeds makkelijker geworden om op steeds gedetailleerder niveau, real-time in te interveniëren in de fysieke wereld. Daarmee lijken ze een nieuwe fase in de ontwikkeling van de digitale samenleving in te luiden; een fase waarin een cybernetische loop ontstaat tussen de fysieke en de digitale wereld (zie figuur 2.3). Dat betekent dat processen in de fysieke wereld worden gemeten, die hieruit voortkomende data wordt geanalyseerd, en er vervolgens real-time op gedetailleerd niveau wordt ingegrepen. Het effect van de interventie kan vervolgens weer worden gemeten, geanalyseerd en worden bijgesteld om weer een volgende cyclus van de cybernetische loop te doorlopen.

We zien daarmee een terugkeer van het zogenaamde ‘cybernetische denken’ dat in de jaren ’50 en

’60 in de belangstelling stond. De basisgedachte van de cybernetica is dat biologische, sociale en cognitieve processen begrepen kunnen worden in termen van informatieprocessen en -systemen, en dus ook digitaal zijn te programmeren en aan te sturen (de Mul 1999). Inmiddels staat sturing met ICT weer volop in de schijnwerpers. Overal ontstaan toekomstvisies over slimme omgevingen

gericht op digitale sturing: slimme steden, slimme energienetwerken, slimme fabrieken,

ziekenhuizen, kantoren, huizen enzovoorts. Digitale sturing biedt de samenleving en de individuen in die samenleving allerlei kansen: van goedkoper of duurzamer produceren, tot het vroegtijdig opsporen of voorkomen van ziektes. Maar het leidt ook tot zorgen, bijvoorbeeld over het

manipuleren van menselijk gedrag en over wat ons mens maakt. In het volgende hoofdstuk gaan we dieper op deze ethische en maatschappelijke kwesties in.

Figuur 2.3 Cybernetische feedback-loop tussen de digitale en fysieke wereld

Rathenau Instituut

2.6 Tot slot

De centrale vraag in dit hoofdstuk was hoe we de digitalisering van de samenleving kunnen begrijpen. We brachten de middelen om te digitaliseren in kaart, zoals computers, software en het internet, en lieten zien hoe nieuwe objecten uit onze omgeving digitaliseren. Steeds meer delen uit de materiële wereld, de biologische wereld en de socio-culturele wereld krijgen een virtuele

representatie in de digitale wereld. Tot slot blijkt dat digitalisering geen nieuwe ontwikkeling is, maar dat – nu er zoveel zaken uit ons leven gedigitaliseerd zijn – er een nieuwe fase in de digitale samenleving lijkt aangebroken: een continue feedback-loop en interactie tussen de fysieke en virtuele wereld, die real-time interveniëren mogelijk maakt.

We selecteerden acht technologiegebieden die naar verwachting de komende jaren de digitale samenleving zullen vormgeven (zie tabel 2.5). In het volgende hoofdstuk gebruiken we deze technologiegebieden om de maatschappelijk en ethische kwesties zij oproepen te analyseren.

Tabel 2.5 Selectie technologiegebieden

Materiele wereld Biologische wereld Socio-culturele wereld Digitale wereld

Robotica Persuasieve technologie Platformen Kunstmatige intelligentie

Internet of Things Multimodale biometrie VR/AR en sociale media Big data en algoritmen

Rathenau Instituut

3 Maatschappelijke en ethische issues van digitalisering

3.1 Inleiding

De digitalisering van de samenleving verlegt de grenzen van ons kunnen en biedt allerlei mogelijkheden, maar daagt ook onze morele grenzen uit. In dit hoofdstuk beschrijven we welke maatschappelijke en ethische vragen er door de digitalisering van de samenleving worden opgeroepen.¹⁸ Dat doen we aan de hand van voorbeelden uit de in het vorige hoofdstuk geselecteerde technologiegebieden: Internet of Things, robotica, biometrie, persuasieve technologie, virtual & augmented reality, digitale platformen, big data, slimme algoritmen en

kunstmatige intelligentie. Onze beschrijving is daarmee niet uitputtend maar geeft een beeld van de verschillende soorten maatschappelijke en ethische issues die opkomen als gevolg van

digitalisering. We benaderen ethiek als de systematische reflectie op moraal, het geheel van normen en waarden die feitelijk bestaan in een samenleving (zie kader 3.1). We zien ethiek dus niet als iets dat alleen op individueel niveau speelt, maar kijken vanuit de ethische waarden in een samenleving (zowel individueel als maatschappelijk).