We zijn al ingeplugd in de social matrix

Net zoals elke andere technologie, worden de laatste trends in data en AI zowel ten goede als ten kwade ingezet. De laatste jaren is er veel te doen over de laatste vorm, vooral op het gebied van ad-tech en social media. Dat komt doordat de algoritmes steeds beter worden, de technologie steeds volwassener en de kennis over ons gedrag – en hoe dat te beïnvloeden is – steeds dieper.

Daarom verken ik in 3 delen waar we nu zijn en waar we zeer waarschijnlijk naartoe gaan. Vandaag trappen we af met deel 1 waarbij we in de algoritmes duiken. In deel 2 ga ik dieper in op de hardware en in deel 3 over het psychologische aspect.

De huidige staat van AI

Aan ‘baddie’ AI’s in science fiction films is geen gebrek. Van 2001: A Space Odyssey tot Terminator, The Matrix, Ex-Machina & Upgrade aan toe. De rode draad is altijd dat de AI slimmer is of wordt en de hoofdrolspelers niet alleen om de tuin wil leiden maar meestal ook om zeep wil helpen.

Nu zijn we op het gebied van AI nog (lang) niet aangekomen op het punt waar het echt autonoom kan opereren en het plot van deze films uitvoeren. Dat is nog steeds fictie, net zoals het idee dat zoiets de enige logische uitkomst kan zijn. Maar het is al wel aangekomen op het punt dat het ons om de tuin kan leiden.

Eerst de basics: het verschil tussen ML & DL

Om dat uit te leggen moeten we even een stapje terug doen. Het AI wat je nu in de dagelijkse praktijk tegenkomt is in de regel machine learning (ML) en deep learning (DL). Heel simpel gezegd leert bij ML een algoritme van patronen in de data die het ingevoerd krijgt. Op basis hiervan maakt het voorspellingen.

Je ziet dit vaak terugkomen in software dat taken voor je kan uitvoeren op basis van wat jij eerder hebt gedaan. ML heeft nog wel relatief veel werk of bijsturing nodig van een data scientist en heeft, afhankelijk van hoe er geleerd wordt, een voorkeur voor gestructureerde ofwel gelabelde data.

Stel een CRM-database komt met velden als achternaam en telefoonnummer. Dat is gestructureerde data. Maar voer je een plaatje in zonder onderschrift of een database zonder omschrijving van de velden? Dan is het ongestructureerde data.  

DL moet je zien als een slimmer, meer autonoom kindje van ML. Het is een stap geavanceerder en heeft veel minder bijsturing nodig. Het werkt met zowel gestructureerde als ongestructureerde data en kan veel meer aan. Het kan ook meer uit de data halen doordat het beter met context om kan gaan.

Stel je hebt vertaalsoftware op basis van ‘gewone’ ML. Je voert hier een woordenboek in van 2 talen. Dan krijg je een letterlijke vertaling van een gegeven woord binnen een zin. Alleen is het probleem dat een woord an sich iets kan betekenen, maar binnen een bepaalde zin iets totaal anders. De context ontbreekt dus. DL kan die context wel zien zodat de juiste synoniemen van een woord gebruikt worden binnen een bepaalde zin.

Waarom social media zo verslavend zijn

Omdat het zo’n lucratieve business is, wordt er veel geld gepompt in de ontwikkeling van ad-tech én social media. ML en DL worden daar al jarenlang voor ingezet. Platformen als TikTok, Facebook, Google en Twitter verdienen hun geld met het laten zien van advertenties van anderen. Vandaar dat deze bedrijven veel investeren in het laten zien van zoveel mogelijk advertenties aan dito mensen.

Dat betekent dat ze al die gebruikers op hun platform moeten krijgen én vasthouden. Verder moeten de advertenties zo relevant mogelijk zijn. Om dat te doen wordt alle mogelijke en toegestane data verzameld.

Nu zijn de platforms de laatste jaren, mede door DL en steeds grotere datasets, steeds beter geworden in het voorspellen wat een gebruiker wil. De feeds van Instagram, Facebook, Twitter en LinkedIn zijn al jarenlang geen firehose meer van in chronologische volgorde geplaatste berichten van de accounts die je volgt, hoewel je dat op bijvoorbeeld Twitter nog wel in kunt stellen.

In plaats daarvan zijn het veelal posts of foto’s en video’s van andere accounts waar je veel interactie mee hebt. Ook gaat het over onderwerpen of bepaalde media waar je veel interesse in hebt. Dit wordt ook wel je social graph genoemd. Op zich is dat een hele logische (bijna machine-achtige) manier van een social feed inrichten: meer van hetzelfde zodat je maar blijft scrollen, liken en volgen. Zo zie je meer advertenties en verdienen de platformen meer. 

Het recente succes van relatieve nieuwkomers TikTok (ze waren al sinds 2014 bezig onder de naam Musical.ly) wordt onder meer toegewezen aan de kracht van hun aanbevelingsalgoritme dat een stapje verder gaat dan die van de anderen. Het is niet alleen meer van hetzelfde, het is ook content dat je normaal niet zo snel zou bekijken maar dat wel bij je past.

Waarom deze algoritmes al gewiekster dan ons zijn

Ga eens bij jezelf na. Of je nu door de YouTube, Pinterest of LinkedIn app aan het scrollen bent, het lijkt alsof je er steeds meer tijd aan verliest. Steeds vaker naar die smartphone grijpt om te checken of je likes of nieuwe volgers hebt. Of dat je die laatste viral TikTok van die ene influencer wilt checken waar ‘iedereen’ het over heeft.

Eigenlijk zitten we dankzij die donkere, aan onze handen geplakte, rechthoek al in een soort social matrix. Het is voor een buitenstaander heel apart om te zien hoe obsessief veel mensen met hun smartphone bezig zijn. Er zijn nogal wat alternatieve activiteiten te bedenken die logischer zouden zijn. Dat op zichzelf is niet goed of slecht. Het is meer wat je er mee doet en wat het met je doet. Daarover meer in de volgende delen.

Wil je de laatste datatrends met me bespreken? Neem dan contact met me op!

Richard van Meurs, Data Creative bij 4orange

E: richard.vanmeurs@4orange.nl | T: 020 – 750 4400