Hoe AI en ML sociaal welzijn en duurzaamheid kunnen stimuleren

De gebieden gezondheid, onderwijs, milieu en economie zijn slechts enkele van de gebieden waarop kunstmatige intelligentie (AI) en machinaal leren (ML) het potentieel hebben om volledig te veranderen. Om zowel het welzijn van mensen als het milieu te verbeteren, kunnen ze ook worden gebruikt voor sociaal welzijn en duurzaamheid. We zullen de potentiële voordelen van kunstmatige intelligentie en machinaal leren voor duurzaamheid en maatschappelijk welzijn onderzoeken, evenals de moeilijkheden en mogelijkheden die ze met zich meebrengen.

Kunstmatige intelligentie en machinaal leren voor het algemeen belang

Het idee van “sociaal goed” is het verbeteren van de samenleving, met name voor kwetsbare en achtergestelde bevolkingsgroepen. Door creatieve antwoorden te bieden op enkele van de moeilijkste problemen waar de wereld vandaag de dag mee te maken heeft, zoals armoede, honger, ziekte, ongelijkheid en onrecht, kunnen kunstmatige intelligentie en machine learning bijdragen aan de bevordering van het sociale goed. Volgens een analyse van het McKinsey Global Institute heeft kunstmatige intelligentie de potentie om honderden miljoenen mensen in zowel ontwikkelde als ontwikkelingslanden te helpen door problemen aan te pakken die verband houden met alle duurzame ontwikkelingsdoelstellingen van de VN.

Enkele voorbeelden van kunstmatige intelligentie en machinaal leren voor sociale doelen

Gezondheidszorg

Vooral in omgevingen met weinig hulpbronnen kunnen kunstmatige intelligentie en machinaal leren de diagnose, behandeling en preventie van allerlei ziekten verbeteren. Voorbeelden van het gebruik van kunstmatige intelligentie zijn de detectie van malaria op basis van bloedfoto’s, de diagnose van TB op basis van röntgenfoto’s van de borstkas, de voorspelling van het risico op hart- en vaatziekten op basis van ECG-signalen en de aanbeveling van geïndividualiseerde behandelingsschema’s voor kankerpatiënten.

Onderwijs

De kwaliteit, gelijkheid en toegankelijkheid van onderwijs kan worden verbeterd door kunstmatige intelligentie en machine learning, met name voor kansarme en ondervertegenwoordigde studenten. Kunstmatige intelligentie kan bijvoorbeeld worden gebruikt om gepersonaliseerde en aanpasbare leeromgevingen te ontwerpen, leraren en studenten feedback en sturing te geven, talen te vertalen en spraak te herkennen, en levenslang leren en de ontwikkeling van vaardigheden te bevorderen.

Milieu

Met name op het gebied van klimaatverandering en biodiversiteitsverlies kunnen kunstmatige intelligentie en machinaal leren helpen bij het bewaken, beschermen en herstellen van het milieu. Kunstmatige intelligentie kan bijvoorbeeld worden gebruikt om de uitstoot van broeikasgassen te monitoren en te verminderen, het gebruik van hernieuwbare energiebronnen te maximaliseren, stroperij en ontbossing te identificeren en te stoppen en milieusituaties te simuleren en te voorspellen.

Mensenrechten

Vooral voor gemarginaliseerde en onderdrukte bevolkingsgroepen kunnen kunstmatige intelligentie en machinaal leren mensenrechten ondersteunen en verdedigen. Kunstmatige intelligentie heeft de potentie om sociale bewegingen en burgerbetrokkenheid te versterken, haatzaaiende taal en desinformatie te onthullen en te bestrijden, slachtoffers van mensenhandel en online seksuele uitbuiting op te sporen en te redden, en de toegang tot justitie en rechtsbijstand te verbeteren.

Kunstmatige intelligentie en machinaal leren voor duurzaamheid

Het idee van duurzaamheid is om aan de huidige vraag te voldoen zonder het vermogen van toekomstige generaties om aan hun eigen vraag te voldoen in gevaar te brengen. Door effectiever en efficiënter gebruik te maken van menselijke en natuurlijke hulpbronnen en de schadelijke effecten van menselijke activiteiten op het milieu en de samenleving te minimaliseren, kunnen kunstmatige intelligentie en machinaal leren bijdragen aan het bereiken van duurzaamheid. Volgens een analyse van PwC kan kunstmatige intelligentie het mondiale BBP met 5,2 biljoen dollar doen toenemen en de uitstoot van broeikasgassen tegen 2030 met 4% doen afnemen.

Enkele voorbeelden van kunstmatige intelligentie en machinaal leren voor duurzaamheid

Slimme landbouw

Voedselproductie en -consumptie kunnen worden geoptimaliseerd met behulp van kunstmatige intelligentie en machinaal leren, vooral in het licht van de bevolkingstoename en voedselonzekerheid. Kunstmatige intelligentie heeft het potentieel om de voedselveiligheid en traceerbaarheid te verbeteren, maar ook om te anticiperen op misoogsten en voedselverspilling en deze te voorkomen. Het kan ook worden gebruikt om de groei van gewassen, irrigatie en plaagbestrijding te monitoren en te controleren.

Slimme mobiliteit

Vooral in de context van verstedelijking en verkeer kunnen kunstmatige intelligentie en machine learning de verplaatsing van mensen en producten verbeteren. Kunstmatige intelligentie kan bijvoorbeeld gedeelde en bestuurderloze auto’s vergemakkelijken, de verkeersveiligheid en -beveiliging verbeteren, het brandstofverbruik en de uitstoot verlagen en verkeersstromen, routing en parkeren optimaliseren.

Slimme fabricage

In de context van industrialisatie en innovatie kunnen kunstmatige intelligentie en machinaal leren de productiviteit en kwaliteit van productieprocessen en producten verbeteren. Kunstmatige intelligentie kan worden gebruikt om toeleveringsketens en logistiek te verbeteren, menselijke arbeid te automatiseren en aan te vullen, faciliteiten en apparatuur te bewaken en te onderhouden, en afvalvermindering en de circulaire economie te bevorderen.

Slimme energie

Tijdens de energietransitie en het ontkolingsproces kunnen kunstmatige intelligentie en machinaal leren helpen om de vraag naar en het aanbod van schone en hernieuwbare energie te stimuleren. Kunstmatige intelligentie kan helpen bij verschillende taken, zoals het integreren en beheren van gedistribueerde energiebronnen, het voorspellen en balanceren van energie-output en -consumptie, het detecteren en voorkomen van energiefraude en -verliezen, en het mogelijk maken van slimme netwerken en microgrids.

Potentieel en problemen van kunstmatige intelligentie en machinaal leren voor duurzaamheid en maatschappelijk welzijn

Hoewel kunstmatige intelligentie en machinaal leren veel beloven voor duurzaamheid en maatschappelijk welzijn, brengen ze ook veel gevaren met zich mee die overwogen en verminderd moeten worden. De belangrijkste moeilijkheden en gevaren zijn:

Gegevens en privacy

Grote en gevarieerde datasets zijn nodig voor kunstmatige intelligentie en machinaal leren om hun modellen te trainen en te testen, wat problemen kan opleveren met de veiligheid, beschikbaarheid, kwaliteit en toegankelijkheid van gegevens. Bovendien kan het verzamelen en verwerken van privé- en gevoelige gegevens door kunstmatige intelligentie en machinaal leren het recht op privacy en toestemming van mensen en groepen schenden, waardoor ze worden blootgesteld aan mogelijke risico’s en misbruik.

Vooringenomenheid en eerlijkheid

Kunstmatige intelligentie en machinaal leren kunnen de vooroordelen en vooroordelen die aanwezig zijn in gegevens, algoritmen en systemen weerspiegelen en uitvergroten, wat kan leiden tot oneerlijke en discriminerende resultaten en repercussies voor bepaalde personen en groepen, met name achtergestelde en gemarginaliseerde personen. Bovendien kan het ontbreken van transparantie en verantwoording in kunstmatige intelligentie en machine learning het moeilijker maken om vooroordelen en fouten te identificeren en te herstellen.

Ethiek en waarden

De doelstellingen op het gebied van maatschappelijk welzijn en duurzaamheid, die gebaseerd zijn op principes als menselijke waardigheid, autonomie, eerlijkheid en solidariteit, kunnen door kunstmatige intelligentie en machinaal leren in twijfel worden getrokken en tegenstrijdig worden. Bovendien kunnen kunstmatige intelligentie en machinaal leren leiden tot ethische dilemma’s en afwegingen tussen efficiëntie en gelijkheid, innovatie en regulering, en korte- en langetermijnbelangen.

Milieu en maatschappij

Onbedoelde en schadelijke effecten van kunstmatige intelligentie en machinaal leren op het milieu en de maatschappij kunnen zijn: meer verbruik van grondstoffen en energie, vervuiling en productie van elektronisch afval, verlies van menselijke arbeid en vaardigheden, en verstoring van instellingen en sociale normen.

Om deze risico’s en uitdagingen aan te pakken en kunstmatige intelligentie en machinaal leren ten volle te benutten voor maatschappelijk welzijn en duurzaamheid, is een alomvattende en coöperatieve aanpak nodig waarbij verschillende belanghebbenden en standpunten betrokken zijn, waaronder onderzoekers, ontwikkelaars, gebruikers, wetgevers, het maatschappelijk middenveld en het grote publiek. Tot de essentiële onderdelen van deze strategie behoren

Bewustwording en educatie

Stakeholders en het grote publiek moeten meer inzicht krijgen in de mogelijkheden en beperkingen van kunstmatige intelligentie en machinaal leren voor duurzaamheid en maatschappelijk welzijn, evenals in de ethische en sociale gevolgen en plichten. Er zijn verschillende manieren om dit te doen, onder andere via de media, campagnes, evenementen en lesprogramma’s.

Inclusie en participatie

Voor het ontwerpen, ontwikkelen, implementeren en beoordelen van kunstmatige intelligentie en machinaal leren ten behoeve van sociaal welzijn en duurzaamheid, en voor het toezicht op en het beheer van deze technologieën, is het noodzakelijk om de betrokkenheid en inzet van een breed scala aan representatieve en gevarieerde belanghebbenden en gemeenschappen te garanderen. Hiervoor kunnen tal van technieken worden gebruikt, zoals co-creatie, overleg, feedback en empowerment.

Innovatie en regulering

Om sociaal welzijn en duurzaamheid te bevorderen, moeten innovatie en regelgeving op het gebied van kunstmatige intelligentie en machinaal leren in evenwicht zijn met de noodzaak om deze technologieën te coördineren en af te stemmen op zowel de huidige als toekomstige wet- en regelgeving. Om dit te bereiken kunnen talloze hulpmiddelen worden gebruikt, zoals kaders, audits, regels en stimuleringsmaatregelen.

Evaluatie en impact

Om duurzaamheid en het algemeen belang te bevorderen, is het noodzakelijk om de effectiviteit van kunstmatige intelligentie en machinaal leren te beoordelen en te volgen en om eventuele risico’s of negatieve effecten te identificeren en te verminderen. Indicatoren, metingen, benchmarks en effectevaluaties zijn enkele van de instrumenten die hiervoor kunnen worden gebruikt.

Concluderend

De doelstellingen van het verbeteren van het welzijn van mens en milieu kunnen worden bereikt door duurzaamheid en sociaal welzijn, die mogelijk worden gemaakt door kunstmatige intelligentie en machinaal leren, twee krachtige technologieën. Kunstmatige intelligentie en machinaal leren hebben het potentieel om de meest dringende problemen in de wereld, zoals armoede, honger, ziekte, ongelijkheid en onrecht, aanzienlijk te verbeteren. Ze kunnen ook zorgen voor een effectiever en efficiënter gebruik van menselijke en natuurlijke hulpbronnen en de schadelijke effecten van menselijke activiteiten op het milieu en de samenleving verminderen.

Gegevens en privacy, vooroordelen en eerlijkheid, ethiek en waarden, het milieu en de samenleving zijn slechts enkele van de ernstige gevaren en zorgen die kunstmatige intelligentie en machine learning met zich meebrengen. Deze kwesties moeten worden aangepakt. Om deze obstakels en gevaren uit de weg te ruimen en het potentieel en de voordelen van kunstmatige intelligentie en machinaal leren volledig te benutten voor maatschappelijk welzijn en duurzaamheid, is een alomvattende en coöperatieve aanpak nodig waarbij verschillende belanghebbenden en standpunten betrokken zijn, waaronder onderzoekers, ontwikkelaars, gebruikers, wetgevers, het maatschappelijk middenveld en het grote publiek. Onderwijs en bewustwording, betrokkenheid en inclusie, innovatie en regelgeving, beoordeling en effect zijn allemaal belangrijke onderdelen van deze strategie.