AI-onderzoek onthult: dit is hoe de machine het menselijke beeld ziet!

AI-onderzoek onthult: dit is hoe de machine het menselijke beeld ziet!

Op 23 juni 2025 publiceerde een onderzoeksteam van de Justus Liebig Universiteit Giessen en het Max Planck Instituut voor Cognitieve en Hersenwetenschappen significante resultaten over objectherkenning met behulp van kunstmatige intelligentie (AI). Deze bevindingen zijn gepubliceerd in het gerenommeerde tijdschrift Natuurmachine-intelligentie gepubliceerd. De eerste auteurs Florian Mahner en Lukas Muttenthaler en de laatste auteur prof. dr. Martin Hebart presenteerden een nieuwe benadering voor het identificeren en vergelijken van belangrijke dimensies waar zowel mensen als AI aandacht aan besteden bij het zien van objecten.

Het onderzoek analyseerde ongeveer 5 miljoen vreemde oordelen uit 1.854 objectafbeeldingen om erachter te komen welke visuele en semantische eigenschappen mensen en AI de voorkeur geven. Het blijkt dat mensen zich richten op betekenisgerelateerde dimensies, zoals ‘diergerelateerd’ of ‘vuurgerelateerd’, terwijl AI-modellen zich vooral richten op visuele eigenschappen zoals ‘rond’ of ‘wit’. Dit fenomeen wordt ‘visuele voorkeur’ genoemd en kan het vertrouwen in AI-systemen aanzienlijk beïnvloeden als er verschillen zijn in de objectherkenningsstrategieën.

Methodologie en resultaten van het onderzoek

Het wetenschappelijke werk maakt gebruik van meerdere diepe neurale netwerken (DNN's) om afbeeldingen die op mensen lijken te herkennen en de belangrijkste afmetingen van de afbeeldingen te bepalen. De vergelijking van dimensies tussen mensen en DNN’s onthulde dat hoewel AI benaderingen van deze dimensies bereikt, het niet volledig overeenkomt met de menselijke perceptie. Wat vooral opviel was dat voor diergerelateerde dimensies veel niet-dierlijke afbeeldingen niet in de analyse waren meegenomen, wat de resultaten van de AI-technologie verder beïnvloedde.

De onderzoekers hopen dat toekomstige projecten een directe vergelijking tussen menselijke en AI-perceptie mogelijk zullen maken, wat zou kunnen leiden tot een beter begrip van AI-perceptie en verbetering van de technologie zelf. Contact met Prof. Dr. Martin Hebart wordt hier vermeld als mogelijkheid voor diegenen die geïnteresseerd zijn in verdere informatie over dit onderzoeksgebied.

Toepassingen van AI bij beeldherkenning

De bevindingen over de verschillen in objectherkenning hebben brede toepassing op verschillende gebieden. AI wordt vaak gebruikt ter ondersteuning van logistiek, beeldclassificatie of klantstructuuranalyse in e-commerce. In deze context biedt Leerbare machines een tool voor het snel en eenvoudig programmeren van AI-systemen, waarmee computers beelden, geluiden of poses kunnen herkennen.

Voorbeelden van toepassingen zijn ondersteuning bij het inventariseren of sorteren van goederen. Het belang van de trainingsdata kwalificeert als cruciaal voor de prestaties van de AI-modellen. Een praktijkvoorbeeld: Als op de achtergrond van een trainingsscène een Alexa zichtbaar is, wordt de AI misleid om het beeld uitsluitend op basis van die aanwezigheid te classificeren, ongeacht de primaire focus van het beeld.

Toekomstige uitdagingen en ontwikkelingen

AI-technologie, vooral op het gebied van beeldherkenning, vertoont een enorm potentieel, maar kent ook uitdagingen die moeten worden overwonnen. Zorgen over gegevensbescherming, vooringenomenheid in trainingsgegevens en de behoefte aan duidelijke wettelijke kaders zijn belangrijke kwesties die moeten worden aangepakt. Bovendien moeten AI-modellen robuust zijn tegen verschillende omstandigheden, zoals licht en geluid, om in de praktijk effectief te kunnen werken.

Naarmate de ontwikkelingen op het gebied van machine learning en neurale netwerken zich voortzetten, blijft de toekomst van AI-aangedreven beeldherkenning rooskleurig. Bedrijven kunnen profiteren van procesoptimalisatie en gerichte marketingstrategieën, terwijl uitgebreid onderzoek naar het verbeteren van de AI-mogelijkheden wordt voortgezet.