Interview with Kalle Lyytinen on "Implications of Theories of Language for Information Systems"
In dit interview reflecteert Kalle Lyytinen op de oorsprong en evolutie van zijn baanbrekende werk over de taalkundige fundamenten van informatiesystemen, waarbij hij de voortdurende relevantie ervan bespreekt in het tijdperk van grote taalmodellen en generatieve AI, terwijl hij tegelijkertijd toekomstige onderzoeksrichtingen schetst.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld van Informatiesystemen (IS) niet voor als een verzameling koude, harde draden en gloeiende schermen, maar als een gigantische, bruisende bibliotheek waar de boeken van licht zijn gemaakt en de bibliothecarissen algoritmen zijn. In de kern is IS de studie naar hoe we technologie gebruiken om met elkaar te communiceren en dingen gedaan te krijgen. Zie het als een enorm vertaalproject: mensen hebben rommelige, complexe gevoelens en ideeën, en computers spreken strikte binaire code (enen en nullen). De taak van IS-onderzoekers is om uit te zoeken hoe we bruggen tussen deze twee werelden kunnen bouen, zodat de computer begrijpt wat we bedoelen, en wij begrijpen wat de computer doet. Decennialang hebben wetenschappers gedebatteerd over hoe taal werkt om deze bruggen te bouwen. Sommigen denken dat taal een rigide set wiskundige regels is (grammatica), terwijl anderen denken dat het meer een sociaal spel is waarbij de betekenis verandert afhankelijk van wie er praat en waar men zich bevindt. Dit doet er voor iedereen toe, want elke keer dat je een appje stuurt, een pizza online bestelt of een GPS gebruikt, vertrouw je op deze onzichtbare bruggen. Als de brug gebouwd is op het verkeerde idee over hoe taal werkt, raakt de boodschap verloren, gaat de pizza naar het verkeerde huis of rijdt de GPS je een meer in.
In dit levendige gesprek zit Kalle Lyytinen, een ervaren onderzoeker die veertig jaar geleden voor het eerst schreef over deze "taalbruggen", in gesprek met twee nieuwsgierige interviewers om te zien hoe het landschap is veranderd. Het artikel is in essentie een tijdreizend gesprek waarin Lyytinen terugblikt op zijn beroemde artikel uit 1985 en vraagt: "Hebben we het goed gedaan? En wat doen we nu computers terug kunnen praten?"
Lyytinen legt uit dat zijn oorspronkelijke idee simpel maar diepgaand was: Informatiesystemen zijn niet alleen machines; het zijn linguïstische systemen. Hij vergelijkt ze met "bitstrings" (lange ketens van enen en nullen) die volkomen betekenisloos zijn totdat mensen er een verhaal aan geven. Een computer is slechts een robot die deze bitstrings rondschudt; de computer weet niet wat ze betekenen. De betekenis komt van ons, de mensen, die deze systemen gebruiken om te communiceren en te werken. Hij betoogt dat onderzoekers taal lange tijd hebben behandeld als een saai, achtergrondfeit—als lucht die we gewoon inademen zonder erbij na te denken. Maar Lyytinen houdt vol dat de "lucht" juist het belangrijkste deel is. Als je niet begrijpt hoe mensen woorden gebruiken om betekenis te creëren, kun je geen systeem bouwen dat hen daadwerkelijk helpt.
Wanneer de interviewers vragen of zijn oude advies nog steeds standhoudt, geeft Lyytinen toe dat de wereld is verschoven. In de jaren 80 werden computers vooral gebruikt om saaie kantoorwerk te automatiseren, zoals het bijhouden van voorraad of boekhouding. Dit waren digitale versies van oude papieren dossiers. Vandaag de dag hebben we echter Large Language Models (LLM's) en Generative AI. Dit zijn de nieuwkomers op het toneel. Lyytinen beschrijft hen als fascinerend maar lastig. In tegen tegenstelling tot de oude computers die strikte regels volgden, zijn deze nieuwe AI-modellen als superintelligente papegaaien. Ze "weten" niet echt wat een woord betekent; ze weten alleen welke woorden meestal naast elkaar verschijnen op basis van het lezen van miljarden zinnen. Ze zijn ongelooflijk goed in het raden van het volgende woord in een zin, maar ze hebben geen concept van de echte wereld. Als je hen een vraag stelt, "denken" ze niet over het antwoord na; ze berekenen simpelweg de meest waarschijnlijke reactie op basis van patronen.
Dit leidt tot een grote wending in het verhaal. Lyytinen wijst erop dat hoewel deze AI-modellen verbazingwekkend goed zijn in het nabootsen van menselijke spraak, ze een "normatieve visie" missen. In gewone mensentaal: ze weten niet wat goed of fout is in de echte wereld, alleen wat veelvoorkomend is in hun trainingsdata. Ze zijn als een chef-kok die elk recept ter wereld heeft geproefd, maar nog nooit een maaltijd heeft gegeten of begrepen wat honger is. Daarom suggereert Lyytinen dat we hen niet blindelings kunnen vertrouwen. Wij mensen zijn nog steeds de "eindarbiters"—wij moeten beslissen of wat de AI zegt daadwerkelijk zin heeft.
Het gesprek duikt ook in hoe dit de "datalayer" van onze technologie verandert. Lyytinen gebruikt hier een creatieve analogie: in het verleden was data als een netjes georganiseerde archiefkast met gelabelde mappen. Nu, met AI, is de datalaag een chaotische maar krachtige soep van "tokens" (kleine stukjes woorden) en "modellen" (de recepten voor het mengen van deze stukjes). Dit is een volstrekt nieuw soort artefact dat onderzoekers nog proberen te begrijpen. Het gaat niet meer alleen om het opslaan van data; het gaat om het beheren van deze nieuwe, vloeiende capaciteiten. Lyytinen waarschuwt dat we momenteel in een fase van "leren door te proberen" zitten. We hebben nog geen perfecte kaart voor hoe we deze nieuwe AI-tools in grote bedrijven moeten beheren. Het is alsof je een wolkenkrabber probeert te bouwen terwijl de grond nog verschuift.
Ten slotte geeft Lyytinen advies aan de volgende generatie onderzoekers (zoals de PhD-studenten die de vragen stellen). Hij suggereert dat de beste manier om een indruk te maken niet alleen is om de laatste hype te volgen, maar om een "hoger niveau" vraag te stellen. In plaats van alleen te vragen "Hoe programmeer ik deze AI?", vraag: "Hoe verandert deze AI de manier waarop we over werk denken?" of "Hoe verandert het de betekenis van data?". Hij gelooft dat het meest opwindende onderzoek zal voortkomen uit het ontdekken van hoe deze nieuwe, performatieve tools (tools die dingen doen in plaats van alleen dingen tonen) passen in ons sociale leven.
Kortom, het artikel suggereert dat hoewel onze instrumenten om met computers te praten ongelooflijk geavanceerd zijn geworden, de fundamentele regel blijft: betekenis is een menselijke zaak. Computers kunnen woorden schudden en patronen raden, maar zij kunnen niet uit zichzelf betekenis creëren. Terwijl we vooruitgaan, is de uitdaging niet alleen het bouwen van slimmere AI, maar het uitzoeken hoe we deze nieuwe, patroonherkennende machines kunnen weven in het rommelige, sociale en linguïstische weefsel van het menselijk leven zonder de grip te verliezen op wat er werkelijk toe doet. Het artikel beweert niet dat het dit puzzelstukje heeft opgelost; het suggereert eerder dat we pas aan het begin staan van een lange, interessante reis om het te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.