De digitale verpleegkundige – artificial intelligence (AI)
& Robotics
1. inleiding
⟹ artificial Intelligence (AI): intelligente software, massa’s data en zelflerende
processen om de klant beter en sneller oplossingen te bieden.
- Wegfilteren van spam uit je e-mails
- Suggesties voor films en muziek op netflix, amazon, spotify
- Ontdekken van creditcardfraude
- Siri, Cortana, Google Now, Alexa, Facebook M
- Computerspellen met first-person-shooters waar de PC-aangestuurde vijand
zijn omgeving analyseert en dekking zoekt
- Chatbots van webwinkels om je te helpen met voorgeprogrammeerde
antwoorden.
- Hier voert een programma (algortime) de handeling uit, niet een persoon,
intelligente of slimme software is dus in staat waar te nemen, interpreteren,
beslissingen nemen en handelingen uit te voeren, ze functioneren alsof ze
‘menselijk’ waren.
1.1 algemeen
⟹ AI kan ook wel omschreven worden als ‘het principe dat machines taken kunnen
uitvoeren op een manier die wij mensen als ‘slim’ zouden beoordelen omdat we
vinden dat ze toebehoren aan menselijke intelligentie’
- Ai is een verzamelnaam voor machines die het menselijke denkvermogen
nabootsen, het legt verbanden en voert taken uit op basis van complexe
algoritmes en wiskundige formules.
- AI verbetert onze menselijke handelingen, het voorspelt en is in staat om
moeilijke problemen sneller te analyseren en producten kwalitatief beter te
maken.
- Bedenkingen: AI neemt soms beslissingen die niet ethisch of moreel zijn
ondersteund
- KI: kan geen context geven en abstract denken. Bv. google Translate begrijpt
niet wat hij vertaalt, zelfrijdende auto’s zijn niet voorbereid op plotse
veranderingen zoals een voetganger
- ’bot’ is een afkorting van robot, het wordt een soort van digitale persoonlijke
helper en kan conversaties voeren over onderwerpen
1.2 geschiedenis
⟹ in ’50 was er reeds Prof. John McCarthy (Dartmouth) die samen met een aantal
collega-wiskundigen het idee hadden om na te denken over een mogelijkheid om
machines te leren denken zoals jonge kinderen dat deden. Hij dacht eerst door trial
and error, toen was duidelijk dat spraak, abstracte vormen en concepten de
peilers moesten zijn.
- Alan Turing had hiervoor een test om te kijken of
een machine intelligent is – de turing test.
- Toen ontstond ook een chatbot, ELIZA, als een
soort therapeut
- Schaakcomputers werden alsmaar slimmer en
waren in staat goede schakers te verslaan
1
, - Ook al heel wat technische opleidingen
1.3 van machine learning tot deep learning
1.3.1 rule-based AI
⟹ de eerste KI/AI systemen werkten op het rule based systeem, alle commando’s
werkten via het IF-THEN-ELSE principe.
- Vooraf geschreven regels (programma’s/beslissingsbomen) en heel wat
rekenkracht vd computers beslisten wat de computer moest doen
- ELIZA was de eerste digitale psychotherapeut/chatbot
- Schaakcomputers: de deep blue II (IBM) kon een schaakkampioen verslaan,
de rekenkracht was 200000000 zetten/sec. dit is een vorm van weak (of
narrow) AI. Zijn enkel beperkt op een bepaald gebied.
- Strong (of deep/full/AGI): heeft een hogere vorm van abstract denken en is
in staat van zichzelf te leren, dit komt dichter bij menselijke intelligentie
1.3.2 machine learning
⟹ volgende stap was de supercomputer Watson, die kon de quiz Jeopardy winnen
tegen de beste spelers, Watson beschikte over een databank van 200000000
pagina’s, wikipedia, verschillende encyclopediën, kranten, woordenboeken
- Door algortimes te gebruiken, verbanden leggen relevantie kon Watson tot
een vraag komen. Cryptische omschrijvingen vormden wel een probleem bv.
een badplaats die steeds als eerste opstaat (de Haan)
- In 2016 kwam deepmind (afdeling Google) met AlphaGo die een bordspel
kon winnen, AlphaGo leert het spel zelf spelen, van zijn verliespartijen leert
en patronen herkent.
o De computer vertoont menselijke trekken, computer kan ervaring
opdoen → deze zelflerende techniek = machine learning
o Door meerdere uren (breakout) te spelen leerde de computer de
spelregels en kon hij dat snel doen, na 600 spelletjes wist de computer
de beste zetten
o In tegenstelling tot rule based, achterhaalt machine learning zelf de
spelregels, context en strategie
1.3.3 deep learning
1.3.3.1 deep learning (neuraal netwerk)
⟹ het nabootsen van hersencellen, kunstmatige simulatie van onze neuronen door
een digitaal neuraal netwerk met verschillende lagen worden dergelijke systemen
‘slimmer’
- Krijgt data en kan output maken door middel van ‘training’. Onze neuronen
worden geprikkeld door beelden, geluiden, woorden,… het netwerk kan door
combinaties van meerdere kenmerken (kleur, lengte,…) kan het systeem
voorwerpen, dieren van elkaar onderscheiden.
- Mate van intelligentie gebeurt dus door het aantal lagen in het systeem.
Classificaties van beelden hebben soms meer dan 100 lagen nodig.
1.3.3.2 supervised learning
⟹ wanneer de training gepaard gaat met ‘trial and error’, kan het systeem leren uit
de foute beslissingen bv. spraakherkenning, spam-filter
- Beste resultaat komt door input en output, door alles te labelen is er snelle
herkenning
2
& Robotics
1. inleiding
⟹ artificial Intelligence (AI): intelligente software, massa’s data en zelflerende
processen om de klant beter en sneller oplossingen te bieden.
- Wegfilteren van spam uit je e-mails
- Suggesties voor films en muziek op netflix, amazon, spotify
- Ontdekken van creditcardfraude
- Siri, Cortana, Google Now, Alexa, Facebook M
- Computerspellen met first-person-shooters waar de PC-aangestuurde vijand
zijn omgeving analyseert en dekking zoekt
- Chatbots van webwinkels om je te helpen met voorgeprogrammeerde
antwoorden.
- Hier voert een programma (algortime) de handeling uit, niet een persoon,
intelligente of slimme software is dus in staat waar te nemen, interpreteren,
beslissingen nemen en handelingen uit te voeren, ze functioneren alsof ze
‘menselijk’ waren.
1.1 algemeen
⟹ AI kan ook wel omschreven worden als ‘het principe dat machines taken kunnen
uitvoeren op een manier die wij mensen als ‘slim’ zouden beoordelen omdat we
vinden dat ze toebehoren aan menselijke intelligentie’
- Ai is een verzamelnaam voor machines die het menselijke denkvermogen
nabootsen, het legt verbanden en voert taken uit op basis van complexe
algoritmes en wiskundige formules.
- AI verbetert onze menselijke handelingen, het voorspelt en is in staat om
moeilijke problemen sneller te analyseren en producten kwalitatief beter te
maken.
- Bedenkingen: AI neemt soms beslissingen die niet ethisch of moreel zijn
ondersteund
- KI: kan geen context geven en abstract denken. Bv. google Translate begrijpt
niet wat hij vertaalt, zelfrijdende auto’s zijn niet voorbereid op plotse
veranderingen zoals een voetganger
- ’bot’ is een afkorting van robot, het wordt een soort van digitale persoonlijke
helper en kan conversaties voeren over onderwerpen
1.2 geschiedenis
⟹ in ’50 was er reeds Prof. John McCarthy (Dartmouth) die samen met een aantal
collega-wiskundigen het idee hadden om na te denken over een mogelijkheid om
machines te leren denken zoals jonge kinderen dat deden. Hij dacht eerst door trial
and error, toen was duidelijk dat spraak, abstracte vormen en concepten de
peilers moesten zijn.
- Alan Turing had hiervoor een test om te kijken of
een machine intelligent is – de turing test.
- Toen ontstond ook een chatbot, ELIZA, als een
soort therapeut
- Schaakcomputers werden alsmaar slimmer en
waren in staat goede schakers te verslaan
1
, - Ook al heel wat technische opleidingen
1.3 van machine learning tot deep learning
1.3.1 rule-based AI
⟹ de eerste KI/AI systemen werkten op het rule based systeem, alle commando’s
werkten via het IF-THEN-ELSE principe.
- Vooraf geschreven regels (programma’s/beslissingsbomen) en heel wat
rekenkracht vd computers beslisten wat de computer moest doen
- ELIZA was de eerste digitale psychotherapeut/chatbot
- Schaakcomputers: de deep blue II (IBM) kon een schaakkampioen verslaan,
de rekenkracht was 200000000 zetten/sec. dit is een vorm van weak (of
narrow) AI. Zijn enkel beperkt op een bepaald gebied.
- Strong (of deep/full/AGI): heeft een hogere vorm van abstract denken en is
in staat van zichzelf te leren, dit komt dichter bij menselijke intelligentie
1.3.2 machine learning
⟹ volgende stap was de supercomputer Watson, die kon de quiz Jeopardy winnen
tegen de beste spelers, Watson beschikte over een databank van 200000000
pagina’s, wikipedia, verschillende encyclopediën, kranten, woordenboeken
- Door algortimes te gebruiken, verbanden leggen relevantie kon Watson tot
een vraag komen. Cryptische omschrijvingen vormden wel een probleem bv.
een badplaats die steeds als eerste opstaat (de Haan)
- In 2016 kwam deepmind (afdeling Google) met AlphaGo die een bordspel
kon winnen, AlphaGo leert het spel zelf spelen, van zijn verliespartijen leert
en patronen herkent.
o De computer vertoont menselijke trekken, computer kan ervaring
opdoen → deze zelflerende techniek = machine learning
o Door meerdere uren (breakout) te spelen leerde de computer de
spelregels en kon hij dat snel doen, na 600 spelletjes wist de computer
de beste zetten
o In tegenstelling tot rule based, achterhaalt machine learning zelf de
spelregels, context en strategie
1.3.3 deep learning
1.3.3.1 deep learning (neuraal netwerk)
⟹ het nabootsen van hersencellen, kunstmatige simulatie van onze neuronen door
een digitaal neuraal netwerk met verschillende lagen worden dergelijke systemen
‘slimmer’
- Krijgt data en kan output maken door middel van ‘training’. Onze neuronen
worden geprikkeld door beelden, geluiden, woorden,… het netwerk kan door
combinaties van meerdere kenmerken (kleur, lengte,…) kan het systeem
voorwerpen, dieren van elkaar onderscheiden.
- Mate van intelligentie gebeurt dus door het aantal lagen in het systeem.
Classificaties van beelden hebben soms meer dan 100 lagen nodig.
1.3.3.2 supervised learning
⟹ wanneer de training gepaard gaat met ‘trial and error’, kan het systeem leren uit
de foute beslissingen bv. spraakherkenning, spam-filter
- Beste resultaat komt door input en output, door alles te labelen is er snelle
herkenning
2
