Tabblad 1
,HC1
buitenste cirkel= AI (= wanneer je niet kan onderscheiden of een beslissing is gemaakt door
een computer of een persoon)
Machine learning: deel van AI, is technologie waarin we obv data een computer zelf iets
kunnen laten leren
Deep learning: computers dingen laten leren adhv neurale netwerken
Generative AI: Neurale netwerken dingen laten genereren
Nieuwe content laten genereren obv de data in de neurale netwerken
Ai is een soort wiskundige formule
Vb brood: prijs 2013 ligt niet exact er tussen, maar het is een complexe grafiek die ook heel
moeilijk is om zelf te berekenen (zie slide met formules)
Toch kan ons brein dit soort formules maken adhv neuronen, computers kunnen dit niet
=> Uiteindelijk zijn we het brein gaan proberen definiëren in computer context (s15) door alle
neuronen te verbinden met degene ervoor, en te koppelen aan de input (via de zintuigen)
s16: elke neuron beschrijven als een wiskundige formule
slide solution: foto als input, deze gaat door het netwerk en het netwerk zegt dit is een
parkeerplaats
wij weten dat dit fout is en dat het een voetpad is, daarom gaan we alles een beetje
verschuiven tot we dichter bij een juist antwoord komen.
Dit doen we om het netwerk te trainen totdat het dingen wel kan herkennen
cool thing: de nieuwe technologie creëert zelf inzichten waaruit wij dan kunnen leren,
vroeger ging dit omgekeerd
hoe werkt een LLM?
De computer geeft vanuit een bepaalde input een antwoord dat zoveel mogelijk lijkt op wat
het antwoord zou kunnen zijn
Input => LLM genereert woorden die zoveel mogelijk lijken op het woord dat er volgens de
computer zou moeten staan
Zin wordt opgedeeld in tokens, en elk token krijgt een plaats in een multidimensionale
omgeving (zie foto waar athlete staat)
=> Zo komen er verbanden tussen worden vast te staan
( bv evenveel afstand tussen man en woman als tussen king en queen)
Dan krijgen we allemaal vectoren per woord en deze kunnen we tegen elkaar plaatsen om
een grote matrix te vormen
,Deze kunnen we voeden aan een neuraal netwerk om het zo aan te leren war de
probabiliteit is wat het volgend woord gaat zijn
Maar: rekening houden met context, attention
Door drama bij queen te zetten verandert de betekenis
=> Attention gaat de plaats van woorden veranderen obv de woorden die ervoor en erachter
staan, zoals bij drama queen op de foto
Uitdagingen
Irrationeel gedrag: AI algoritmes optimaliseren zich obv ‘rationeel gedrag’ van mensen,
terwijl mensen niet altijd rationeel zijn
Pitfalls:
- Weerstand tegen verandering
(vroeger paard en kar, toen werd auto uitgevonden maar niemand wou het gebruiken want
ze zeiden: we kunnen onmogelijk de verantwoordelijkheid die bij ons paard ligt, aan een
machine geven)
=> nu zien we hetzelfde bij AI
- Misbruik
Camera’s van zelfrijdende auto’s kunnen makkelijk misleid worden door bepaalde
kleurpatronen
Deepfakes
- Bias
Dataset die we voeden aan het algoritme moet representatief zijn, bv geen overtal
van blanke mannen wat soms wel zo is online
Data mag geen historische vooroordelen bevatten (bv dat amerikaans systeem om
recidiven in te schatten, was racistische bias tegen zwarten omdat de data verkregen
werd van agenten, die doorgaans wel wat racistisch waren)
Ook kijken of het wel ethisch is om bepaalde data zo te gaan gebruiken
(bv systeem om te berekenen wat de kans is dat lening terugbetaald wordt, als hier
een verschil tussen rassen in zit, is het dan onethisch om te gebruiken of gwn een
rationele keuze maken?
- Angst
Bv zelfrijdende auto had vrouw doodgereden
Zorgde voor ophef maar mensen maken ook vaak fouten in de auto, zelfs veel meer
=> vragen: is het minder gevaarlijk om het niet autonoom te laten gebeuren
Hier niet, autonoom rijden is minder gevaarlijk
, Zelfstudie
Document Unesco: Ethical Framework AI
Rode draad in de tekst: gelijkheid, inclusiviteit
Zorgen dat alle bevolkingsgroepen en vooral minderheden gelijk kunnen deelnemen
aan AI en dat er incentieven worden genomen in hun voordeel
P13-16: Aims and Objectives
- AI inzetten voor de goede zaak, voor de mensheid, milieu, om schade te
voorkomen
- Vredevol gebruik van AI stimuleren
- Zorgen voor een globaal geaccepteerd normatief instrument dat focust op de
praktische realisatie van de doelen en principes, met de nadruk op inclusie,
gendergelijkheid en de bescherming van het milieu en ecosystemen.
- Ervoor zorgen dat stakeholders van de ethische issues met AI wereldwijd hun
gedeelde verantwoordelijkheid kunnen nemen obv dialoog
- Concrete doelen van deze tekst
a) Zorgen voor een universeel kader van waarden, principes en acties
om staten te begeleiden bij het aannemen van reglementering rond AI
b) Zorgen voor de inbedding van ethiek in het AI gebruik van individuen,
groepen, gemeenschappen, instituten en bedrijven
c) Beschermen:
- Zaken zoals mensenrechten en fundamentele vrijheden
- De belangen van huidige en toekomstige generaties
- Milieu, biodiversiteit en ecosysteem
- Culturele diversiteit
d) Zorgen voor dialoog en consensus opbouw tussen stakeholders over
de ethische issues
e) Gelijke toegang tot kennis en ontwikkeling ivm AI, en een verdeling
van de voordelen promoten
,HC1
buitenste cirkel= AI (= wanneer je niet kan onderscheiden of een beslissing is gemaakt door
een computer of een persoon)
Machine learning: deel van AI, is technologie waarin we obv data een computer zelf iets
kunnen laten leren
Deep learning: computers dingen laten leren adhv neurale netwerken
Generative AI: Neurale netwerken dingen laten genereren
Nieuwe content laten genereren obv de data in de neurale netwerken
Ai is een soort wiskundige formule
Vb brood: prijs 2013 ligt niet exact er tussen, maar het is een complexe grafiek die ook heel
moeilijk is om zelf te berekenen (zie slide met formules)
Toch kan ons brein dit soort formules maken adhv neuronen, computers kunnen dit niet
=> Uiteindelijk zijn we het brein gaan proberen definiëren in computer context (s15) door alle
neuronen te verbinden met degene ervoor, en te koppelen aan de input (via de zintuigen)
s16: elke neuron beschrijven als een wiskundige formule
slide solution: foto als input, deze gaat door het netwerk en het netwerk zegt dit is een
parkeerplaats
wij weten dat dit fout is en dat het een voetpad is, daarom gaan we alles een beetje
verschuiven tot we dichter bij een juist antwoord komen.
Dit doen we om het netwerk te trainen totdat het dingen wel kan herkennen
cool thing: de nieuwe technologie creëert zelf inzichten waaruit wij dan kunnen leren,
vroeger ging dit omgekeerd
hoe werkt een LLM?
De computer geeft vanuit een bepaalde input een antwoord dat zoveel mogelijk lijkt op wat
het antwoord zou kunnen zijn
Input => LLM genereert woorden die zoveel mogelijk lijken op het woord dat er volgens de
computer zou moeten staan
Zin wordt opgedeeld in tokens, en elk token krijgt een plaats in een multidimensionale
omgeving (zie foto waar athlete staat)
=> Zo komen er verbanden tussen worden vast te staan
( bv evenveel afstand tussen man en woman als tussen king en queen)
Dan krijgen we allemaal vectoren per woord en deze kunnen we tegen elkaar plaatsen om
een grote matrix te vormen
,Deze kunnen we voeden aan een neuraal netwerk om het zo aan te leren war de
probabiliteit is wat het volgend woord gaat zijn
Maar: rekening houden met context, attention
Door drama bij queen te zetten verandert de betekenis
=> Attention gaat de plaats van woorden veranderen obv de woorden die ervoor en erachter
staan, zoals bij drama queen op de foto
Uitdagingen
Irrationeel gedrag: AI algoritmes optimaliseren zich obv ‘rationeel gedrag’ van mensen,
terwijl mensen niet altijd rationeel zijn
Pitfalls:
- Weerstand tegen verandering
(vroeger paard en kar, toen werd auto uitgevonden maar niemand wou het gebruiken want
ze zeiden: we kunnen onmogelijk de verantwoordelijkheid die bij ons paard ligt, aan een
machine geven)
=> nu zien we hetzelfde bij AI
- Misbruik
Camera’s van zelfrijdende auto’s kunnen makkelijk misleid worden door bepaalde
kleurpatronen
Deepfakes
- Bias
Dataset die we voeden aan het algoritme moet representatief zijn, bv geen overtal
van blanke mannen wat soms wel zo is online
Data mag geen historische vooroordelen bevatten (bv dat amerikaans systeem om
recidiven in te schatten, was racistische bias tegen zwarten omdat de data verkregen
werd van agenten, die doorgaans wel wat racistisch waren)
Ook kijken of het wel ethisch is om bepaalde data zo te gaan gebruiken
(bv systeem om te berekenen wat de kans is dat lening terugbetaald wordt, als hier
een verschil tussen rassen in zit, is het dan onethisch om te gebruiken of gwn een
rationele keuze maken?
- Angst
Bv zelfrijdende auto had vrouw doodgereden
Zorgde voor ophef maar mensen maken ook vaak fouten in de auto, zelfs veel meer
=> vragen: is het minder gevaarlijk om het niet autonoom te laten gebeuren
Hier niet, autonoom rijden is minder gevaarlijk
, Zelfstudie
Document Unesco: Ethical Framework AI
Rode draad in de tekst: gelijkheid, inclusiviteit
Zorgen dat alle bevolkingsgroepen en vooral minderheden gelijk kunnen deelnemen
aan AI en dat er incentieven worden genomen in hun voordeel
P13-16: Aims and Objectives
- AI inzetten voor de goede zaak, voor de mensheid, milieu, om schade te
voorkomen
- Vredevol gebruik van AI stimuleren
- Zorgen voor een globaal geaccepteerd normatief instrument dat focust op de
praktische realisatie van de doelen en principes, met de nadruk op inclusie,
gendergelijkheid en de bescherming van het milieu en ecosystemen.
- Ervoor zorgen dat stakeholders van de ethische issues met AI wereldwijd hun
gedeelde verantwoordelijkheid kunnen nemen obv dialoog
- Concrete doelen van deze tekst
a) Zorgen voor een universeel kader van waarden, principes en acties
om staten te begeleiden bij het aannemen van reglementering rond AI
b) Zorgen voor de inbedding van ethiek in het AI gebruik van individuen,
groepen, gemeenschappen, instituten en bedrijven
c) Beschermen:
- Zaken zoals mensenrechten en fundamentele vrijheden
- De belangen van huidige en toekomstige generaties
- Milieu, biodiversiteit en ecosysteem
- Culturele diversiteit
d) Zorgen voor dialoog en consensus opbouw tussen stakeholders over
de ethische issues
e) Gelijke toegang tot kennis en ontwikkeling ivm AI, en een verdeling
van de voordelen promoten
