Steven Latré: Arti cial Intelligence Demysti ed
Een wereld van AI: niet zozeer robotica (robotica is meestal geprogrammeerd)
➜ programmeur ➜ maakt programma ➜ app, …
-Verschil met AI: computerprogramma leren hoe zelf te handelen
Al ontstaan rond jaren 50:
Arthur Sammel: computeringenieur en dammer (verloor nooit tegen mensen na een tijd)
➜ als uitdaging: computerprogramma gemaakt dat tegen hem kan dammen
-Je kan niet zomaar een strategie programmeren in de computer…
➜ Schreef een programma dat leert in goed te worden in dammen
➜ door vele keren na elkaar te dammen en te laten leren
-2016: compleet nieuwe doorbraak
➜ bordspel ‘go’ (heel veel soorten zetten, meer dan er atomen zijn)
➜ niet programmeerbaar
➜ AI systeem dat dit complexe bordspel leert
-Systeem wint direct van kampioen
-Plots zet systeem revolutionaire zet (tegen strategieën in, maar zeer goede zet)
-Programma’s slagen er in om niet-intiütieve (maar wel goede) strategieën te vinden
➜ computers kunnen iets nieuws leren, waar de mens niet zomaar aan denkt
3 soorten systemen binnen machine learning:
-Supervised learning (op voorhand veel data en oplossingen tot die data (labels))
-Input ➜ train by example ➜ output (Vb: Kat of Hond?)
-unsupervised learning (veel data maar geen labels) (Reeks patronen in data zoeken)
-reïnforcement learning (geen data, maar wel omgeving)
(acties uitvoeren, en bij positiviteit belonen) (vb: Robot in doolhof)
Application in marketing: verschillende slogans Tesla ➜ laten beoordelen door AI systeem
-Wich message sticks to you audience?
Case studies:
-application domains: vision, speech/audio, text
-Image classi cation, speech recognition, machine translation
➜ beelden gaan manipuleren (deep fakes) (niet meer te onderscheiden van original)
-afsprakenmanager van Google (volledige computerstem belt naar restaurant, kapper, …)
Erik Mannens: Big Data: Evolutions
Elektriciteit, wi , … komt allemaal makkelijk tot ons, maar hoe? Binnenkort zelfde verhaal voor AI
➜ AI heeft ongeloo ijk veel data nodig om getraind te worden
➜ elk systeem is goed in iets speci eks, er is (nog) geen algemeen systeem
Er komt zo veel data op ons af, om de zoveel jaar nieuwe term (megabyte, terrabyte, …)
➜ hoe gaan we daar mee om? Waarom is de hype nu? (Zaken al uit jaren ’50)
-Computational resources, algorithms & tools, training data, creativity & ingenuity
-vroeger: vertical scaling (van ram, cpu, …in 1 computr) (= eindig, want machines zijn duur)
➜ horizontal scaling: oneindig veel goedkope machines met elkaar koppelen
(via de cloud) (Massive distributed parallelism)
-Maar je moet alle data kunnen opslaan
-vroeger: single machine met static data model (sql databank)
-nu met cloud: multiple machine met dynamic data model (no-sql databank)
-Multiple V’s of big data: Volume, Velocity en Variety
-Variety vandaag nog probleem
-Data interpreteren: veel deelproblemen die opgelost moeten worden voor data
interpreteerbaar is (80% van tijd: data klaarmaken en opkuisen)
fi fi fl fi fi fi
Een wereld van AI: niet zozeer robotica (robotica is meestal geprogrammeerd)
➜ programmeur ➜ maakt programma ➜ app, …
-Verschil met AI: computerprogramma leren hoe zelf te handelen
Al ontstaan rond jaren 50:
Arthur Sammel: computeringenieur en dammer (verloor nooit tegen mensen na een tijd)
➜ als uitdaging: computerprogramma gemaakt dat tegen hem kan dammen
-Je kan niet zomaar een strategie programmeren in de computer…
➜ Schreef een programma dat leert in goed te worden in dammen
➜ door vele keren na elkaar te dammen en te laten leren
-2016: compleet nieuwe doorbraak
➜ bordspel ‘go’ (heel veel soorten zetten, meer dan er atomen zijn)
➜ niet programmeerbaar
➜ AI systeem dat dit complexe bordspel leert
-Systeem wint direct van kampioen
-Plots zet systeem revolutionaire zet (tegen strategieën in, maar zeer goede zet)
-Programma’s slagen er in om niet-intiütieve (maar wel goede) strategieën te vinden
➜ computers kunnen iets nieuws leren, waar de mens niet zomaar aan denkt
3 soorten systemen binnen machine learning:
-Supervised learning (op voorhand veel data en oplossingen tot die data (labels))
-Input ➜ train by example ➜ output (Vb: Kat of Hond?)
-unsupervised learning (veel data maar geen labels) (Reeks patronen in data zoeken)
-reïnforcement learning (geen data, maar wel omgeving)
(acties uitvoeren, en bij positiviteit belonen) (vb: Robot in doolhof)
Application in marketing: verschillende slogans Tesla ➜ laten beoordelen door AI systeem
-Wich message sticks to you audience?
Case studies:
-application domains: vision, speech/audio, text
-Image classi cation, speech recognition, machine translation
➜ beelden gaan manipuleren (deep fakes) (niet meer te onderscheiden van original)
-afsprakenmanager van Google (volledige computerstem belt naar restaurant, kapper, …)
Erik Mannens: Big Data: Evolutions
Elektriciteit, wi , … komt allemaal makkelijk tot ons, maar hoe? Binnenkort zelfde verhaal voor AI
➜ AI heeft ongeloo ijk veel data nodig om getraind te worden
➜ elk systeem is goed in iets speci eks, er is (nog) geen algemeen systeem
Er komt zo veel data op ons af, om de zoveel jaar nieuwe term (megabyte, terrabyte, …)
➜ hoe gaan we daar mee om? Waarom is de hype nu? (Zaken al uit jaren ’50)
-Computational resources, algorithms & tools, training data, creativity & ingenuity
-vroeger: vertical scaling (van ram, cpu, …in 1 computr) (= eindig, want machines zijn duur)
➜ horizontal scaling: oneindig veel goedkope machines met elkaar koppelen
(via de cloud) (Massive distributed parallelism)
-Maar je moet alle data kunnen opslaan
-vroeger: single machine met static data model (sql databank)
-nu met cloud: multiple machine met dynamic data model (no-sql databank)
-Multiple V’s of big data: Volume, Velocity en Variety
-Variety vandaag nog probleem
-Data interpreteren: veel deelproblemen die opgelost moeten worden voor data
interpreteerbaar is (80% van tijd: data klaarmaken en opkuisen)
fi fi fl fi fi fi
