AI: maatschappelijke uitdaging
LES 1: Inleiding AI
1950: Turing Test
De Turing-test werd in 1950 voorgesteld door de Britse wiskundige en computerwetenschapper Alan Turing in
zijn artikel "Computing Machinery and Intelligence". De test is bedoeld als een manier om te bepalen of een
machine intelligentie vertoont die vergelijkbaar is met die van een mens.
Wat houdt de Turing-test in?
De test simuleert een gespreksomgeving waarin een menselijke beoordelaar met twee gesprekspartners
communiceert via tekst (bijvoorbeeld op een computer). Eén van de gesprekspartners is een mens, en de andere
is een machine (een AI of chatbot). De beoordelaar weet niet wie de mens is en wie de machine.
• Als de beoordelaar niet consistent kan onderscheiden welke van de twee de machine is, dan slaagt de
machine voor de Turing-test.
• Dit betekent dat de machine intelligent genoeg is om menselijke taal en denkprocessen geloofwaardig
na te bootsen.
Waarom stelde Turing deze test voor?
Alan Turing wilde een objectieve manier bedenken om te beoordelen of een machine kan denken. In plaats van
een filosofische discussie over wat "denken" precies is, stelde hij een praktische test voor: als een machine zich
in een gesprek niet van een mens laat onderscheiden, kunnen we zeggen dat het "denkt".
Kritiek en beperkingen
Hoewel de Turing-test een belangrijke mijlpaal was in de ontwikkeling van kunstmatige intelligentie, heeft de
test ook beperkingen:
1. Simulatie is geen begrip: Een machine kan menselijke taal nabootsen zonder echte intelligentie of
bewustzijn te hebben.
2. Beoordeling is subjectief: De test hangt af van de beoordelaar en diens verwachtingen over intelligentie.
3. Focust alleen op taal: De test meet alleen het vermogen om een gesprek te voeren en negeert andere
aspecten van intelligentie, zoals redeneren en probleemoplossing.
Moderne toepassingen
Veel hedendaagse chatbots en AI-systemen, zoals ChatGPT, kunnen overtuigende gesprekken voeren en zouden
in sommige gevallen de Turing-test kunnen doorstaan. Toch betekent dit niet dat ze echt bewustzijn of begrip
hebben zoals mensen dat doen.
1956: Het Perceptron – De Oorsprong van Neurale Netwerken
Het Perceptron is een vroege vorm van een kunstmatig neuraal netwerk, ontwikkeld door Frank Rosenblatt in
1956 (en formeel geïntroduceerd in 1958). Het werd ontworpen als een computermodel dat geïnspireerd was
op de werking van biologische neuronen in de hersenen.
1
,Wat is een Perceptron?
Een perceptron is het eenvoudigste type neuronaal netwerk en bestaat uit een enkele kunstmatige neuron. Het
kan gebruikt worden voor binaire classificatie, waarbij het bepaalt of een invoer tot de ene of de andere
categorie behoort.
Waarom was het Perceptron belangrijk?
1. Eerste leerbare AI-model: Het perceptron kon leren door de gewichten aan te passen op basis van
fouten (met de Perceptron Learning Rule).
2. Voorloper van moderne neurale netwerken: Het concept werd later uitgebreid tot multilayer
perceptrons (MLP’s), wat leidde tot diepe neurale netwerken.
3. Liet zien dat machines patroonherkenning konden uitvoeren, bijvoorbeeld voor eenvoudige
beeldherkenning.
Beperkingen van het originele Perceptron
In 1969 toonden Marvin Minsky en Seymour Papert in hun boek Perceptrons aan dat een enkel perceptron geen
XOR-probleem kan oplossen (een fundamenteel wiskundig probleem waarbij de uitvoer niet lineair gescheiden
is). Hierdoor verloor het perceptron tijdelijk populariteit.
De oplossing kwam later met multilayer perceptrons (MLP's) en backpropagation in de jaren ’80, waarmee deep
learning mogelijk werd.
Conclusie
Het perceptron uit 1956 was een revolutionaire stap in de kunstmatige intelligentie en machine learning. Hoewel
de eerste versie beperkte mogelijkheden had, vormde het de basis voor moderne neurale netwerken en deep
learning.
1960: ELIZA
De AI Winter van de Jaren ’70: Waarom Kunstmatige Intelligentie Vastliep
De AI Winter in de jaren ’70 verwijst naar een periode waarin de verwachtingen rondom kunstmatige
intelligentie (AI) niet werden waargemaakt, waardoor overheidssubsidies en investeringen sterk afnamen. Dit
leidde tot een vertraging in AI-onderzoek en ontwikkeling.
Hoe kwam de AI Winter tot stand?
1. Overdreven verwachtingen in de jaren ’50 en ’60
In de jaren ’50 en ’60 hadden onderzoekers als John McCarthy, Marvin Minsky en Frank Rosenblatt hoge
verwachtingen van AI. Ze dachten dat:
• Computers in korte tijd menselijke intelligentie konden bereiken.
• Perceptrons (neurale netwerken) en symbolische AI (expertensystemen) allerlei problemen konden
oplossen.
• AI snel toegepast kon worden in het dagelijks leven, zoals in geautomatiseerde vertaling en
spraakherkenning.
Maar in de praktijk bleek dit veel moeilijker dan verwacht.
2
,2. Beperkingen van vroege AI-systemen
• Perceptrons konden geen complexe problemen oplossen: Zoals het XOR-probleem, aangetoond door
Minsky en Papert (1969). Dit ondermijnde het vertrouwen in neurale netwerken.
• Symbolische AI faalde bij echte wereldproblemen: Regelsystemen konden goed werken in specifieke
domeinen, maar faalden zodra de situatie te complex werd.
• Rekenkracht was onvoldoende: Computers in de jaren ’60 en ’70 waren niet krachtig genoeg om
complexe AI-modellen te draaien.
3. Gebrek aan financiering en stopzetting van AI-programma’s
Door deze tegenslagen trokken investeerders en overheden zich terug:
• 1973: Lighthill-rapport (VK) → Dit rapport concludeerde dat AI weinig praktische vooruitgang had
geboekt en leidde tot het stopzetten van AI-financiering door de Britse overheid.
• 1974: DARPA (VS) stopte met AI-investeringen → Het Amerikaanse ministerie van Defensie trok zich
grotendeels terug uit AI-onderzoek omdat systemen niet praktisch bruikbaar waren.
Hierdoor liep AI-onderzoek grotendeels vast in de jaren ’70.
Gevolgen van de AI Winter
• Veel AI-onderzoekers verloren financiering of stapten over naar andere vakgebieden.
• Ontwikkeling van AI vertraagde met ongeveer 10-15 jaar.
• Neurale netwerken verdwenen tijdelijk naar de achtergrond totdat ze in de jaren ’80 en ’90 een
comeback maakten met backpropagation.
Wanneer eindigde de AI Winter?
In de jaren ’80 kwam er een nieuwe opleving, voornamelijk door:
1. Expertensystemen (zoals MYCIN en XCON), die succesvol werden in bedrijfsomgevingen.
2. Snellere computers, waardoor AI-complexere problemen kon aanpakken.
3. Herontdekking van neurale netwerken met de ontwikkeling van backpropagation in 1986.
Machine Learning in de Jaren '90: Opkomst van Supervised en Reinforcement Learning
De jaren '90 waren een cruciale periode voor Machine Learning (ML). De focus verschoof van symbolische AI
(waar AI was gebaseerd op regels en logica) naar statistische en data-gedreven methoden. Dankzij
verbeteringen in hardware, algoritmen en dataopslag begonnen ML-systemen echt nuttige toepassingen te
krijgen.
Twee belangrijke subvelden die zich in deze periode ontwikkelden, waren:
1. Supervised Learning (begeleidend leren)
2. Reinforcement Learning (bekrachtigingsleren)
3
, 1⃣ Supervised Learning (Begeleidend Leren)
Bij supervised learning wordt een model getraind met gelabelde data. Dit betekent dat elke invoer een
bijbehorende "juiste" uitvoer heeft. Het model leert een patroon te herkennen en kan vervolgens voorspellingen
doen op nieuwe, ongeziene data.
Hoe werkt het?
1. Invoer (X) → Model → Voorspelling (Y')
2. Vergelijking met de echte waarde (Y)
3. Model past zich aan (door fouten te minimaliseren met bijvoorbeeld gradient descent)
4. Proces herhalen totdat het model accuraat genoeg is
Machine Learning: How?
• Algorithms (=step by step procedures) to find a good “model”
• Example: health indicator, Tax fraud
• We need lots of examples, described by measurable characteristics
• Then we learn a model that is optimally consistent
• With the model we can make predictions for new examples
Learning Models by Optimizing
• Using data, refine models step by step
Illustration : excel sheet “manual optimization”
2⃣ Reinforcement Learning (Bekrachtigingsleren)
Reinforcement Learning (RL) is een andere tak van Machine Learning waarbij een agent leert door interactie met
een omgeving. In plaats van een dataset met correcte antwoorden te krijgen (zoals bij supervised learning), leert
het model door trial-and-error en krijgt het beloningen of straffen op basis van de acties die het neemt.
Hoe werkt Reinforcement Learning?
1. Agent neemt een actie in een omgeving
2. Omgeving geeft een beloning of straf terug
3. Agent past strategie aan om maximale beloning te krijgen
4. Na verloop van tijd leert de agent de optimale strategie (policy)
Toepassingen
Deep Blue (1997)
Watson (2011)
AlphaGo (2016)
= AI wint van leermeester
4
LES 1: Inleiding AI
1950: Turing Test
De Turing-test werd in 1950 voorgesteld door de Britse wiskundige en computerwetenschapper Alan Turing in
zijn artikel "Computing Machinery and Intelligence". De test is bedoeld als een manier om te bepalen of een
machine intelligentie vertoont die vergelijkbaar is met die van een mens.
Wat houdt de Turing-test in?
De test simuleert een gespreksomgeving waarin een menselijke beoordelaar met twee gesprekspartners
communiceert via tekst (bijvoorbeeld op een computer). Eén van de gesprekspartners is een mens, en de andere
is een machine (een AI of chatbot). De beoordelaar weet niet wie de mens is en wie de machine.
• Als de beoordelaar niet consistent kan onderscheiden welke van de twee de machine is, dan slaagt de
machine voor de Turing-test.
• Dit betekent dat de machine intelligent genoeg is om menselijke taal en denkprocessen geloofwaardig
na te bootsen.
Waarom stelde Turing deze test voor?
Alan Turing wilde een objectieve manier bedenken om te beoordelen of een machine kan denken. In plaats van
een filosofische discussie over wat "denken" precies is, stelde hij een praktische test voor: als een machine zich
in een gesprek niet van een mens laat onderscheiden, kunnen we zeggen dat het "denkt".
Kritiek en beperkingen
Hoewel de Turing-test een belangrijke mijlpaal was in de ontwikkeling van kunstmatige intelligentie, heeft de
test ook beperkingen:
1. Simulatie is geen begrip: Een machine kan menselijke taal nabootsen zonder echte intelligentie of
bewustzijn te hebben.
2. Beoordeling is subjectief: De test hangt af van de beoordelaar en diens verwachtingen over intelligentie.
3. Focust alleen op taal: De test meet alleen het vermogen om een gesprek te voeren en negeert andere
aspecten van intelligentie, zoals redeneren en probleemoplossing.
Moderne toepassingen
Veel hedendaagse chatbots en AI-systemen, zoals ChatGPT, kunnen overtuigende gesprekken voeren en zouden
in sommige gevallen de Turing-test kunnen doorstaan. Toch betekent dit niet dat ze echt bewustzijn of begrip
hebben zoals mensen dat doen.
1956: Het Perceptron – De Oorsprong van Neurale Netwerken
Het Perceptron is een vroege vorm van een kunstmatig neuraal netwerk, ontwikkeld door Frank Rosenblatt in
1956 (en formeel geïntroduceerd in 1958). Het werd ontworpen als een computermodel dat geïnspireerd was
op de werking van biologische neuronen in de hersenen.
1
,Wat is een Perceptron?
Een perceptron is het eenvoudigste type neuronaal netwerk en bestaat uit een enkele kunstmatige neuron. Het
kan gebruikt worden voor binaire classificatie, waarbij het bepaalt of een invoer tot de ene of de andere
categorie behoort.
Waarom was het Perceptron belangrijk?
1. Eerste leerbare AI-model: Het perceptron kon leren door de gewichten aan te passen op basis van
fouten (met de Perceptron Learning Rule).
2. Voorloper van moderne neurale netwerken: Het concept werd later uitgebreid tot multilayer
perceptrons (MLP’s), wat leidde tot diepe neurale netwerken.
3. Liet zien dat machines patroonherkenning konden uitvoeren, bijvoorbeeld voor eenvoudige
beeldherkenning.
Beperkingen van het originele Perceptron
In 1969 toonden Marvin Minsky en Seymour Papert in hun boek Perceptrons aan dat een enkel perceptron geen
XOR-probleem kan oplossen (een fundamenteel wiskundig probleem waarbij de uitvoer niet lineair gescheiden
is). Hierdoor verloor het perceptron tijdelijk populariteit.
De oplossing kwam later met multilayer perceptrons (MLP's) en backpropagation in de jaren ’80, waarmee deep
learning mogelijk werd.
Conclusie
Het perceptron uit 1956 was een revolutionaire stap in de kunstmatige intelligentie en machine learning. Hoewel
de eerste versie beperkte mogelijkheden had, vormde het de basis voor moderne neurale netwerken en deep
learning.
1960: ELIZA
De AI Winter van de Jaren ’70: Waarom Kunstmatige Intelligentie Vastliep
De AI Winter in de jaren ’70 verwijst naar een periode waarin de verwachtingen rondom kunstmatige
intelligentie (AI) niet werden waargemaakt, waardoor overheidssubsidies en investeringen sterk afnamen. Dit
leidde tot een vertraging in AI-onderzoek en ontwikkeling.
Hoe kwam de AI Winter tot stand?
1. Overdreven verwachtingen in de jaren ’50 en ’60
In de jaren ’50 en ’60 hadden onderzoekers als John McCarthy, Marvin Minsky en Frank Rosenblatt hoge
verwachtingen van AI. Ze dachten dat:
• Computers in korte tijd menselijke intelligentie konden bereiken.
• Perceptrons (neurale netwerken) en symbolische AI (expertensystemen) allerlei problemen konden
oplossen.
• AI snel toegepast kon worden in het dagelijks leven, zoals in geautomatiseerde vertaling en
spraakherkenning.
Maar in de praktijk bleek dit veel moeilijker dan verwacht.
2
,2. Beperkingen van vroege AI-systemen
• Perceptrons konden geen complexe problemen oplossen: Zoals het XOR-probleem, aangetoond door
Minsky en Papert (1969). Dit ondermijnde het vertrouwen in neurale netwerken.
• Symbolische AI faalde bij echte wereldproblemen: Regelsystemen konden goed werken in specifieke
domeinen, maar faalden zodra de situatie te complex werd.
• Rekenkracht was onvoldoende: Computers in de jaren ’60 en ’70 waren niet krachtig genoeg om
complexe AI-modellen te draaien.
3. Gebrek aan financiering en stopzetting van AI-programma’s
Door deze tegenslagen trokken investeerders en overheden zich terug:
• 1973: Lighthill-rapport (VK) → Dit rapport concludeerde dat AI weinig praktische vooruitgang had
geboekt en leidde tot het stopzetten van AI-financiering door de Britse overheid.
• 1974: DARPA (VS) stopte met AI-investeringen → Het Amerikaanse ministerie van Defensie trok zich
grotendeels terug uit AI-onderzoek omdat systemen niet praktisch bruikbaar waren.
Hierdoor liep AI-onderzoek grotendeels vast in de jaren ’70.
Gevolgen van de AI Winter
• Veel AI-onderzoekers verloren financiering of stapten over naar andere vakgebieden.
• Ontwikkeling van AI vertraagde met ongeveer 10-15 jaar.
• Neurale netwerken verdwenen tijdelijk naar de achtergrond totdat ze in de jaren ’80 en ’90 een
comeback maakten met backpropagation.
Wanneer eindigde de AI Winter?
In de jaren ’80 kwam er een nieuwe opleving, voornamelijk door:
1. Expertensystemen (zoals MYCIN en XCON), die succesvol werden in bedrijfsomgevingen.
2. Snellere computers, waardoor AI-complexere problemen kon aanpakken.
3. Herontdekking van neurale netwerken met de ontwikkeling van backpropagation in 1986.
Machine Learning in de Jaren '90: Opkomst van Supervised en Reinforcement Learning
De jaren '90 waren een cruciale periode voor Machine Learning (ML). De focus verschoof van symbolische AI
(waar AI was gebaseerd op regels en logica) naar statistische en data-gedreven methoden. Dankzij
verbeteringen in hardware, algoritmen en dataopslag begonnen ML-systemen echt nuttige toepassingen te
krijgen.
Twee belangrijke subvelden die zich in deze periode ontwikkelden, waren:
1. Supervised Learning (begeleidend leren)
2. Reinforcement Learning (bekrachtigingsleren)
3
, 1⃣ Supervised Learning (Begeleidend Leren)
Bij supervised learning wordt een model getraind met gelabelde data. Dit betekent dat elke invoer een
bijbehorende "juiste" uitvoer heeft. Het model leert een patroon te herkennen en kan vervolgens voorspellingen
doen op nieuwe, ongeziene data.
Hoe werkt het?
1. Invoer (X) → Model → Voorspelling (Y')
2. Vergelijking met de echte waarde (Y)
3. Model past zich aan (door fouten te minimaliseren met bijvoorbeeld gradient descent)
4. Proces herhalen totdat het model accuraat genoeg is
Machine Learning: How?
• Algorithms (=step by step procedures) to find a good “model”
• Example: health indicator, Tax fraud
• We need lots of examples, described by measurable characteristics
• Then we learn a model that is optimally consistent
• With the model we can make predictions for new examples
Learning Models by Optimizing
• Using data, refine models step by step
Illustration : excel sheet “manual optimization”
2⃣ Reinforcement Learning (Bekrachtigingsleren)
Reinforcement Learning (RL) is een andere tak van Machine Learning waarbij een agent leert door interactie met
een omgeving. In plaats van een dataset met correcte antwoorden te krijgen (zoals bij supervised learning), leert
het model door trial-and-error en krijgt het beloningen of straffen op basis van de acties die het neemt.
Hoe werkt Reinforcement Learning?
1. Agent neemt een actie in een omgeving
2. Omgeving geeft een beloning of straf terug
3. Agent past strategie aan om maximale beloning te krijgen
4. Na verloop van tijd leert de agent de optimale strategie (policy)
Toepassingen
Deep Blue (1997)
Watson (2011)
AlphaGo (2016)
= AI wint van leermeester
4
