AI: Maatschappelijke uitdagingen1
Les 1: De geschiedenis van AI
De geschiedenis van AI
- 1950: Turing test
• A. Turing heeft tijdens de oorlog de ENIGMA code gekraakt. Dit was de
eerste keer dat een computer hiervoor werd ingezet -> men zag nu heel
veel mogelijkheden met de computer.
• De Turing test was een test waarbij er een mens/ computer achter een
gordijn stond -> je moest achterhalen a.d.h.v. antwoorden of je de vragen
aan een mens stelde of aan een computer.
§ Vandaag de dag met ChatGPT zitten we in een soortgelijke situatie.
§ Toen was het alleen met tekst, nu kunnen we ook al communiceren
met spraak.
- 1956: Perceptron
• Hier gaat men trachten het menselijke brein na te maken in een computer
-> ze zijn gaan kijken hoe het brein werkt en hoe ze dat kunnen namaken.
• Rozenblad is hier in geslaagd in 1956. Hij heeft a.h.w. 1 hersencel
nagemaakt. Deze kon zaken zien nl. ponskaarten. Hij kon dus patronen
gaan herkennen2.
• Het bijzondere is dat het voor het eerst was dat een algoritme niet volledig
moest worden ontwikkeld. Het systeem moest zelf leren van zijn eigen
antwoorden -> de machine moest zelf gaan leren.
- 1960: ELIZA
• Dit is een chatbox die bepaalde zaken kan gaan herkennen en geeft
daarop antwoorden. Deze gaat bepaalde patronen oppikken en invullen.
Je kan daar wel mee communiceren maar het gaat een beperkt aantal
zaken herkennen en daarom zullen de antwoorden niet altijd steek
houden bv. al je zegt: Eliza ik voel me verdrietig dan zal Eliza zeggen:
waarom voel je je verdrietig, maar als je zegt: Ik voel me tafel dan zal ze
zeggen: waarom voel je je tafel… -> je kan alleen een conversatie voeren
door bepaalde patronen.
- 70’s AI Winter
• Na groot enthousiasme werden de investeringen teruggetrokken ->
vandaar dat we spreken van winter. Toch is men verder onderzoek blijven
doen, waardoor er toch vooruitgangen zijn geweest.
1
Het vak bestaat uit 3 grote lijnen: technische uitdagingen, sociale uitdagingen en legale uitdagingen. Dit
wordt behandeld doorheen de lessen.
2
Het ging dus over of er een gaatje links of rechtsboven zat in de ponskaart.
AI: MAATSCHAPPELIJKE UITDAGING 1 LOUISE DESCHEEMAEKER
, - 80’s Expert Systemen
• Dit is nog steeds niet helemaal intelligent (zoals ELIZA), maar deze was
wel verbonden met een databank. Het expertsysteem ging vragen stellen
aan de gebruiker, waardoor je op een bepaald moment tot een conclusie/
hypothese zal komen.
§ Een voorbeeld hiervan is het gebruik in de medische sector: heeft
de patiënt koorts? Dan kon men antwoord geven JA/ NEE. Indien JA:
Is de koorts meer dan 38°C …
• Dit was zeer nuttig, want we kunnen beslissingen ondersteunen en kennis
met de mensen delen -> het is eigenlijk een ondersteuning van bepaalde
systemen.
- 90’s Machine Learning
• Dit is een zeer belangrijke periode voor AI, want we komen op een boom ->
er zijn zeer belangrijke ontwikkelingen rond AI. Er zijn twee soorten
learning die hierbij een grote rol gaan spelen:
1. Supervised learning
2. Reinforcement learning
è Dit zijn twee zeer belangrijke paradigma’s3 als het gaat om AI.
1. Supervised learning
Hier gaat men aan de hand van heel veel voorbeelden
voorspellingen te doen. A.d.h.v. beelden gaat de computer een
programma schrijven om te achterhalen wat A is en wat B (zie
voorbeeld chihuahua en mu`in in slides).
è Hiervoor heb je beelden en labels nodig -> je gaat a.d.h.v. deze
zaken een programma schrijven om te achter halen wat wat
precies is.
è Dit is een beetje het principe zoals bij perceptron. Het verschil
hierbij is dat bij de perceptron hij bij elk resultaat ging leren en
hier tot een gewenst resultaat trachten te komen.
è Hiervoor heb je algoritmes nodig om een goed programma/
model te kunnen maken. Ook heb je voorbeelden4 nodig om zo
te kunnen achterhalen wat A en wat B is.
è Om het systeem te optimaliseren gaan we het algoritme steeds
meer moeten verfijnen. Deze zullen immers beginnen van een
random situatie en zal zich gaan aanpassen door te gaan kijken
waar er errors optreden.
3
= Het stelsel van modellen en theorieën dat, binnen een gegeven wetenschappelijke discipline, het
denkkader vormt van waaruit de werkelijkheid geanalyseerd en beschreven wordt.
4
Ook moet je eigenschappen aanrijken om zo te kunnen bepalen wat een chihuahua is en wat een muCin.
Hieraan kunnen formules worden toegevoegd. Vb. nagaan of mensen gezond zijn JA/ NEE door gewicht. Je
moet dan zeggen wat een (on)gezond gewicht is door er een formule aan toe te voegen.
AI: MAATSCHAPPELIJKE UITDAGING 2 LOUISE DESCHEEMAEKER
, 2. Reinforcement learning
Bij een heel veel problemen hebben we te weinig data opdat
supervised learning goed zou werken -> dan maken we gebruik van
Reinforcement learning. Het model gaat dus leren en gaat acties
doorvoeren om zo voorspelling te maken en een antwoord geven. De
omgeving gaat daarop reageren door verder te reageren. De
omgeving (de gebruiker) gaat daardoor veranderen -> je krijgt
constant nieuwe toestanden.
o Vb. bij pong gaat AI constant kijken wat is de positie van de
bal en de 2 padels om zo te achterhalen moet ik naar boven
of beneden om geen punt binnen te laten -> om dit in orde te
krijgen gaan we het spel heel goed analyseren en laten
spelen. In het begin gaat dit dramatisch zijn omdat die padel
nog niets heeft geleerd -> je gaat deze moeten trainen.
o Je zou het ook anders kunnen aanpakken door het veld te
verdelen door 1, 0 en -1 die we gaan combineren in een grote
formule (van de 10.000 gewichten in het veld). Hier gaan we
10 sommen van maken -> 10 x 10.000 -> 100.000 gewichten
die worden geleerd. Hierbij worden ook nog andere sommen
van gemaakt zodat het AI weet of ze naar boven of naar onder
te bewegen. Hier heb je dus een stap overgeslagen t.o.v. het
vorige puntje nl. dat je hier geen supervised learning meer
nodig hebt.
o Zie video opnieuw!
- 1997: Deep Blue = schaakcomputer
• Dit is een belangrijk moment omdat het voor het eerst is dat een
grootmeester wordt verslagen door AI.
• Dit lijkt evident, maar dit is helemaal niet zo.
- 2011: Watson
• Dit is een soort quiz waaruit je steeds moet kiezen tussen drie
antwoorden. De moeilijkheid hierbij is dat je genoeg talenkennis hebt om
zo de vraag te gaan begrijpen en het juiste antwoord daarin aan te linken.
Watson kon dit en wint daardoor.
- 2016: AlphaGo
• Dit was ook een zeer grote shock omdat dit spel voor een computer veel
moeilijker is dan schaken omdat je niet zo ver vooruit kan rekenen. Je hebt
hier namelijk intuïtie voor nodig. Lange tijd dachten we dat computers hier
toe niet in staat zijn. Toch heeft een computer daarin de wereldkampioen
verslagen.
• De technieken die hier zijn gebruikt tonen dat AI tegen zichzelf is gaan
spelen en daardoor is gaan leren en stelselmatig is verbeterd.
è Dit zijn ontwikkelingen die AI op de kaart hebben gezet.
AI: MAATSCHAPPELIJKE UITDAGING 3 LOUISE DESCHEEMAEKER
, Wat is er veranderd t.o.v. vroeger
- Veel meer rekenkracht
• De rekenkracht verdubbelt elk half jaar -> heeft een grote invloed gehad op
de AI. Omdat je voor die modellen veel wiskunde nodig hebt.
• GPU’s5
§ Oorspronkelijk werden deze gebruikt om computer graphics te
verbeteren. Als je in een videospel naar links wil draaien moet de
hele omgeving ook veranderen omdat je naar links gaat kijken ->
hiervoor zijn allemaal kleine berekeningen nodig om dat te kunnen
uitvoeren.
§ Dit heeft ook een invloed gehad op neurale netwerken omdat je
daar ook heel de tijd zo’n berekeningen moet gaan maken.
- Grote hoeveelheden data
• Bedrijven zijn gaan inzien dat data zeer belangrijk is. Dus ze zijn er veel van
gaan verzamelen.
- De heropleving van neurale netwerken6
• De twee bovenstaande ontwikkelingen zorgde voor een heropleving van
neurale netwerken.
• Die neurale netwerken hangen af van de hoeveelheid data dat er voor
handen is. Nu hebben we zeer veel data -> we kunnen hele grote neurale
netwerken gaan ontwikkelen.
- Heel diepe neurale netwerken
• Deze kwamen op in computer vision7. De foto wordt door een systeem
gejaagd die nagaat wat de kans is dat er een vliegtuig opstaat of wat de
kans is dat het een schommel is… Dit wordt getraind op heel veel
voorbeelden en uiteindelijk komt daar weer iets uit.
• Als we naar de resultaten kijken van de diep neurale netwerken is er een
zeer grote stap voorwaarts gezet in 2012. Dit is voor veel mensen een eye
opener geweest. Dit heeft niet alleen een invloed gehad op computer
vision maar ook op taal.
5
= Graphic Processing Units
6
= Type computerprogramma (of algoritme) dat is geïnspireerd op hoe het menselijk brein werkt. Het
bestaat uit een groot aantal knooppunten (neuronen) die met elkaar verbonden zijn in verschillende lagen.
Die lagen werken samen om informatie te verwerken en patronen te herkennen. -> het zijn eigenlijk
gewoon sommetjes die resulteren in een complexe formule.
7
Hierbij wordt er een afbeelding aan de computer gegeven en deze moet dan zeggen wat er te zien is.
AI: MAATSCHAPPELIJKE UITDAGING 4 LOUISE DESCHEEMAEKER
Les 1: De geschiedenis van AI
De geschiedenis van AI
- 1950: Turing test
• A. Turing heeft tijdens de oorlog de ENIGMA code gekraakt. Dit was de
eerste keer dat een computer hiervoor werd ingezet -> men zag nu heel
veel mogelijkheden met de computer.
• De Turing test was een test waarbij er een mens/ computer achter een
gordijn stond -> je moest achterhalen a.d.h.v. antwoorden of je de vragen
aan een mens stelde of aan een computer.
§ Vandaag de dag met ChatGPT zitten we in een soortgelijke situatie.
§ Toen was het alleen met tekst, nu kunnen we ook al communiceren
met spraak.
- 1956: Perceptron
• Hier gaat men trachten het menselijke brein na te maken in een computer
-> ze zijn gaan kijken hoe het brein werkt en hoe ze dat kunnen namaken.
• Rozenblad is hier in geslaagd in 1956. Hij heeft a.h.w. 1 hersencel
nagemaakt. Deze kon zaken zien nl. ponskaarten. Hij kon dus patronen
gaan herkennen2.
• Het bijzondere is dat het voor het eerst was dat een algoritme niet volledig
moest worden ontwikkeld. Het systeem moest zelf leren van zijn eigen
antwoorden -> de machine moest zelf gaan leren.
- 1960: ELIZA
• Dit is een chatbox die bepaalde zaken kan gaan herkennen en geeft
daarop antwoorden. Deze gaat bepaalde patronen oppikken en invullen.
Je kan daar wel mee communiceren maar het gaat een beperkt aantal
zaken herkennen en daarom zullen de antwoorden niet altijd steek
houden bv. al je zegt: Eliza ik voel me verdrietig dan zal Eliza zeggen:
waarom voel je je verdrietig, maar als je zegt: Ik voel me tafel dan zal ze
zeggen: waarom voel je je tafel… -> je kan alleen een conversatie voeren
door bepaalde patronen.
- 70’s AI Winter
• Na groot enthousiasme werden de investeringen teruggetrokken ->
vandaar dat we spreken van winter. Toch is men verder onderzoek blijven
doen, waardoor er toch vooruitgangen zijn geweest.
1
Het vak bestaat uit 3 grote lijnen: technische uitdagingen, sociale uitdagingen en legale uitdagingen. Dit
wordt behandeld doorheen de lessen.
2
Het ging dus over of er een gaatje links of rechtsboven zat in de ponskaart.
AI: MAATSCHAPPELIJKE UITDAGING 1 LOUISE DESCHEEMAEKER
, - 80’s Expert Systemen
• Dit is nog steeds niet helemaal intelligent (zoals ELIZA), maar deze was
wel verbonden met een databank. Het expertsysteem ging vragen stellen
aan de gebruiker, waardoor je op een bepaald moment tot een conclusie/
hypothese zal komen.
§ Een voorbeeld hiervan is het gebruik in de medische sector: heeft
de patiënt koorts? Dan kon men antwoord geven JA/ NEE. Indien JA:
Is de koorts meer dan 38°C …
• Dit was zeer nuttig, want we kunnen beslissingen ondersteunen en kennis
met de mensen delen -> het is eigenlijk een ondersteuning van bepaalde
systemen.
- 90’s Machine Learning
• Dit is een zeer belangrijke periode voor AI, want we komen op een boom ->
er zijn zeer belangrijke ontwikkelingen rond AI. Er zijn twee soorten
learning die hierbij een grote rol gaan spelen:
1. Supervised learning
2. Reinforcement learning
è Dit zijn twee zeer belangrijke paradigma’s3 als het gaat om AI.
1. Supervised learning
Hier gaat men aan de hand van heel veel voorbeelden
voorspellingen te doen. A.d.h.v. beelden gaat de computer een
programma schrijven om te achterhalen wat A is en wat B (zie
voorbeeld chihuahua en mu`in in slides).
è Hiervoor heb je beelden en labels nodig -> je gaat a.d.h.v. deze
zaken een programma schrijven om te achter halen wat wat
precies is.
è Dit is een beetje het principe zoals bij perceptron. Het verschil
hierbij is dat bij de perceptron hij bij elk resultaat ging leren en
hier tot een gewenst resultaat trachten te komen.
è Hiervoor heb je algoritmes nodig om een goed programma/
model te kunnen maken. Ook heb je voorbeelden4 nodig om zo
te kunnen achterhalen wat A en wat B is.
è Om het systeem te optimaliseren gaan we het algoritme steeds
meer moeten verfijnen. Deze zullen immers beginnen van een
random situatie en zal zich gaan aanpassen door te gaan kijken
waar er errors optreden.
3
= Het stelsel van modellen en theorieën dat, binnen een gegeven wetenschappelijke discipline, het
denkkader vormt van waaruit de werkelijkheid geanalyseerd en beschreven wordt.
4
Ook moet je eigenschappen aanrijken om zo te kunnen bepalen wat een chihuahua is en wat een muCin.
Hieraan kunnen formules worden toegevoegd. Vb. nagaan of mensen gezond zijn JA/ NEE door gewicht. Je
moet dan zeggen wat een (on)gezond gewicht is door er een formule aan toe te voegen.
AI: MAATSCHAPPELIJKE UITDAGING 2 LOUISE DESCHEEMAEKER
, 2. Reinforcement learning
Bij een heel veel problemen hebben we te weinig data opdat
supervised learning goed zou werken -> dan maken we gebruik van
Reinforcement learning. Het model gaat dus leren en gaat acties
doorvoeren om zo voorspelling te maken en een antwoord geven. De
omgeving gaat daarop reageren door verder te reageren. De
omgeving (de gebruiker) gaat daardoor veranderen -> je krijgt
constant nieuwe toestanden.
o Vb. bij pong gaat AI constant kijken wat is de positie van de
bal en de 2 padels om zo te achterhalen moet ik naar boven
of beneden om geen punt binnen te laten -> om dit in orde te
krijgen gaan we het spel heel goed analyseren en laten
spelen. In het begin gaat dit dramatisch zijn omdat die padel
nog niets heeft geleerd -> je gaat deze moeten trainen.
o Je zou het ook anders kunnen aanpakken door het veld te
verdelen door 1, 0 en -1 die we gaan combineren in een grote
formule (van de 10.000 gewichten in het veld). Hier gaan we
10 sommen van maken -> 10 x 10.000 -> 100.000 gewichten
die worden geleerd. Hierbij worden ook nog andere sommen
van gemaakt zodat het AI weet of ze naar boven of naar onder
te bewegen. Hier heb je dus een stap overgeslagen t.o.v. het
vorige puntje nl. dat je hier geen supervised learning meer
nodig hebt.
o Zie video opnieuw!
- 1997: Deep Blue = schaakcomputer
• Dit is een belangrijk moment omdat het voor het eerst is dat een
grootmeester wordt verslagen door AI.
• Dit lijkt evident, maar dit is helemaal niet zo.
- 2011: Watson
• Dit is een soort quiz waaruit je steeds moet kiezen tussen drie
antwoorden. De moeilijkheid hierbij is dat je genoeg talenkennis hebt om
zo de vraag te gaan begrijpen en het juiste antwoord daarin aan te linken.
Watson kon dit en wint daardoor.
- 2016: AlphaGo
• Dit was ook een zeer grote shock omdat dit spel voor een computer veel
moeilijker is dan schaken omdat je niet zo ver vooruit kan rekenen. Je hebt
hier namelijk intuïtie voor nodig. Lange tijd dachten we dat computers hier
toe niet in staat zijn. Toch heeft een computer daarin de wereldkampioen
verslagen.
• De technieken die hier zijn gebruikt tonen dat AI tegen zichzelf is gaan
spelen en daardoor is gaan leren en stelselmatig is verbeterd.
è Dit zijn ontwikkelingen die AI op de kaart hebben gezet.
AI: MAATSCHAPPELIJKE UITDAGING 3 LOUISE DESCHEEMAEKER
, Wat is er veranderd t.o.v. vroeger
- Veel meer rekenkracht
• De rekenkracht verdubbelt elk half jaar -> heeft een grote invloed gehad op
de AI. Omdat je voor die modellen veel wiskunde nodig hebt.
• GPU’s5
§ Oorspronkelijk werden deze gebruikt om computer graphics te
verbeteren. Als je in een videospel naar links wil draaien moet de
hele omgeving ook veranderen omdat je naar links gaat kijken ->
hiervoor zijn allemaal kleine berekeningen nodig om dat te kunnen
uitvoeren.
§ Dit heeft ook een invloed gehad op neurale netwerken omdat je
daar ook heel de tijd zo’n berekeningen moet gaan maken.
- Grote hoeveelheden data
• Bedrijven zijn gaan inzien dat data zeer belangrijk is. Dus ze zijn er veel van
gaan verzamelen.
- De heropleving van neurale netwerken6
• De twee bovenstaande ontwikkelingen zorgde voor een heropleving van
neurale netwerken.
• Die neurale netwerken hangen af van de hoeveelheid data dat er voor
handen is. Nu hebben we zeer veel data -> we kunnen hele grote neurale
netwerken gaan ontwikkelen.
- Heel diepe neurale netwerken
• Deze kwamen op in computer vision7. De foto wordt door een systeem
gejaagd die nagaat wat de kans is dat er een vliegtuig opstaat of wat de
kans is dat het een schommel is… Dit wordt getraind op heel veel
voorbeelden en uiteindelijk komt daar weer iets uit.
• Als we naar de resultaten kijken van de diep neurale netwerken is er een
zeer grote stap voorwaarts gezet in 2012. Dit is voor veel mensen een eye
opener geweest. Dit heeft niet alleen een invloed gehad op computer
vision maar ook op taal.
5
= Graphic Processing Units
6
= Type computerprogramma (of algoritme) dat is geïnspireerd op hoe het menselijk brein werkt. Het
bestaat uit een groot aantal knooppunten (neuronen) die met elkaar verbonden zijn in verschillende lagen.
Die lagen werken samen om informatie te verwerken en patronen te herkennen. -> het zijn eigenlijk
gewoon sommetjes die resulteren in een complexe formule.
7
Hierbij wordt er een afbeelding aan de computer gegeven en deze moet dan zeggen wat er te zien is.
AI: MAATSCHAPPELIJKE UITDAGING 4 LOUISE DESCHEEMAEKER
