SAMENVATTING MEDIA
1. AI
We staan al redelijk ver in de artificiele intelligentie
- Vb. Zelfrijdende autos
ONDERDELEN VAN AI
- AI
o Bestaat al zeer lang
o Geslaagd voor Turing test
▪ = je kunt niet meer het onderscheid maken of de beslissing genomen is door AI
of door een mens
o Computer gebruikt AI om als een mens te denken en zelfstandig taken uit te voeren
- Machine learning (ML)
o Computersysteem ontwikkeld zijn eigen intelligentie
▪ Machines leren hierbij patronen uit voorbeelden in plaats van expliciet
geprogrammeerd te worden
▪ Vb een model dat emails leert herkennen als spam of niet-spam obv
voorbeelden
- Deep learning
o Type machine learning die gebruik maakt van kunstmatige neurale netwerken om
digitale systemen in staat te stellen te leren en beslissingen te nemen obv
ongestructureerde niet-gelabelde gegevens
o Is vooral goed in taken zoals beeldherkenning, spraakherkenning en taalverwerking
- Generative AI
o AI die nieuwe content kan creëren, zoals tekst, beelden, code, geluid of video
o Neurale netwerken voorspellen wat logisch volgt en genereren zo nieuwe content
- Large language models (LLM)
o Een type generatieve AI dat gespecialiseerd in taal
o LLM is getraind op enorme hoeveelheden tekst en kan daardoor vragen beantwoorden,
teksten samenvatten, vervolgingen voorspellen, vertalen, …
o Toepassing: ChatGPT
1
,WAT IS AI?
AI = een wiskundige formule
VB. PRIJS VAN BROOD
Je geeft 2 data in => de prijs in 2003 & de prijs in 2023
Wat was de prijs in 2013?
- We kunnen een formule maken die de 2 punten
verbindt en dan het midden neemt
o Prijs (x) = 1,61 + x * ((2,94 – 1,61)/20)
- Maar is dit wel de correcte prijs?
Als je kijkt naar de werkelijke prijs was dit minder dan die
uitgerekend door onze formule (rode stip)
- Prijzen volgen geen rechte lijn!
Als we kijken naar de correcte stijging/daling van de prijzen van
2003 tot 2023 zien we dat dit golvend is
- Piek in 2020: corona
- Niet simpel om een wiskundige formule te maken!
HOE CREËER JE ZO EEN FUNCTIE?
We kunnen werken met 1 diameter: prijs en aantal => zie functie Y met onbekende x (links)
Meerdere parameters ook mogelijk => zie functie Y met onbekenden x & y (rechts)
Voor poly van orde n met m variabelen => (n+m)! / (n!*m!)
Wiskundig gezien zou je een stelsel met (n+m)! / (n!*m!) vergelijkingen moeten oplossen => onmogelijk!
Toch is dit mogelijk in ons brein!
2
,STAP 1: HOE CREËENREN WE ZO EEN FUNCTIE?
Proberen om de hersenfunctie in een computercontext te definiëren
- Structuur brengen in de neuronen: verschillende kolommen van neuronen
- We verbinden elk neuron van een kolom met een neuron van de kolom ervoor en erachter
o Voorste kolom = input
▪ In de hersenen is dit de input van elk van onze zintuigen
▪ In het geval dat we fotos gaan analyseren is dit dus vb de waarde van elke pixel
o Achterste kolom = output
▪ Acties die we eraan willen vastkoppelen
▪ Vb de kans dat de foto van de input een kat/hond is
We kunnen elk neuron beschrijven als een wiskundige formule waarbij de output die eruitkomt snel
evolueert van een laag getal (0) naar een zeer hoog getal (1)
- Interval waarin het evolueert van laag naar hoog is zeer kort (supersnel dus)
- Als we dat in elk neuron doen en we verbinden deze met elkaar
o = Zeer snel evoluerende functies worden opgeteld
o => je kunt er zeer veel verschillende vormen mee maken (zeer complexe functie)
We krijgen de mathematische functie die we wouden!
Door zeer complexe functie kunnen we onze ingewikkelde fuctie (van vb broodprijs) nabootsen
- Probleem: hoe maken we deze specifieke functie?
o Ligt aan een bepaalde gewichtsfactor: de parameters
STAP 2: HOE VULLEN WE DE PARAMETERS IN?
We laten de input van de volgende neuronen altijd afhangen van de (gewogen) som van alle
voorafgaande outputs (vorige lagen)
- Dus niet telkens de output v/e neuron aan de input v/e ander neuron plaatsen
- Clue zit in de gewichtjes:
o We someren output vd vorige laag met een bep gewicht (Wx) als nieuwe input
- Als we elk van die gewichtjes juist kunnen zetten dan krijgen we de functie die we
willen hebben
3
, OPLOSSING
Hoe komen we aan die gewichten?
- Stel reeks fotos
o We willen weten wat erop staat
o We trainen obv een grote set van fotos waarvan we weten wat er op staat
- Stel netwerk
o We moeten dit initialiseren
o De gewichten zijn nog niet jiuist gezet
o Vb netwerk zegt bij het invoegen dat het een parkeerplaats is = FOUT
We leggen aan de output uit dat dit geen parkeerplaats is maar een voetpad
- In de output van parkeerplaats en output van voetpad verschuiven de gewichtjes
- Zo gaan we richting een netwerk dat het voetpad zou herkennen
Als we dit 1000x herhalen krijgen we uiteindelijk een netwerk die het zebrapad herkent
Als je het netwerk dan plaatst in een andere situatie (vb remmen bij het zien van een zebrapad), waarvoor
het nog niet getraind is, kan het ook het zebrapad herkennen
- Hood dimensionale functie die goed kan generaliseren
- Zo kun je in vergelijkbare situaties komen tot dezelfde conclusie
- Zo kunnen vb autos bepaalde situaties herkennen en hiermee omgaan
We hebben dus een netwerk gemaakt, gewichten aangepast om te komen tot een functie die de
broodprijs kan herkennen
4
1. AI
We staan al redelijk ver in de artificiele intelligentie
- Vb. Zelfrijdende autos
ONDERDELEN VAN AI
- AI
o Bestaat al zeer lang
o Geslaagd voor Turing test
▪ = je kunt niet meer het onderscheid maken of de beslissing genomen is door AI
of door een mens
o Computer gebruikt AI om als een mens te denken en zelfstandig taken uit te voeren
- Machine learning (ML)
o Computersysteem ontwikkeld zijn eigen intelligentie
▪ Machines leren hierbij patronen uit voorbeelden in plaats van expliciet
geprogrammeerd te worden
▪ Vb een model dat emails leert herkennen als spam of niet-spam obv
voorbeelden
- Deep learning
o Type machine learning die gebruik maakt van kunstmatige neurale netwerken om
digitale systemen in staat te stellen te leren en beslissingen te nemen obv
ongestructureerde niet-gelabelde gegevens
o Is vooral goed in taken zoals beeldherkenning, spraakherkenning en taalverwerking
- Generative AI
o AI die nieuwe content kan creëren, zoals tekst, beelden, code, geluid of video
o Neurale netwerken voorspellen wat logisch volgt en genereren zo nieuwe content
- Large language models (LLM)
o Een type generatieve AI dat gespecialiseerd in taal
o LLM is getraind op enorme hoeveelheden tekst en kan daardoor vragen beantwoorden,
teksten samenvatten, vervolgingen voorspellen, vertalen, …
o Toepassing: ChatGPT
1
,WAT IS AI?
AI = een wiskundige formule
VB. PRIJS VAN BROOD
Je geeft 2 data in => de prijs in 2003 & de prijs in 2023
Wat was de prijs in 2013?
- We kunnen een formule maken die de 2 punten
verbindt en dan het midden neemt
o Prijs (x) = 1,61 + x * ((2,94 – 1,61)/20)
- Maar is dit wel de correcte prijs?
Als je kijkt naar de werkelijke prijs was dit minder dan die
uitgerekend door onze formule (rode stip)
- Prijzen volgen geen rechte lijn!
Als we kijken naar de correcte stijging/daling van de prijzen van
2003 tot 2023 zien we dat dit golvend is
- Piek in 2020: corona
- Niet simpel om een wiskundige formule te maken!
HOE CREËER JE ZO EEN FUNCTIE?
We kunnen werken met 1 diameter: prijs en aantal => zie functie Y met onbekende x (links)
Meerdere parameters ook mogelijk => zie functie Y met onbekenden x & y (rechts)
Voor poly van orde n met m variabelen => (n+m)! / (n!*m!)
Wiskundig gezien zou je een stelsel met (n+m)! / (n!*m!) vergelijkingen moeten oplossen => onmogelijk!
Toch is dit mogelijk in ons brein!
2
,STAP 1: HOE CREËENREN WE ZO EEN FUNCTIE?
Proberen om de hersenfunctie in een computercontext te definiëren
- Structuur brengen in de neuronen: verschillende kolommen van neuronen
- We verbinden elk neuron van een kolom met een neuron van de kolom ervoor en erachter
o Voorste kolom = input
▪ In de hersenen is dit de input van elk van onze zintuigen
▪ In het geval dat we fotos gaan analyseren is dit dus vb de waarde van elke pixel
o Achterste kolom = output
▪ Acties die we eraan willen vastkoppelen
▪ Vb de kans dat de foto van de input een kat/hond is
We kunnen elk neuron beschrijven als een wiskundige formule waarbij de output die eruitkomt snel
evolueert van een laag getal (0) naar een zeer hoog getal (1)
- Interval waarin het evolueert van laag naar hoog is zeer kort (supersnel dus)
- Als we dat in elk neuron doen en we verbinden deze met elkaar
o = Zeer snel evoluerende functies worden opgeteld
o => je kunt er zeer veel verschillende vormen mee maken (zeer complexe functie)
We krijgen de mathematische functie die we wouden!
Door zeer complexe functie kunnen we onze ingewikkelde fuctie (van vb broodprijs) nabootsen
- Probleem: hoe maken we deze specifieke functie?
o Ligt aan een bepaalde gewichtsfactor: de parameters
STAP 2: HOE VULLEN WE DE PARAMETERS IN?
We laten de input van de volgende neuronen altijd afhangen van de (gewogen) som van alle
voorafgaande outputs (vorige lagen)
- Dus niet telkens de output v/e neuron aan de input v/e ander neuron plaatsen
- Clue zit in de gewichtjes:
o We someren output vd vorige laag met een bep gewicht (Wx) als nieuwe input
- Als we elk van die gewichtjes juist kunnen zetten dan krijgen we de functie die we
willen hebben
3
, OPLOSSING
Hoe komen we aan die gewichten?
- Stel reeks fotos
o We willen weten wat erop staat
o We trainen obv een grote set van fotos waarvan we weten wat er op staat
- Stel netwerk
o We moeten dit initialiseren
o De gewichten zijn nog niet jiuist gezet
o Vb netwerk zegt bij het invoegen dat het een parkeerplaats is = FOUT
We leggen aan de output uit dat dit geen parkeerplaats is maar een voetpad
- In de output van parkeerplaats en output van voetpad verschuiven de gewichtjes
- Zo gaan we richting een netwerk dat het voetpad zou herkennen
Als we dit 1000x herhalen krijgen we uiteindelijk een netwerk die het zebrapad herkent
Als je het netwerk dan plaatst in een andere situatie (vb remmen bij het zien van een zebrapad), waarvoor
het nog niet getraind is, kan het ook het zebrapad herkennen
- Hood dimensionale functie die goed kan generaliseren
- Zo kun je in vergelijkbare situaties komen tot dezelfde conclusie
- Zo kunnen vb autos bepaalde situaties herkennen en hiermee omgaan
We hebben dus een netwerk gemaakt, gewichten aangepast om te komen tot een functie die de
broodprijs kan herkennen
4
