Media : zelfstudie AI
DEEL 1
1. Events: wat ben je aan het doen ?
Bv. rijden in de auto, lopen, op openbaar vervoer
2. Moments: waarom ben je dat aan het doen?
Bv. je gaat naar de winkel en daarom zit je in de auto
-> shopping, work, sport
3. Segments: wie ben je?
Bv. sociaal, heb je kinderen, sport je
AI data wordt gecombineerd met behavioral psychologist
Combineren van behavioral change techniques (goals, planning, monitoring, feedback) met
psychologische factoren
-> afstemmen op individu
AI
Wat is AI niet:
-> ‘doing business in an ethical manner’ (company values, legislation)
-> ethiek en moraliteit om AGI te creëren
Wat is het wel:
Je start bij een hoop data -> algoritme genereren -> algoritmes maken op een ethische manier
, Technisch veld dat impact heeft op:
Keuze van classificatiealgoritmen
Keuze van gegevensverwerkingstechnieken
WAAROM AI?
5 voorbeeld cases
1. Surveillance and tracking
-> NYPD is bezig met opbouw van gang database: dieven tracken
-> south wales police: face recognition om trouble makers op te sporen
-> normal is dit geen probleem: de accuraatheid voor blanke mensen ligt veel hoger dan die
voor zwarte mensen (zwarte mensen zitten foutief in de database)
-> werkt het best voor blanke mannen > blanke vrouwen > zwarte mannen > zwarte vrouwen
2. Legaal systeem
-> COMPAS: dossiers waar het risico wordt berekend wat de kans is dat een persoon binnen
2 jaar kan hervallen of iets slecht kan doen
-> systeem werkt niet goed: blanke mensen (ookal is het algoritme niet gebasseerd op
huidskleur)
3. Feedback loops in recommenders
-> echo chamber: de interesse van de gebruiker wordt positief of negatief versterkt door
herhaalde blootstelling
-> filter bubble: recommender systemen selecteren beperkte inhoud om gebruikers online te
bedienen
-> youtube en flat earthers: theorieën de worden gepubliceerd op youtube
Optimaliseren voor tevredenheid (ratings) vs optimaliseren over betrokkenheid (views)
4. Fake news voor politiek aanzien
-> in rusland is er een troll factory van 1000 medewerkers die fake news verspreiden
-> bij de verkiezing in amerika werd ook fake news verspreid
-> een fake website maken
-> als je een paar seconden spreekt bij een voice style transfer -> deep fake (alles laten
zeggen wat ze willen)
5. Gender bias in NLP
-> stuk tekst geven aan een model, de rest van de tekst is door het model gecreërd
-> absurde zaken die het gevolg zijn van absurde data
-> word2Vec: de afstand tussen woorden bepaald hoe hard ze zijn verwant met elkaar
Horizontaal: he/she -> hoe hard woorden aan mannen/vrouwen zijn gerelateerd
DEEL 1
1. Events: wat ben je aan het doen ?
Bv. rijden in de auto, lopen, op openbaar vervoer
2. Moments: waarom ben je dat aan het doen?
Bv. je gaat naar de winkel en daarom zit je in de auto
-> shopping, work, sport
3. Segments: wie ben je?
Bv. sociaal, heb je kinderen, sport je
AI data wordt gecombineerd met behavioral psychologist
Combineren van behavioral change techniques (goals, planning, monitoring, feedback) met
psychologische factoren
-> afstemmen op individu
AI
Wat is AI niet:
-> ‘doing business in an ethical manner’ (company values, legislation)
-> ethiek en moraliteit om AGI te creëren
Wat is het wel:
Je start bij een hoop data -> algoritme genereren -> algoritmes maken op een ethische manier
, Technisch veld dat impact heeft op:
Keuze van classificatiealgoritmen
Keuze van gegevensverwerkingstechnieken
WAAROM AI?
5 voorbeeld cases
1. Surveillance and tracking
-> NYPD is bezig met opbouw van gang database: dieven tracken
-> south wales police: face recognition om trouble makers op te sporen
-> normal is dit geen probleem: de accuraatheid voor blanke mensen ligt veel hoger dan die
voor zwarte mensen (zwarte mensen zitten foutief in de database)
-> werkt het best voor blanke mannen > blanke vrouwen > zwarte mannen > zwarte vrouwen
2. Legaal systeem
-> COMPAS: dossiers waar het risico wordt berekend wat de kans is dat een persoon binnen
2 jaar kan hervallen of iets slecht kan doen
-> systeem werkt niet goed: blanke mensen (ookal is het algoritme niet gebasseerd op
huidskleur)
3. Feedback loops in recommenders
-> echo chamber: de interesse van de gebruiker wordt positief of negatief versterkt door
herhaalde blootstelling
-> filter bubble: recommender systemen selecteren beperkte inhoud om gebruikers online te
bedienen
-> youtube en flat earthers: theorieën de worden gepubliceerd op youtube
Optimaliseren voor tevredenheid (ratings) vs optimaliseren over betrokkenheid (views)
4. Fake news voor politiek aanzien
-> in rusland is er een troll factory van 1000 medewerkers die fake news verspreiden
-> bij de verkiezing in amerika werd ook fake news verspreid
-> een fake website maken
-> als je een paar seconden spreekt bij een voice style transfer -> deep fake (alles laten
zeggen wat ze willen)
5. Gender bias in NLP
-> stuk tekst geven aan een model, de rest van de tekst is door het model gecreërd
-> absurde zaken die het gevolg zijn van absurde data
-> word2Vec: de afstand tussen woorden bepaald hoe hard ze zijn verwant met elkaar
Horizontaal: he/she -> hoe hard woorden aan mannen/vrouwen zijn gerelateerd
