AI VOOR IEDEREEN
Examen: open en gesloten vragen => 27 mei donderdag
INLEIDENDE LES/GESCHIEDENIS VAN AI
Sociale media, opzoeken op google, autocorrectie, spamfilterdetectie => allemaal AI, dus niet
alleen Chatgpt
- Als we iets vaak gebruiken zien we het niet meer speciaal en niet meer als AI :
perceptie verschuift
- Grens van mensentaak en computertaak verschuift = moving goalpost
-> als een computer het kan dan is het vaak niet meer intelligent, steeds meer wordt
alles gezien als computertaak
-> = de doelpalen van "wat is intelligentie" worden steeds verplaatst
- Bv. Schaken werd gezien als intelligentie maar nu gewoon als iets waar computers
goed in zijn -> Deep Blue versloeg in 1997 wereldkampioen Garry Kasparov
- Waar gaat het eindigen? Intelligente jobs, emoties,… zijn ze in gedrang?
WAT IS AI?
Klassieke definitie = machines die gedrag vertonen dat we intelligent zouden vinden als een
mens het zou doen
-> maar deze definitie is tijdsgebonden : zie moving goalpost
Onderzoeksveld definitie = de studie van agenten die waarnemingen doen in hun omgeving
en acties ondernemen om doelen te bereiken
- Omgeving: kan echte fysieke omgeving zijn, maar ook computeromgeving, databank,
een puzzel ...
- Waarneming: iets zien/visuele input, een tekst, invoer van de gebruiker,…
- Acties die ze terugdoet: een zoekresultaat, iets produceren, fysieke bewegingen,…
AI-systeem
= een agent die met een doel handelt op basis van waarnemingen, en (soms) leert van data
en ervaring (eenvoudige definitie)
= een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus
van autonomie te werken en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen
input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of
beslissingen. (EU AI Act definitie)
SUBVELDEN VAN AI : 3 PARADIGMA’S /
GOLVEN (DIE IN DE GESCHIEDENIS OP ELKAAR
VOLGDEN)
Symbolische methoden (1950-1980):
= gebruiken symbolen en regels om
problemen op te lossen
bv. planning, kortste paden in een GPS,
schaakcomputers
Statistische modellen (1980-2010)
= kansmodellen (niet met vaste regels zoals symbolische AI)
bv. Spraakherkenning met Markov-modellen om sequenties en tijdreeksen te
1
, analyseren.
bv. Classificatie van nieuwe data met een zekere betrouwbaarheid, bijvoorbeeld met
beslissingsbomen die geleerde regels uit data toepassen
Neurale netwerken / Deep learning (2010 – nu) :
= connectionistische modellen die patronen leren uit enorme datasets
(invoerlagen, verborgen lagen, uitvoerlaag)
bv. patroonherkenning in complexe data met deep learning netwerken
bv. Natuurlijke taalverwerking met modellen zoals Chatgpt
-> GPT training zijn hiermee gebouwd (miljarden neuronen) : zijn getraind op het hele
internet, het trainingsproces van een paar miljoen dollar
-> GPT modellen: voorspellingen over volgende woorden door te kijken naar het hele
internet
MACHINE LEARNING:
Niet expliciet programmeren maar we laten de computer zelf leren uit voorbeelden van
een dataset
Het bevat de neurale netwerken
Traditionele programmering : je geeft aan een computeromgeving de invoer en de
programmaregels die je op die invoer wil laten uitvoeren ó machine learning: je geeft
voorbeelden van invoer en laat het zelf de programmaregels leren
Een model = een functie = geleerde regels => met dat model kan het dan later zelf
de juiste antwoorden geven
Voor veel problemen onmogelijk om handmatig expliciete regels te schrijven dus ML
gebruiken om dit automatisch te leren uit data (bv. gezichtsherkenning)
Het leerproces:
= het vinden van de beste functie om voor jouw specifieke taak de juiste invoer te benaderen
= minimaliseren van een verliesfunctie
f(invoer) → antwoorden
- Invoer = de data die het systeem krijgt (bv. foto, tekst, …)
- Antwoorden = gewenste resultaat => kunnen verschillende soorten output zijn:
o Gesuperviseerd leren = met labels bij de voorbeelden
o Ongesuperviseerd leren = zonder labels
o Reinforcement learning = met beloningen voor reeksen van acties
- Functie f = het model dat deze transformatie uitvoert
Verschillende vormen:
o Beslissingsboom: komt stap voor stap tot een conclusie
o Neuraal netwerk: met miljoenen parameters
o Lineaire regressie: trekt een rechte lijn door datapunten
- Evaluatiecriterium = de verliesfunctie die bepaalt wat fout of juist is zodat het model
hiervan kan leren
o Voor classificatieproblemen: de nauwkeurigheid, het % correcte voorspellingen
o Voor regressieproblemen: de gemiddelde kwadratische fout, hoe ver de
voorspellingen van de werkelijke waarden afwijken
GESCHIEDENIS
2
,1950S: DE GEBOORTE VAN HET VAKGEBIED
Begonnen 1949 (zeer gelovig) :
- Alan Turing: “Kunnen machines denken?” -> controversiële vraag: in die tijd zelf dieren
konden niet denken, hoe kunnen we weten of iets denkt?
- Test om intelligentie te testen = Turing test (Imitation Game: computer gevraagd
om mens te imiteren)
o Ondervrager die een vraag stelt aan ofwel een machine of aan een mens ->
ondervrager moet raden van wie hij een antwoord kreeg
o Zo kunnen ze meten hoe intelligent een machine concreet overkomt
Term “Artificial Intelligence”: 1955
- Voor het Dartmouth Summer Research Project
- De volgende hypothese stelden ze: Elk aspect van leren en elk ander kenmerk van
intelligentie kan in principe zo precies beschreven worden dat een machine gemaakt
kan worden om het te simuleren
1954 : eerste vertaalsysteem (IBM) -> begin van computationele taalkunde
1958: eerste perceptron = een vroege vorm van een neuraal netwerk -> kon eenvoudige
patronen in data herkennen zoals het onderscheiden van letters
1960S: EERSTE AI-TOEPASSINGEN
1964 : Eliza -> psycholoog nabootsen, chatbot die al zeer realistisch was
- Door Joseph Weizenbaum
- Het is een regelgebaseerd systeem dat bepaalde woorden in je meest recente bericht
herkent en antwoorden genereert door delen van je zin binnen bepaalde vaste
patronen te herhalen of parafraseren
- Eliza-effect = de tendens van mensen om menselijke eigenschappen toe te kennen aan
computers
- Antropomorfisme = het toekennen van menselijke eigenschappen aan niet-menselijke
wezens of voorwerpen (bv. je denkt dat je hond zich schuldig voelt na iets kapot
maken, maar een hond kan zich niet schuldig voelen)
1961: the thinking machine -> schaken tegen een computer
1966 : shakey the robot door SRI international
- eerste mobiele intelligentie die redeneren en fysiek handelen combineerde
- legde de fundamenten voor robotica en geïntegreerde AI-systemen door onder andere
het uitvinden van zoekalgoritmen die nog altijd in elke GPS gebruikt worden
1970 : DE EERSTE AI-WINTER
AI-zomers: extreme optimisme ó AI-winter : desillusie en stagnatie
AI- winter tegen het einde van de jaren 70 – midden jaren 80 :
- sterke afname in de onderzoeksfinanciering voor AI => R? geboekte vooruitgang bleef
onder de verwachting
- AI winter en hypes: eerst heeft optimisme -> onder verwachting -> minder fondsen
door pessimisme die ontstaat -> minder onderzoek -> meer pessimisme -> …
3
, - Wordt onderbroken door een nieuwe innovatie
- Techno-optimisme: dat mensen denken dat technologie heel snel geïmplementeerd
zullen zijn of gerealiseerd zullen zijn -> na elke grote doorbraak volgen overdreven
verwachtingen. Als deze niet waargemaakt worden, droogt financiering op en vertraagt
vooruitgang
1980: DE OPKOMST VAN MACHINE LEARNING
1986: herontdekking van backpropagatie
= een algoritme om neurale netwerken efficiënt te trainen
1990: verschuiving van symbolische AI naar statistische methoden
2010S: DE DEEP LEARNING REVOLUTIE
Drie factoren kwamen samen waardoor deep learning opkwam:
1. Big Data: Het internet genereerde ongekende hoeveelheden data
2. Rekenkracht: GPU's (oorspronkelijk voor gaming) bleken perfect voor het trainen van
neurale netwerken
3. Algoritmische verbeteringen: Nieuwe architecturen en trainingstechnieken
2012: AlexNet -> herkennen van objecten in foto’s
2016: AlphaGo
- het bordspel Go: meer combinaties dan schaken, zeer moeilijk voor een computer om
dit allemaal in kaart te brengen
- dit algoritme kan het toch (het combineert leren : neuraal netwerk geleerd op eerdere
spellen + redeneren : spelboom) => zo verschoof opnieuw te grens
2017-HEDEN: DE TRANSFORMER REVOLUTIE
Transformer model:
- door Google
- mogelijk om veel efficiënter met sequenties (zoals tekst) om te gaan
- taalmodellen konden vanaf nu over het hele internet leren
2022: Chatgpt -> de echte grote doorbraak van dit soort taalmodellen
- een krachtig AI-systeem toegankelijk voor iedereen via een simpele chat-interface
- nu met generatieve AI in mogelijk de grootste AI-zomer ooit
HYPECYCLUS
De Gartner Hype Cycle = model om
technologie-adoptie te beschrijven, het
beschrijft hoe technologieën typisch vijf
fasen doorlopen en hoe de verwachtingen
van de maatschappij over deze
technologieën in elke fase fluctueren
De fasen:
4
Examen: open en gesloten vragen => 27 mei donderdag
INLEIDENDE LES/GESCHIEDENIS VAN AI
Sociale media, opzoeken op google, autocorrectie, spamfilterdetectie => allemaal AI, dus niet
alleen Chatgpt
- Als we iets vaak gebruiken zien we het niet meer speciaal en niet meer als AI :
perceptie verschuift
- Grens van mensentaak en computertaak verschuift = moving goalpost
-> als een computer het kan dan is het vaak niet meer intelligent, steeds meer wordt
alles gezien als computertaak
-> = de doelpalen van "wat is intelligentie" worden steeds verplaatst
- Bv. Schaken werd gezien als intelligentie maar nu gewoon als iets waar computers
goed in zijn -> Deep Blue versloeg in 1997 wereldkampioen Garry Kasparov
- Waar gaat het eindigen? Intelligente jobs, emoties,… zijn ze in gedrang?
WAT IS AI?
Klassieke definitie = machines die gedrag vertonen dat we intelligent zouden vinden als een
mens het zou doen
-> maar deze definitie is tijdsgebonden : zie moving goalpost
Onderzoeksveld definitie = de studie van agenten die waarnemingen doen in hun omgeving
en acties ondernemen om doelen te bereiken
- Omgeving: kan echte fysieke omgeving zijn, maar ook computeromgeving, databank,
een puzzel ...
- Waarneming: iets zien/visuele input, een tekst, invoer van de gebruiker,…
- Acties die ze terugdoet: een zoekresultaat, iets produceren, fysieke bewegingen,…
AI-systeem
= een agent die met een doel handelt op basis van waarnemingen, en (soms) leert van data
en ervaring (eenvoudige definitie)
= een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus
van autonomie te werken en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen
input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of
beslissingen. (EU AI Act definitie)
SUBVELDEN VAN AI : 3 PARADIGMA’S /
GOLVEN (DIE IN DE GESCHIEDENIS OP ELKAAR
VOLGDEN)
Symbolische methoden (1950-1980):
= gebruiken symbolen en regels om
problemen op te lossen
bv. planning, kortste paden in een GPS,
schaakcomputers
Statistische modellen (1980-2010)
= kansmodellen (niet met vaste regels zoals symbolische AI)
bv. Spraakherkenning met Markov-modellen om sequenties en tijdreeksen te
1
, analyseren.
bv. Classificatie van nieuwe data met een zekere betrouwbaarheid, bijvoorbeeld met
beslissingsbomen die geleerde regels uit data toepassen
Neurale netwerken / Deep learning (2010 – nu) :
= connectionistische modellen die patronen leren uit enorme datasets
(invoerlagen, verborgen lagen, uitvoerlaag)
bv. patroonherkenning in complexe data met deep learning netwerken
bv. Natuurlijke taalverwerking met modellen zoals Chatgpt
-> GPT training zijn hiermee gebouwd (miljarden neuronen) : zijn getraind op het hele
internet, het trainingsproces van een paar miljoen dollar
-> GPT modellen: voorspellingen over volgende woorden door te kijken naar het hele
internet
MACHINE LEARNING:
Niet expliciet programmeren maar we laten de computer zelf leren uit voorbeelden van
een dataset
Het bevat de neurale netwerken
Traditionele programmering : je geeft aan een computeromgeving de invoer en de
programmaregels die je op die invoer wil laten uitvoeren ó machine learning: je geeft
voorbeelden van invoer en laat het zelf de programmaregels leren
Een model = een functie = geleerde regels => met dat model kan het dan later zelf
de juiste antwoorden geven
Voor veel problemen onmogelijk om handmatig expliciete regels te schrijven dus ML
gebruiken om dit automatisch te leren uit data (bv. gezichtsherkenning)
Het leerproces:
= het vinden van de beste functie om voor jouw specifieke taak de juiste invoer te benaderen
= minimaliseren van een verliesfunctie
f(invoer) → antwoorden
- Invoer = de data die het systeem krijgt (bv. foto, tekst, …)
- Antwoorden = gewenste resultaat => kunnen verschillende soorten output zijn:
o Gesuperviseerd leren = met labels bij de voorbeelden
o Ongesuperviseerd leren = zonder labels
o Reinforcement learning = met beloningen voor reeksen van acties
- Functie f = het model dat deze transformatie uitvoert
Verschillende vormen:
o Beslissingsboom: komt stap voor stap tot een conclusie
o Neuraal netwerk: met miljoenen parameters
o Lineaire regressie: trekt een rechte lijn door datapunten
- Evaluatiecriterium = de verliesfunctie die bepaalt wat fout of juist is zodat het model
hiervan kan leren
o Voor classificatieproblemen: de nauwkeurigheid, het % correcte voorspellingen
o Voor regressieproblemen: de gemiddelde kwadratische fout, hoe ver de
voorspellingen van de werkelijke waarden afwijken
GESCHIEDENIS
2
,1950S: DE GEBOORTE VAN HET VAKGEBIED
Begonnen 1949 (zeer gelovig) :
- Alan Turing: “Kunnen machines denken?” -> controversiële vraag: in die tijd zelf dieren
konden niet denken, hoe kunnen we weten of iets denkt?
- Test om intelligentie te testen = Turing test (Imitation Game: computer gevraagd
om mens te imiteren)
o Ondervrager die een vraag stelt aan ofwel een machine of aan een mens ->
ondervrager moet raden van wie hij een antwoord kreeg
o Zo kunnen ze meten hoe intelligent een machine concreet overkomt
Term “Artificial Intelligence”: 1955
- Voor het Dartmouth Summer Research Project
- De volgende hypothese stelden ze: Elk aspect van leren en elk ander kenmerk van
intelligentie kan in principe zo precies beschreven worden dat een machine gemaakt
kan worden om het te simuleren
1954 : eerste vertaalsysteem (IBM) -> begin van computationele taalkunde
1958: eerste perceptron = een vroege vorm van een neuraal netwerk -> kon eenvoudige
patronen in data herkennen zoals het onderscheiden van letters
1960S: EERSTE AI-TOEPASSINGEN
1964 : Eliza -> psycholoog nabootsen, chatbot die al zeer realistisch was
- Door Joseph Weizenbaum
- Het is een regelgebaseerd systeem dat bepaalde woorden in je meest recente bericht
herkent en antwoorden genereert door delen van je zin binnen bepaalde vaste
patronen te herhalen of parafraseren
- Eliza-effect = de tendens van mensen om menselijke eigenschappen toe te kennen aan
computers
- Antropomorfisme = het toekennen van menselijke eigenschappen aan niet-menselijke
wezens of voorwerpen (bv. je denkt dat je hond zich schuldig voelt na iets kapot
maken, maar een hond kan zich niet schuldig voelen)
1961: the thinking machine -> schaken tegen een computer
1966 : shakey the robot door SRI international
- eerste mobiele intelligentie die redeneren en fysiek handelen combineerde
- legde de fundamenten voor robotica en geïntegreerde AI-systemen door onder andere
het uitvinden van zoekalgoritmen die nog altijd in elke GPS gebruikt worden
1970 : DE EERSTE AI-WINTER
AI-zomers: extreme optimisme ó AI-winter : desillusie en stagnatie
AI- winter tegen het einde van de jaren 70 – midden jaren 80 :
- sterke afname in de onderzoeksfinanciering voor AI => R? geboekte vooruitgang bleef
onder de verwachting
- AI winter en hypes: eerst heeft optimisme -> onder verwachting -> minder fondsen
door pessimisme die ontstaat -> minder onderzoek -> meer pessimisme -> …
3
, - Wordt onderbroken door een nieuwe innovatie
- Techno-optimisme: dat mensen denken dat technologie heel snel geïmplementeerd
zullen zijn of gerealiseerd zullen zijn -> na elke grote doorbraak volgen overdreven
verwachtingen. Als deze niet waargemaakt worden, droogt financiering op en vertraagt
vooruitgang
1980: DE OPKOMST VAN MACHINE LEARNING
1986: herontdekking van backpropagatie
= een algoritme om neurale netwerken efficiënt te trainen
1990: verschuiving van symbolische AI naar statistische methoden
2010S: DE DEEP LEARNING REVOLUTIE
Drie factoren kwamen samen waardoor deep learning opkwam:
1. Big Data: Het internet genereerde ongekende hoeveelheden data
2. Rekenkracht: GPU's (oorspronkelijk voor gaming) bleken perfect voor het trainen van
neurale netwerken
3. Algoritmische verbeteringen: Nieuwe architecturen en trainingstechnieken
2012: AlexNet -> herkennen van objecten in foto’s
2016: AlphaGo
- het bordspel Go: meer combinaties dan schaken, zeer moeilijk voor een computer om
dit allemaal in kaart te brengen
- dit algoritme kan het toch (het combineert leren : neuraal netwerk geleerd op eerdere
spellen + redeneren : spelboom) => zo verschoof opnieuw te grens
2017-HEDEN: DE TRANSFORMER REVOLUTIE
Transformer model:
- door Google
- mogelijk om veel efficiënter met sequenties (zoals tekst) om te gaan
- taalmodellen konden vanaf nu over het hele internet leren
2022: Chatgpt -> de echte grote doorbraak van dit soort taalmodellen
- een krachtig AI-systeem toegankelijk voor iedereen via een simpele chat-interface
- nu met generatieve AI in mogelijk de grootste AI-zomer ooit
HYPECYCLUS
De Gartner Hype Cycle = model om
technologie-adoptie te beschrijven, het
beschrijft hoe technologieën typisch vijf
fasen doorlopen en hoe de verwachtingen
van de maatschappij over deze
technologieën in elke fase fluctueren
De fasen:
4
