Samenvatting Tools & AI

Tools & AI in communicatie
Les 1: Inleiding
Achtergrondartikel: Getchell

Terminologie
Artificiële intelligentie
 = kunstmatige intelligentie
 Intelligentie vertoond door machines
 AI = repliceren/nabootsen van menselijke intelligentie
o Kunnen in zekere mate menselijke vaardigheden vertonen (leren, redeneren,
creëren)
o Voorbeelden van menselijke taken?
 Chatbots: taal lezen, begrijpen en schrijven zoals een mens
 Tumor opsporen op een radiografie: medische beelden interpreteren
zoals een radioloog
 Geschreven tekst omzetten in gesproken taal: taal lezen en uitspreken
zoals een mens
o Verschil met gewoon computerprogramma?
  bij AI zal het systeem zelf volledig leren hoe een taak uit te voeren
(= autonoom)
 >< programmeur gaat zelf regels bepalen, stap voor stap bepalen wat
een systeem moet doen
 Praktisch: computersystemen die taken kunnen oplossen waarvoor normaal
menselijke intelligentie nodig is
 Twee categorieën
o Artificiële algemene intelligentie
 Gelijkend aan menselijke intelligentie
 1 systeem kan meerdere taken uitvoeren en vanzelf task-switchen
 Voorbeeld: robot die van taal kan vertrekken en zo een vraagstuk kan
oplossen; robot die zelf een ikeakastje kan ineenvijzen…
o Artificiële enge intelligentie
 Beperkt tot enge, voorafbepaalde taak
 AI kan hier niet van afwijken
 Geen task-switching
 Vaak accurater / beter in deze precieze taak
 Voorbeeld: detector plagiaat
 AI = overkoepelende technische term
o Machine learning
 Machine learning gaat ook een menselijke taak leren en overnemen,
maar het is een ander soort model (= een statistisch model)
  Dus als er geen neuraal netwerk is, spreken we van machine
learning
o Neurale netwerken en deep learning
 Deep learning = gaat over neurale netwerken

1

, o Natural language processing
o …

AI: machine learning
 Tak van AI
 Methode
 Modellen die leren uit data  data gebaseerd
 Patroonherkenning via statistische methodes

Hoe leert de machine?
 Input:
o Trainingdata (voorbeelden met juiste antwoorden)
 Verwerking:
o Machine leert patronen en regels herkennen in trainingdata, via
wiskundige/statistische algoritmes
 Output:
o Machine past die aangeleerde patronen en regels toe op ongeziene data en
voorspelt zo antwoorden

Voorbeeld: beeldherkenning
 Bv. Automatische personen ‘taggen’ op sociale media

AI: neutrale netwerken en deep learning
 Tak van AI
 Methode
 Modellen die “leren” uit data  datagebaseerd
o Minder afhankelijk van menselijke interventie
 Patroonherkenning via ‘neurale’ netwerkstructuren
o  geïnspireerd op biologische neurale netwerken (bv. brein)
o  in AI: artificiële neurale netwerken
 Netwerk van nodes/knopen die met elkaar in verbinding staan
 Netwerk heeft verschillende lagen
o Inputlaag
o Verborgen laag (1 of meer)
o Outputlaag
 Drie lagen = basic neuraal netwerk
 meer dan drie lagen = deep learning / deep neural network

Voorbeeld van een netwerk (simpele voorstelling)

 In het begin: willekeurig (een neuraal netwerk kan dan nog niets)
 Gaat in het begin voorspellingen doen en op basis daarvan ga je via
formules terug feedback geven op het neurale netwerk zelf

 Hoe dikker de pijl, hoe sterker het gewicht, hoe belangrijker  zo kom
je tot voorspelling


2

,  Getallen tussen 0 en 1
o Bv. 0 = kat, 1 = hond

Voorbeeld van een netwerk (complexe voorstelling)


Hoe leert zo’n neuraal netwerk?
 Input:
o Trainingdata (voorbeelden met juiste antwoorden)
 Verwerking:
o Verschillende nodes en paden worden geactiveerd. De sterktes van de
verbindingen tussen nodes wordt stelselmatig aangepast tot het resultaat in
de outputlaag zo goed mogelijk wordt.
 Output:
o Machine kan het juiste pad in het netwerk doorlopen en zo voor ongeziene
data een antwoord voorspellen

Voorbeeld: spraakherkenning
 Bv. Spraakberichten op smartphone omzetten naar tekstberichten
 Bv. zelfrijdende auto’s
o Hebben veel voorbeelden nodig van verkeerslichten, auto’s, objecten
herkennen op de baan
 Bv. testen of je een robot bent (captcha)

AI: Natural language processing
 = “natuurlijketaalverwerking”
 Tak van AI en taalkunde
 Onderzoeksdomein
 Toepassing van computertechnieken op de analyse van natuurlijke taal
 Praktisch: machine leert natuurlijke taal te begrijpen, manipuleren, creëren…
o Tekst en spraak
o Belangrijk: begrip van context en betekenis!
 Bv. ChatGPT

Text mining
 Tak van computertaalkunde en informatica
 Het “mijnen” naar waardevolle info in tekst
 A.d.h.v. IT-technieken
 Typisch toegepast op grote hoeveelheden tekst (big data)

Voorbeeld: informatie-extractie uit tweets
 Bv. Vaccinpraat (Clips, Uantwerpen)
  NLP en tekst mining een combinatie

AI in bedrijfscommunicatie
 Algemeen doel = Bedrijfscommunicatie efficiënter maken en verbeteren


3

, Functies
1/ Tools voor teamcommunicatie
 Wat?
o AI-software die assisteert bij teamcommunicatie (bv. vergaderingen)
 Doel?
o Communicatie binnen teams versterken
 Hoe?
o Bv. meeluisteren naar meetings en informatie aandragen
o Bv. meetingopnames analyseren en communicatieproblemen vaststellen
o Bv. meetingplatformen multimodaler maken
(gebaren registreren zoals applaus, opgestoken duim…)
 Concrete implementaties:
o Microsoft Teams & Zoom

2/Schrijfhulp
 = “augmented writing”
 Wat?
o AI-ondersteunde assistentie bij schrijven van teksten
 Hoe?
o Correcties
 Spelling, grammatica…
o Aanbevelingen
 Tekst aanvullen (autocomplete/autofill)
o Tekstgeneratie
 Nieuwe tekst creëren
 Concrete implementaties:
o Grammarly
 = schrijfhulp
o Textio
 = genereren van vacatures, meer diverse bedrijfscommunicatie
o (Chat)GPT
 = model voor tekstgeneratie, bv. nieuwsartikels, maar ook poëzie…

3/Spreekhulp
 Wat?
o AI-ondersteunde assistentie voor verbeteren mondelinge communicatie
 Hoe?
o Tools voor communicatietraining en -evaluatie
 Feedback over spreekstijl: intonatie, tempo, oogcontact…
 Concrete implicaties:
o PitchVantage
 Feedback over spreekstijl, oogcontact,..

4/Informatie-extractie uit tekst
 Wat?
o = informatie distilleren uit tekst
 Soorten informatie?
4