AI: maatschappelijke uitdagingen
Les 1: Inleiding AI
A short history of artificial intelligence
- 1950: Beginpunt van AI – Turing test
o Na WO -> computers hebben zich bewezen door kraken van
enigma code.
o Turing test = test om na te gaan of computers menselijke
intelligentie konden benaderen.
Deelnemers communiceerden elektronisch met ofwel
mens, ofwel computer
A.d.h.v. de antwoorden afleiden met wie je communiceert
o Vroeger makkelijk, nu moeilijker (door AI)
o Vroeger alleen met toetsenbord, nu ook met spraak
- 1956: Perceptron
o Menselijk brein namaken in computer -> eerst biologisch kijken
en dan machinale kopij maken (Rosenblatt).
o Een perceptron = het equivalent van één hersencel.
Kan gaten in een ponskaart lokaliseren (patronen
herkennen)
Eerste algoritme dat niet volledig geprogrammeerd wordt
Algoritme -> geleerd door de machine a.d.h.v.
feedback/reïnforcement -> stappenplan wordt stap voor
stap intern geprogrammeerd
Correct signaal -> verbindingen versterken
Fout signaal -> verbindingen verzwakken
o Originele doel -> meer te weten komen over menselijk biologisch
leren (als het leren werkt met de computer, zal het bij de mens
ook wel zo werken)
- 1960: Eliza
o Eliza = eerste chatbot, gebaseerd op geprogrammeerde
regels.
o Programma pikt patronen op en vult aan.
1
,- 70’s AI winter
o AI winter = funding voor AI-gerelateerd onderzoek werd
teruggeschroefd -> minder vooruitgang.
- 80’s Expert systems
o Zoals Eliza, nog niet helemaal intelligent (AI)
o Expert system = een intelligent computersysteem dat
met behulp van een databank met kennis en een
redeneermodule beslissingen neemt of adviezen geeft
zoals een menselijke expert dat zou doen binnen een
specifiek domein.
Afhankelijk van je vraag komt een antwoord uit de
database
OF het systeem stelt jou vragen om met een ingebouwde
beslissingsboom adviezen te geven (bv.: om ziekte te
diagnosticeren)
o Moeilijkheid = niet alle regels gelden altijd en met 100%
zekerheid
- 90’s Machine learning
o Boom in AI -> 2 leerparadigma’s
2
, Supervised learning = voorspellingen maken a.d.h.v.
een hele hoop gelabelde voorbeelden.
Voorbeeld muffins & chihuahua’s
Nodig?
o Beelden
o Labels (= bottleneck, want labelen duurt lang)
Leidt tot een algoritme (= stapsgewijze procedure tot
een goed model) -> computer zal zelf het patroon-
herkennende algoritme programmeren a.d.h.v.
meetbare karakteristieken.
Learning models by optimizing -> model verfijnen
door nieuwe data toe te voegen.
Reinforcement learning = door observatie van de
omgeving bijleren.
Probleem met supervised learning
o Heel veel data nodig -> maar is niet altijd ter
beschikking
o Duidelijke labels nodig -> maar veel problemen
hebben geen duidelijke 0/1 labels.
Voorbeeld chatbots passen zich aan om gesprek zo
lang mogelijk te doen duren.
3
, Model wordt verfijnd op basis van de reactie die de
actie van de machine heeft uitgelokt.
o Reward
o Penalty
o Wat is het verschil tussen de twee?
S.L. -> machine berekent/leert eerst heel het model met de
data. Dan stopt de machine met leren.
R.L. -> machine leert tijdens de actie door het resultaat de
beoordelen (reward/penalty?)
- 1997: Deep blue
o Schaken -> deep blue (AI) verslaat Kasparov (grootmeester)
o Niet door brute force (rekenkracht) -> kan maar 10 posities
vooruit rekenen.
o Maar door neuraal netwerk getraind op rekening houden met
voordelige bordposities.
- 2011: Watson
o Watson = AI dat spelletje Jeopardy won
4
Les 1: Inleiding AI
A short history of artificial intelligence
- 1950: Beginpunt van AI – Turing test
o Na WO -> computers hebben zich bewezen door kraken van
enigma code.
o Turing test = test om na te gaan of computers menselijke
intelligentie konden benaderen.
Deelnemers communiceerden elektronisch met ofwel
mens, ofwel computer
A.d.h.v. de antwoorden afleiden met wie je communiceert
o Vroeger makkelijk, nu moeilijker (door AI)
o Vroeger alleen met toetsenbord, nu ook met spraak
- 1956: Perceptron
o Menselijk brein namaken in computer -> eerst biologisch kijken
en dan machinale kopij maken (Rosenblatt).
o Een perceptron = het equivalent van één hersencel.
Kan gaten in een ponskaart lokaliseren (patronen
herkennen)
Eerste algoritme dat niet volledig geprogrammeerd wordt
Algoritme -> geleerd door de machine a.d.h.v.
feedback/reïnforcement -> stappenplan wordt stap voor
stap intern geprogrammeerd
Correct signaal -> verbindingen versterken
Fout signaal -> verbindingen verzwakken
o Originele doel -> meer te weten komen over menselijk biologisch
leren (als het leren werkt met de computer, zal het bij de mens
ook wel zo werken)
- 1960: Eliza
o Eliza = eerste chatbot, gebaseerd op geprogrammeerde
regels.
o Programma pikt patronen op en vult aan.
1
,- 70’s AI winter
o AI winter = funding voor AI-gerelateerd onderzoek werd
teruggeschroefd -> minder vooruitgang.
- 80’s Expert systems
o Zoals Eliza, nog niet helemaal intelligent (AI)
o Expert system = een intelligent computersysteem dat
met behulp van een databank met kennis en een
redeneermodule beslissingen neemt of adviezen geeft
zoals een menselijke expert dat zou doen binnen een
specifiek domein.
Afhankelijk van je vraag komt een antwoord uit de
database
OF het systeem stelt jou vragen om met een ingebouwde
beslissingsboom adviezen te geven (bv.: om ziekte te
diagnosticeren)
o Moeilijkheid = niet alle regels gelden altijd en met 100%
zekerheid
- 90’s Machine learning
o Boom in AI -> 2 leerparadigma’s
2
, Supervised learning = voorspellingen maken a.d.h.v.
een hele hoop gelabelde voorbeelden.
Voorbeeld muffins & chihuahua’s
Nodig?
o Beelden
o Labels (= bottleneck, want labelen duurt lang)
Leidt tot een algoritme (= stapsgewijze procedure tot
een goed model) -> computer zal zelf het patroon-
herkennende algoritme programmeren a.d.h.v.
meetbare karakteristieken.
Learning models by optimizing -> model verfijnen
door nieuwe data toe te voegen.
Reinforcement learning = door observatie van de
omgeving bijleren.
Probleem met supervised learning
o Heel veel data nodig -> maar is niet altijd ter
beschikking
o Duidelijke labels nodig -> maar veel problemen
hebben geen duidelijke 0/1 labels.
Voorbeeld chatbots passen zich aan om gesprek zo
lang mogelijk te doen duren.
3
, Model wordt verfijnd op basis van de reactie die de
actie van de machine heeft uitgelokt.
o Reward
o Penalty
o Wat is het verschil tussen de twee?
S.L. -> machine berekent/leert eerst heel het model met de
data. Dan stopt de machine met leren.
R.L. -> machine leert tijdens de actie door het resultaat de
beoordelen (reward/penalty?)
- 1997: Deep blue
o Schaken -> deep blue (AI) verslaat Kasparov (grootmeester)
o Niet door brute force (rekenkracht) -> kan maar 10 posities
vooruit rekenen.
o Maar door neuraal netwerk getraind op rekening houden met
voordelige bordposities.
- 2011: Watson
o Watson = AI dat spelletje Jeopardy won
4
