AI VOOR IEDEREEN
HOOFDSTUK 1 - INTRODUCTIE
INTRODUCTIE
🌍 AI IS OVERAL (EN ONZICHTBAAR)
AI is diep verweven met ons dagelijks leven, vaak zonder dat we het doorhebben. Alledaagse
voorbeelden zijn:
• Beveiliging: Gezichtsherkenning en vingerafdrukscanners.
• Entertainment: Algoritmes van TikTok, Netflix en Spotify.
• Tools: Google Maps, autocorrectie, spamfilters en automatische vertalingen.
🎯 DE VERSCHUIVENDE GRENS (MOVING GOALPOST)
Er bestaat een psychologisch fenomeen waarbij we een computertaak niet langer als "intelligent"
beschouwen zodra de technologie het onder de knie heeft. Wat vroeger baanbrekend was (zoals
schaken of routeplanning), zien we nu als "gewone software". Hierdoor verschuift de definitie van AI
voortdurend naarmate de technologie vordert.
📖 DRIE MANIEREN OM AI TE DEFINIËREN
Perspectief Kern van de definitie
Klassiek (Minsky) Artificiële Intelligentie (AI) is de wetenschap van machines
dingen te laten doen die intelligentie vereisen als ze door een
mens gedaan werden.
Technisch/Wetenschappelijk Artificiële Intelligentie (AI) is de studie van agenten die
Artificial Intelligence: a waarnemingen doen in hun omgeving en op basis daarvan
modern approach rationeel handelen: de best mogelijke acties ondernemen om
hun doelen te bereiken.
Juridisch (EU AI Act) Een AI-systeem is 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.
BELANGRIJKSTE BOUWSTENEN
Een modern AI-systeem werkt volgens een cyclus van:
• Waarneming: Input via tekst, sensoren of data.
• Omgeving: De context waarin het systeem opereert (fysiek of digitaal).
• Actie: De output, zoals het genereren van een tekst of het nemen van een beslissing.
Dit deel van de cursus bespreekt de technologische evolutie van AI en het fundamentele verschil
tussen klassiek programmeren en Machine Learning.
1
,🌊 DE DRIE GOLVEN VAN AI
De geschiedenis van AI wordt onderverdeeld in drie grote fasen, elk met een eigen focus:
Periode Stroming Kernconcept Voorbeelden
1950 – Symbolische AI Logica en expliciete regels Schaakcomputers, GPS,
1980 ("als dit, dan dat"). lesroosterplanners.
1980 – Statistische Kansen en onzekerheid Spraakherkenning, medische
2010 Modellen berekenen op basis van diagnoses (Bayes).
data.
2010 – nu Neurale Netwerken Patronen leren uit enorme ChatGPT (Transformers),
datasets (Deep Learning). beeldherkenning.
🎓 WAT IS MACHINE LEARNING (ML)?
Machine Learning is momenteel de belangrijkste tak van AI. Het grootste verschil met traditionele
software is de manier waarop de "regels" ontstaan:
• Traditioneel programmeren:
De mens schrijft de regels ® Computer voert ze uit op data ® Resultaat.
• Machine Learning:
De mens geeft data + antwoorden ® Computer leert zelf de regels (het model).
Kortom: ML is een vorm van automatisch programmeren. De computer zoekt zelf naar de beste
functie f(invoer) = antwoord.
🔄 HET LEERPROCES: OPTIMALISATIE
Het doel van ML is om de foutmarge zo klein mogelijk te maken. Dit gebeurt via:
1. Input: Bijvoorbeeld duizenden foto's van katten.
2. Verliesfunctie (Loss function): Een wiskundige maatstaf die berekent hoe "fout" het model zit.
3. Minimalisatie: Het systeem past zichzelf continu aan om de verliesfunctie te verkleinen en de
nauwkeurigheid te verhogen.
2
,Waarom ML?
Voor complexe taken, zoals het herkennen van een kat op een foto, is het onmogelijk voor een mens
om alle visuele regels (pixels, texturen, schaduwen) handmatig uit te schrijven. Technieken zoals
Grad-CAM laten zien dat AI zelf leert focussen op de belangrijkste kenmerken in een afbeelding om
tot een besluit te komen.
📜 GESCHIEDENIS
🌱 DE JAREN '50: HET FUNDAMENT
In deze periode ontstond AI als een formeel wetenschappelijk vakgebied.
• De Turingtest (1950): Alan Turing stelde voor om de vraag "kunnen machines denken?" te
vervangen door een praktische test. Een machine slaagt als een menselijke ondervrager via
tekstberichten niet kan onderscheiden of hij met een mens of een machine praat.
• Geboorte van de term (1955): Tijdens het Dartmouth-project werd de term "Artificial
Intelligence" voor het eerst gebruikt. Onderzoekers stelden dat elk aspect van intelligentie zo
precies beschreven kan worden dat een machine het kan simuleren.
• Vroege successen: Georgetown-IBM-experiment (1954): De eerste (beperkte)
vertaalmachine van Russisch naar Engels.
o Het Perceptron (1958): De allereerste vorm van een neuraal netwerk, geïnspireerd
door menselijke hersencellen.
💻 DE JAREN '60: EERSTE TOEPASSINGEN
• ELIZA (1964): De eerste chatbot. Hoewel ELIZA simpelweg tekstpatronen herhaalde, dichtten
mensen haar menselijke emoties toe. Dit leidde tot het ELIZA-effect: onze neiging om
menselijke eigenschappen aan computers toe te schrijven (antropomorfisme).
• Shakey the Robot (1966): De eerste robot die waarneming (camera) koppelde aan logisch
redeneren om fysieke taken uit te voeren.
❄ DE EERSTE AI-WINTER (1974–1980)
De enorme verwachtingen werden niet waargemaakt door de beperkte rekenkracht en het geheugen
van die tijd. Financiering werd stopgezet en het onderzoek stagneerde.
🌅 DE JAREN '80 & '90: DE OPKOMST VAN MACHINE LEARNING
Na de winter volgde een heropleving met nieuwe technieken:
• Expertsystemen: Software die de kennis van een menselijke expert in een specifiek domein
(zoals geneeskunde) nabootste via regels.
• Backpropagatie (1986): Een cruciaal wiskundig algoritme waardoor neurale netwerken
efficiënter konden leren.
• Deep Blue (1997): IBM's schaakcomputer versloeg wereldkampioen Garry Kasparov, wat
bewees dat machines mensen konden overtreffen in complexe strategische taken.
3
, 🚀 2010 – HEDEN: DE DEEP LEARNING-REVOLUTIE
Sinds 2010 is AI in een stroomversnelling geraakt door de combinatie van enorme hoeveelheden
data (internet), krachtige hardware (GPU's) en nieuwe algoritmen.
• AlexNet (2012): De grote doorbraak in beeldherkenning; AI begon beter te presteren dan
mensen in het herkennen van objecten.
• AlphaGo (2016): Versloeg de wereldkampioen in het complexe spel Go. Dit bewees dat AI
een vorm van "computationele intuïtie" kon ontwikkelen in plaats van enkel brute
rekenkracht te gebruiken.
• De Transformer (2017): Een nieuwe architectuur (uit de paper "Attention is All You Need")
die de basis vormde voor moderne taalmodellen.
• ChatGPT (2022): Maakte krachtige AI toegankelijk voor het grote publiek en werd een van de
snelst groeiende apps ooit.
TIJDLIJN
🎢 DE HYPECYCLUS: ZOMERS EN WINTERS
De geschiedenis van AI is geen rechte lijn omhoog, maar een cyclus van optimisme en teleurstelling.
Dit wordt beschreven door de Gartner Hype Cycle:
1. Technologietrigger: Een doorbraak vindt plaats.
2. Piek van overdreven verwachtingen: Men gelooft dat de techniek álles gaat oplossen
(huidige status van Generatieve AI).
3. Dal van desillusie: De beperkingen (zoals hallucinaties) worden pijnlijk duidelijk; de
financiering neemt af.
4. Helling van verlichting: Men ontdekt waar de technologie écht nuttig voor is.
5. Plateau van productiviteit: De technologie wordt mainstream en levert stabiele waarde (bv.
computervisie in medische beeldanalyse).
4
HOOFDSTUK 1 - INTRODUCTIE
INTRODUCTIE
🌍 AI IS OVERAL (EN ONZICHTBAAR)
AI is diep verweven met ons dagelijks leven, vaak zonder dat we het doorhebben. Alledaagse
voorbeelden zijn:
• Beveiliging: Gezichtsherkenning en vingerafdrukscanners.
• Entertainment: Algoritmes van TikTok, Netflix en Spotify.
• Tools: Google Maps, autocorrectie, spamfilters en automatische vertalingen.
🎯 DE VERSCHUIVENDE GRENS (MOVING GOALPOST)
Er bestaat een psychologisch fenomeen waarbij we een computertaak niet langer als "intelligent"
beschouwen zodra de technologie het onder de knie heeft. Wat vroeger baanbrekend was (zoals
schaken of routeplanning), zien we nu als "gewone software". Hierdoor verschuift de definitie van AI
voortdurend naarmate de technologie vordert.
📖 DRIE MANIEREN OM AI TE DEFINIËREN
Perspectief Kern van de definitie
Klassiek (Minsky) Artificiële Intelligentie (AI) is de wetenschap van machines
dingen te laten doen die intelligentie vereisen als ze door een
mens gedaan werden.
Technisch/Wetenschappelijk Artificiële Intelligentie (AI) is de studie van agenten die
Artificial Intelligence: a waarnemingen doen in hun omgeving en op basis daarvan
modern approach rationeel handelen: de best mogelijke acties ondernemen om
hun doelen te bereiken.
Juridisch (EU AI Act) Een AI-systeem is 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.
BELANGRIJKSTE BOUWSTENEN
Een modern AI-systeem werkt volgens een cyclus van:
• Waarneming: Input via tekst, sensoren of data.
• Omgeving: De context waarin het systeem opereert (fysiek of digitaal).
• Actie: De output, zoals het genereren van een tekst of het nemen van een beslissing.
Dit deel van de cursus bespreekt de technologische evolutie van AI en het fundamentele verschil
tussen klassiek programmeren en Machine Learning.
1
,🌊 DE DRIE GOLVEN VAN AI
De geschiedenis van AI wordt onderverdeeld in drie grote fasen, elk met een eigen focus:
Periode Stroming Kernconcept Voorbeelden
1950 – Symbolische AI Logica en expliciete regels Schaakcomputers, GPS,
1980 ("als dit, dan dat"). lesroosterplanners.
1980 – Statistische Kansen en onzekerheid Spraakherkenning, medische
2010 Modellen berekenen op basis van diagnoses (Bayes).
data.
2010 – nu Neurale Netwerken Patronen leren uit enorme ChatGPT (Transformers),
datasets (Deep Learning). beeldherkenning.
🎓 WAT IS MACHINE LEARNING (ML)?
Machine Learning is momenteel de belangrijkste tak van AI. Het grootste verschil met traditionele
software is de manier waarop de "regels" ontstaan:
• Traditioneel programmeren:
De mens schrijft de regels ® Computer voert ze uit op data ® Resultaat.
• Machine Learning:
De mens geeft data + antwoorden ® Computer leert zelf de regels (het model).
Kortom: ML is een vorm van automatisch programmeren. De computer zoekt zelf naar de beste
functie f(invoer) = antwoord.
🔄 HET LEERPROCES: OPTIMALISATIE
Het doel van ML is om de foutmarge zo klein mogelijk te maken. Dit gebeurt via:
1. Input: Bijvoorbeeld duizenden foto's van katten.
2. Verliesfunctie (Loss function): Een wiskundige maatstaf die berekent hoe "fout" het model zit.
3. Minimalisatie: Het systeem past zichzelf continu aan om de verliesfunctie te verkleinen en de
nauwkeurigheid te verhogen.
2
,Waarom ML?
Voor complexe taken, zoals het herkennen van een kat op een foto, is het onmogelijk voor een mens
om alle visuele regels (pixels, texturen, schaduwen) handmatig uit te schrijven. Technieken zoals
Grad-CAM laten zien dat AI zelf leert focussen op de belangrijkste kenmerken in een afbeelding om
tot een besluit te komen.
📜 GESCHIEDENIS
🌱 DE JAREN '50: HET FUNDAMENT
In deze periode ontstond AI als een formeel wetenschappelijk vakgebied.
• De Turingtest (1950): Alan Turing stelde voor om de vraag "kunnen machines denken?" te
vervangen door een praktische test. Een machine slaagt als een menselijke ondervrager via
tekstberichten niet kan onderscheiden of hij met een mens of een machine praat.
• Geboorte van de term (1955): Tijdens het Dartmouth-project werd de term "Artificial
Intelligence" voor het eerst gebruikt. Onderzoekers stelden dat elk aspect van intelligentie zo
precies beschreven kan worden dat een machine het kan simuleren.
• Vroege successen: Georgetown-IBM-experiment (1954): De eerste (beperkte)
vertaalmachine van Russisch naar Engels.
o Het Perceptron (1958): De allereerste vorm van een neuraal netwerk, geïnspireerd
door menselijke hersencellen.
💻 DE JAREN '60: EERSTE TOEPASSINGEN
• ELIZA (1964): De eerste chatbot. Hoewel ELIZA simpelweg tekstpatronen herhaalde, dichtten
mensen haar menselijke emoties toe. Dit leidde tot het ELIZA-effect: onze neiging om
menselijke eigenschappen aan computers toe te schrijven (antropomorfisme).
• Shakey the Robot (1966): De eerste robot die waarneming (camera) koppelde aan logisch
redeneren om fysieke taken uit te voeren.
❄ DE EERSTE AI-WINTER (1974–1980)
De enorme verwachtingen werden niet waargemaakt door de beperkte rekenkracht en het geheugen
van die tijd. Financiering werd stopgezet en het onderzoek stagneerde.
🌅 DE JAREN '80 & '90: DE OPKOMST VAN MACHINE LEARNING
Na de winter volgde een heropleving met nieuwe technieken:
• Expertsystemen: Software die de kennis van een menselijke expert in een specifiek domein
(zoals geneeskunde) nabootste via regels.
• Backpropagatie (1986): Een cruciaal wiskundig algoritme waardoor neurale netwerken
efficiënter konden leren.
• Deep Blue (1997): IBM's schaakcomputer versloeg wereldkampioen Garry Kasparov, wat
bewees dat machines mensen konden overtreffen in complexe strategische taken.
3
, 🚀 2010 – HEDEN: DE DEEP LEARNING-REVOLUTIE
Sinds 2010 is AI in een stroomversnelling geraakt door de combinatie van enorme hoeveelheden
data (internet), krachtige hardware (GPU's) en nieuwe algoritmen.
• AlexNet (2012): De grote doorbraak in beeldherkenning; AI begon beter te presteren dan
mensen in het herkennen van objecten.
• AlphaGo (2016): Versloeg de wereldkampioen in het complexe spel Go. Dit bewees dat AI
een vorm van "computationele intuïtie" kon ontwikkelen in plaats van enkel brute
rekenkracht te gebruiken.
• De Transformer (2017): Een nieuwe architectuur (uit de paper "Attention is All You Need")
die de basis vormde voor moderne taalmodellen.
• ChatGPT (2022): Maakte krachtige AI toegankelijk voor het grote publiek en werd een van de
snelst groeiende apps ooit.
TIJDLIJN
🎢 DE HYPECYCLUS: ZOMERS EN WINTERS
De geschiedenis van AI is geen rechte lijn omhoog, maar een cyclus van optimisme en teleurstelling.
Dit wordt beschreven door de Gartner Hype Cycle:
1. Technologietrigger: Een doorbraak vindt plaats.
2. Piek van overdreven verwachtingen: Men gelooft dat de techniek álles gaat oplossen
(huidige status van Generatieve AI).
3. Dal van desillusie: De beperkingen (zoals hallucinaties) worden pijnlijk duidelijk; de
financiering neemt af.
4. Helling van verlichting: Men ontdekt waar de technologie écht nuttig voor is.
5. Plateau van productiviteit: De technologie wordt mainstream en levert stabiele waarde (bv.
computervisie in medische beeldanalyse).
4
