SAMENVATTING ARTIFICIËLE INTELLIGENTIE: MAATSCHAPPELIJKE UITDAGINGEN
1. Inleiding Artificiële intelligentie
1.1 Korte geschiedenis van AI
AI kent golven van hype en teleurstelling. Dit helpt begrijpen waarom AI vandaag wel werkt.
- 1950 – Turing test: Kan een machine menselijk gedrag zo goed nabootsen dat we het verschil niet
meer merken? Dit was een eerste idee van “intelligentie” bij machines.
- 1956 – Perceptron: Eerste model geïnspireerd door neuronen. Heel beperkt, maar de basis van
moderne neurale netwerken. Beslissingen nemen zoals bijvoorbeeld ja/nee.
- 1960 – ELIZA: Eerste chatbot die psycholoog speelde. Simpel patroonherkenning, geen echte
intelligentie.
- 1970 – AI Winter: Te veel verwachtingen, te weinig resultaten waarbij de financiering stopte.
- 1980 – Expert Systems: Regel gebaseerde systemen “IF…THEN…”. Goed voor simpele domeinen,
maar niet schaalbaar en moest manueel geschreven worden.
- 1990 – Machine Learning: Computers leren patronen uit data i.p.v. regels te volgen. Supervised
learning (model leert van voorbeelden met labels) & reinforcement learning (model leert door
beloningen en straffen).
1.2 Machine learning
= modellen leren patronen uit voorbeelden
= het gebruikt algoritmes – stap voor stap procedures – om automatisch een model te bouwen dat
patronen herkent in data
Belangrijke begrippen:
- Features: meetbare kenmerken (bv. lengte, gewicht)
- Model: wiskundige functie die voorspellingen maakt
- Training: model leert uit heel veel voorbeelden
- Supervised learning: model leert met gelabelde data
- Reinforcement learning: model leert via beloningen/straffen
Supervised learning en reinforcement learning:
- Voorbeeld: Het algoritme krijgt heel veel gezondheidsdata (hartslag, stappen, slaap, gewicht etc.)
en zoekt zelf uit welke combinaties van die gegevens iets zeggen over je gezondheid.
Bijvoorbeeld: weinig slaap + hoge hartslag geeft mogelijk verhoogde stress.
- Voorbeeld: ML wordt gebruikt om frauduleuze aangiftes te detecteren, hiervoor kijkt het model
naar patronen in eerdere fraudegevallen. De vele vakjes zijn features, het model leert welke
combinaties verdacht zijn.
Learning models by optimizing: modelparameters worden stap voor stap aangepast om fouten te
minimaliseren.
- Voorbeeld – Pong video: Model leert voorspellen waar de bal zal komen, gebruikt voorbeelden
van menselijke spelers (supervised learning). Het model speelt zelf en krijgt beloning als het
scoort/straffen als het verliest (reinforcement learning).
1.3 Grote AI-doorbraken
- 1997 – Deep blue: Versloeg Garry Kasparov in schaken. Gebaseerd op brute kracht en
heuristieken, geen ML.
- 2011 – Watson: Won Jeopardy. Gebruikte NLP + informatie-opzoeking.
- 2016 – AlphaGo: Versloeg Lee Sedol in Go. Het gebruikte deep learning en reinforcement learning
1.4 Wat veranderde?
- GPU’s (Graphic Processing Unit): een gespecialiseerde processor die is ontworpen om razendsnel
grote hoeveelheden data te verwerken en wiskundige berekeningen uit te voeren. Oorspronkelijk
voor games, nu ideaal voor neurale netwerken.
- Big Data: bedrijven verzamelen massaal data. “Data is the new oil.”
- Revival van Neural Networks: Door GPU’s en data wordt deep learning mogelijk.
, 1.5 Deep learning
= Een geavanceerde vorm van machine learning binnen kunstmatige intelligentie (AI).
- Neurale netwerken: de technologie is gebaseerd op een netwerk van kunstmatige zenuwcellen
(neuronen) die in meerdere opeenvolgende lagen (‘diep’ in het netwerk) zijn georganiseerd.
- Zelfstandig leren: Elk niveau in het netwerk analyseert andere data en haalt er steeds
specifiekere kenmerken uit. Het netwerk leert van zijn eigen fouten en verbetert zichzelf continu.
Voorbeeld: Multi-layer perceptron: meest klassieke en basisvorm van een diep neuraal netwerk. Met een
input layer (informatie komt binnen), hidden layer (dit is het “brein” dat bestaat uit perceptrons) en
output layer (definitive antwoord).
- 2012 - AlexNet : Grootste deep learning succes, met 8 lagen die beweest dat computers
razendsnel afbeeldingen kunnen leren herkennen met behulp van videokaarten.
- 2015 – ResNet: Opvolger die dankzij Skip connections (“snelwegen”), veel diepere netwerken kon
maken zonder dat de computer de draad kwijtraakt.
- ImageNet-grafiek: Dit toonde een enorme sprong in prestaties vanaf 2012. Waarbij vergelijking
tussen tradional CV (computer vision) en deep learning.
Voorbeeld: GPT-architectuur: model leert relaties tussen woorden via attention.
1.5.1 Pre-training and fine-tuning
Pre-training: model leert algemene taalpatronen (bv. ontbrekend woord voorspellen).
Fine-tuning: model wordt aangepast voor specifieke taken.
1.6 Generative AI – 2020
= Generative AI kan tekst, beelden, muziek, code en video genereren
= Large Language Model (LLM): enorm taalmodel dat getraind is op gigantische hoeveelheden tekst en
leert welke woorden logisch samen voorkomen.
- Voorbeeld: Tekst naar speech en speech naar tekst, tekst naar muziek, foto/video generatie etc.
RLHF: Reinforcement learning with human feedback: Bijvoorbeeld ChatGPT met feedbackknoppen waarbij
mensen antwoorden beoordelen, zo leert het model wat “goed” is.
- Closed-source LLM: Model draait op servers van bedrijf, privacyrisico’s en geen toegang tot
gewichten.
- Open-source LLM: Iedereen kan model draaien, geen data naar externe servers, maar veel
rekenkracht nodig gen data wordt nooit gedeeld.
1.6.1 Deep neural networks
= Het trainen van een neural network is heel duur (enorme datasets, rekenkracht, afstemming via
reinforcement learning met menselijke feedback) <-> het gebruik van een neural network is relatief
goedkoop (minder rekenkracht)
- Open-source modellen kunnen worden ge-fine-tuned
- Closed-source modellen kunnen dienen als service
1.7 Problemen en risico’s
- Black box: we weten niet waarom een model iets beslist (foute interpretability mogelijk)
- Hallucinaties: bv. verzonnen APA referenties
- Bias & stereotypen: AI reproduceert vooroordelen uit data bv. altijd mannen afbeeldingen
- Copyright: modellene worden getraind op data van YouTube, TikTok etc. vaak zonder
toestemming
- Energieverbruik: is erg hoog bv. Meta zoekt nucleaire energie voor AI-training
- AI in foute handen: bv. de paus met witte booming jas
- Tay Chatbot (2016): Microsoft chatbot werd racistisch door interactie met Twitter (AI leert van
data, als dit slechte data is creeërt dit slecht gedrag)
1. Inleiding Artificiële intelligentie
1.1 Korte geschiedenis van AI
AI kent golven van hype en teleurstelling. Dit helpt begrijpen waarom AI vandaag wel werkt.
- 1950 – Turing test: Kan een machine menselijk gedrag zo goed nabootsen dat we het verschil niet
meer merken? Dit was een eerste idee van “intelligentie” bij machines.
- 1956 – Perceptron: Eerste model geïnspireerd door neuronen. Heel beperkt, maar de basis van
moderne neurale netwerken. Beslissingen nemen zoals bijvoorbeeld ja/nee.
- 1960 – ELIZA: Eerste chatbot die psycholoog speelde. Simpel patroonherkenning, geen echte
intelligentie.
- 1970 – AI Winter: Te veel verwachtingen, te weinig resultaten waarbij de financiering stopte.
- 1980 – Expert Systems: Regel gebaseerde systemen “IF…THEN…”. Goed voor simpele domeinen,
maar niet schaalbaar en moest manueel geschreven worden.
- 1990 – Machine Learning: Computers leren patronen uit data i.p.v. regels te volgen. Supervised
learning (model leert van voorbeelden met labels) & reinforcement learning (model leert door
beloningen en straffen).
1.2 Machine learning
= modellen leren patronen uit voorbeelden
= het gebruikt algoritmes – stap voor stap procedures – om automatisch een model te bouwen dat
patronen herkent in data
Belangrijke begrippen:
- Features: meetbare kenmerken (bv. lengte, gewicht)
- Model: wiskundige functie die voorspellingen maakt
- Training: model leert uit heel veel voorbeelden
- Supervised learning: model leert met gelabelde data
- Reinforcement learning: model leert via beloningen/straffen
Supervised learning en reinforcement learning:
- Voorbeeld: Het algoritme krijgt heel veel gezondheidsdata (hartslag, stappen, slaap, gewicht etc.)
en zoekt zelf uit welke combinaties van die gegevens iets zeggen over je gezondheid.
Bijvoorbeeld: weinig slaap + hoge hartslag geeft mogelijk verhoogde stress.
- Voorbeeld: ML wordt gebruikt om frauduleuze aangiftes te detecteren, hiervoor kijkt het model
naar patronen in eerdere fraudegevallen. De vele vakjes zijn features, het model leert welke
combinaties verdacht zijn.
Learning models by optimizing: modelparameters worden stap voor stap aangepast om fouten te
minimaliseren.
- Voorbeeld – Pong video: Model leert voorspellen waar de bal zal komen, gebruikt voorbeelden
van menselijke spelers (supervised learning). Het model speelt zelf en krijgt beloning als het
scoort/straffen als het verliest (reinforcement learning).
1.3 Grote AI-doorbraken
- 1997 – Deep blue: Versloeg Garry Kasparov in schaken. Gebaseerd op brute kracht en
heuristieken, geen ML.
- 2011 – Watson: Won Jeopardy. Gebruikte NLP + informatie-opzoeking.
- 2016 – AlphaGo: Versloeg Lee Sedol in Go. Het gebruikte deep learning en reinforcement learning
1.4 Wat veranderde?
- GPU’s (Graphic Processing Unit): een gespecialiseerde processor die is ontworpen om razendsnel
grote hoeveelheden data te verwerken en wiskundige berekeningen uit te voeren. Oorspronkelijk
voor games, nu ideaal voor neurale netwerken.
- Big Data: bedrijven verzamelen massaal data. “Data is the new oil.”
- Revival van Neural Networks: Door GPU’s en data wordt deep learning mogelijk.
, 1.5 Deep learning
= Een geavanceerde vorm van machine learning binnen kunstmatige intelligentie (AI).
- Neurale netwerken: de technologie is gebaseerd op een netwerk van kunstmatige zenuwcellen
(neuronen) die in meerdere opeenvolgende lagen (‘diep’ in het netwerk) zijn georganiseerd.
- Zelfstandig leren: Elk niveau in het netwerk analyseert andere data en haalt er steeds
specifiekere kenmerken uit. Het netwerk leert van zijn eigen fouten en verbetert zichzelf continu.
Voorbeeld: Multi-layer perceptron: meest klassieke en basisvorm van een diep neuraal netwerk. Met een
input layer (informatie komt binnen), hidden layer (dit is het “brein” dat bestaat uit perceptrons) en
output layer (definitive antwoord).
- 2012 - AlexNet : Grootste deep learning succes, met 8 lagen die beweest dat computers
razendsnel afbeeldingen kunnen leren herkennen met behulp van videokaarten.
- 2015 – ResNet: Opvolger die dankzij Skip connections (“snelwegen”), veel diepere netwerken kon
maken zonder dat de computer de draad kwijtraakt.
- ImageNet-grafiek: Dit toonde een enorme sprong in prestaties vanaf 2012. Waarbij vergelijking
tussen tradional CV (computer vision) en deep learning.
Voorbeeld: GPT-architectuur: model leert relaties tussen woorden via attention.
1.5.1 Pre-training and fine-tuning
Pre-training: model leert algemene taalpatronen (bv. ontbrekend woord voorspellen).
Fine-tuning: model wordt aangepast voor specifieke taken.
1.6 Generative AI – 2020
= Generative AI kan tekst, beelden, muziek, code en video genereren
= Large Language Model (LLM): enorm taalmodel dat getraind is op gigantische hoeveelheden tekst en
leert welke woorden logisch samen voorkomen.
- Voorbeeld: Tekst naar speech en speech naar tekst, tekst naar muziek, foto/video generatie etc.
RLHF: Reinforcement learning with human feedback: Bijvoorbeeld ChatGPT met feedbackknoppen waarbij
mensen antwoorden beoordelen, zo leert het model wat “goed” is.
- Closed-source LLM: Model draait op servers van bedrijf, privacyrisico’s en geen toegang tot
gewichten.
- Open-source LLM: Iedereen kan model draaien, geen data naar externe servers, maar veel
rekenkracht nodig gen data wordt nooit gedeeld.
1.6.1 Deep neural networks
= Het trainen van een neural network is heel duur (enorme datasets, rekenkracht, afstemming via
reinforcement learning met menselijke feedback) <-> het gebruik van een neural network is relatief
goedkoop (minder rekenkracht)
- Open-source modellen kunnen worden ge-fine-tuned
- Closed-source modellen kunnen dienen als service
1.7 Problemen en risico’s
- Black box: we weten niet waarom een model iets beslist (foute interpretability mogelijk)
- Hallucinaties: bv. verzonnen APA referenties
- Bias & stereotypen: AI reproduceert vooroordelen uit data bv. altijd mannen afbeeldingen
- Copyright: modellene worden getraind op data van YouTube, TikTok etc. vaak zonder
toestemming
- Energieverbruik: is erg hoog bv. Meta zoekt nucleaire energie voor AI-training
- AI in foute handen: bv. de paus met witte booming jas
- Tay Chatbot (2016): Microsoft chatbot werd racistisch door interactie met Twitter (AI leert van
data, als dit slechte data is creeërt dit slecht gedrag)
