Media & digitale samenleving 1
1. Artificial Intelligence
combinatie van internet of things en AI = belangrijk om hele verhaal te begrijpen, onlosmaakbaar
1.1 Internet of Things
def! applicaties waar kleine computers verbinden met sensoren en met elkaar en op basis van wat ze
waarnemen kunnen ze actuatoren aansturen, kunnen we acties ondernemen
Chart: verwachtingen van bepaalde technologieën
Hoe meer zekerheid er is hoe meer ze stijgen
Hoe hoger in chart hoe meer verwachtingen er rond die bepaalde technologie zijn
Curve gaat terug naar beneden: met elke nieuwe technologie is er in het begin een hype, op
een bepaald moment kom je de limieten tegen en daalt het, nadien komt het terug omhoog
omdat de technologie dan effectief gebruikt wordt
1.1.1 Geschiedenis:
Eerste IoT applicatie van 1974 (uitvinding van de eerste ATM-machine, bankkaart die alles linkt)
2008: meer devices geconnecteerd met internet dan mensen
2015: 4,9 miljard devices die wereldwijd aan het internet verbonden waren
2020: verwachting van 50 miljard
Als je wil weten of een technologie in IoT hot wordt moet je kijken naar google, amazon, facebook
enz ... Kijken welke bedrijven die bedrijven aan het opkopen zijn, zo blijven grote spelers groot door
op juiste moment in juiste dingen te investeren
Hiermee kan je zien dat IoT een big thing gaat worden, IoT is big business (mijn gedacht)
61% of executives agree companies that are slow to integrate the IoT will fall behind
IoT is the new internet adopt or vanish: bedrijven die zich niet aanpassen verdwijnen
1.1.2. Drie basiselementen IoT
1. sensoren: zo klein mogelijk met maximale effeciëntie, evolueren momenteel heel snel
Vnl in grootte, accuraatheid en hoeveelheid energie ze gebruiken
Voorbeeld: sensoren die hersengolven capteren en dan via juiste impuls verlamde mensen
terug hun armen en benen te laten bewegen
o Hoe kleiner hoe makkelijk te gebruiken en hoe minder energie het gebruikt
o Zo energiezuinig mogelijk maken zodat ze weken, maanden, jarenlang gebruikt kunnen
worden
2. communicatie:
1
EXAMEN 22/1: MULTIPLE CHOICE MET CESUUR + OPEN VRAAG + 2 PUNTEN DOOR BETROKKENHEID IN COLLEGES
,Als je iets wilt communiceren heb je energie nodig, hoe minder energie moet gebruiken hoe beter
dus weer zelfde verhaal als hiervoor
Devices connecteren zoals met internet, bluetooth, …
Hoe meer communicatie er van die devices is, hoe meer moeite je moet doen
Bv. als iedereen in aula begint te praten moet docent veel luider praten, veel moeilijker
Communicatie: golflengtes/frequenties, worden ontvangen door antenne en dan omgezet
Fysica zorgt ervoor dat aantal frequenties beperkt zijn
Tabel die zegt hoe frequenties zijn verdeeld in VS bv brandbreedte die gebruikt wordt door
brandweer en politie mag je niet voor iets anders gebruiken
2 kleine balkjes zijn er om al die devices te connecteren, is niet veel
Steeds meer devices dus er ontstaat interferentie en dus chaos
o Bv festivalbandjes, ook iedereen heeft daar een smartphone wifi routers dus gigantische
interferentie
o Bv haven: wifi, drones, video surveilance, security en safety, … even complex of zelfs nog
moeilijker want ertussen staan allemaal stalen containers, houden signalen tegen
Probleem: we zijn sterk beperkt in het aantal frequenties of kanalen die we kunnen gebruiken. We
werken in een zeer kleine ruimte van plaatsen waar we radiogolven mogen sturen. Dit toont een
kaart van het spectrum in de Verenigde Staten:de frequenties waar iemand iets mag op sturen.
Zoals je kan zien is het echt een lappendeken van mogelijke toepassingen zoals het versturen van een
radio zoals Studio Brussel, het versturen van TV signalen, de satellieten en raketten in de ruimte
houden, enz. Allemaal toepassingen die ook zeer belangrijk zijn.
3. software:
CERN: gigantische tunnel waarin ze 2 kleine deeltjes laten botsen, gigantische sensor die bestaat uit
heel veel kleinere sensoren die op moment van botsing van deeltjes in welke deeltjes ze opsplitsen,
banen volgen enzovoort (op grens Zwitserland en Frankrijk)
Probleem 1: aantal sensoren dat errond hangt is zo groot dat het datacentrum het niet
verwerkt krijgt
Probleem 2: op heel kort moment zo veel informatie te samen dat ze het niet verplaatst
krijgen naar dat datacentrum
IOT heel veel data op onderste laag driehoek (ppt)
Hoogste niveau veel datacenters die veel kunnen verwerken maar we kunnen niet alle data
verplaatsen naar die centers want te veel energie, niet genoeg bandbreedte en we kunnen dat ook
niet allemaal gaan verwerken want daar hebben we computationele kracht niet voor
,1.2. Gedistribueerde software
Eerst devices gewoon verbonden met internet
Daarna met tussenstukken, en zelfs verbonden met elkaar zoals bv interactie tussen auto’s als auto
voor je stopt dat je dan direct noodstop kan maken als nodig
Vogels: elke vogel kiest zelf of hij mee naar rechts of links vliegt en creëert zo globaal gedrag
Stel elke vogel is stukje software: als je zoveel devices maakt is het moeilijk om te testen of
applicatie effectief werkt
Emergent behaviour: gedrag dat ontstaan doordat al die devices samenwerken
o Probleem: als je die software schrijft kan je die niet testen want je hebt in het begin niet
al die devices (bv. waze)
o Probleem in toekomst dat soort emergent behaviour ontstaat dat we niet verwachten
doordat we het op voorhand niet hebben kunnen testen
1.3 Artifi ciële intelligentie
Verschil artificiële intelligentie en machine learning?
AI = devices kan beslissingen nemen waarvan je niet kan onderscheiden of de beslissing door
een persoon wordt gemaakt of door de machine zelf (sense, reason, act, adapt)
ML = algoritme waarvan prestatie verbetert, machine leert bij met verschillende
leermethodieken door er informatie aan te geven
Deep learning = neurale netwerken met heel veel lagen (je kan er dus heel complexe zaken
mee moduleren)
1.3.1 Hoe werkt machine learning?
Vgl. brein bestaat uit neuronen die verbonden zijn via banen, als neuron geactiveerd wordt
zal neuron impuls sturen door baan die ander neuron zal activeren
Neuronen in rijen, elk neuron uit een rij verbonden met alle neuronen van de volgende rij
o Vooraan in een neuron komt een waarde binnen (een getal), dat wordt vermenigvuldigd
met een bepaald gewicht en als we dat hebben zit in de neuron nog een functie die op
basis daarvan een bepaalde waarde geeft
o Input gaat door neuraal netwerk en geeft output
, o Het is een speciale functie: de waarde die eruit komt, je kan de input een beetje laten
variëren zodat de outputwaarde gigantisch gaat verschillen zo kan je makkelijker
dingen bijleren
Wat doen lagen van netwerk? Je geeft bv. een foto en je naar de output gaat kijken dan zegt die
output dat het duidelijk een parkeerplaats is dit is niet zo want het is een zebrapad zou dus
vervelend zijn moesten we dit netwerk gaan gebruiken in wagens
We gaan eigenlijk de kleur van al die pixels meegeven aan het netwerk
Wat kunnen we doen als we de outputwaarde kennen en we weten wat dat wilt zeggen (bv.
foto van een zebrapad), dan kunnen we het netwerk aanpassen aan de juiste foto (nl.
zebrapad en geen parkeerplaats) hiervoor passen we de verschillende gewichten aan
Na een tijd gaat die technologie effectief leren bij de foto dat het een zebrapad is
Er is veel data voor nodig
Heb ik randen in beeld? Welke vorm hebben randen? Beweegt het? …
Zo ga je lijn per lijn steeds gedetailleerde zaken identificeren
Dit is ook zo bij mensen (bv. bij je buur, je ziet direct dat hij/zij blond haar heeft, …)
1.3.2 Current AI challenges
1.3.2.1 Technical AI challenges:
Hoe ver staan we met die technologie? Wat zijn de challenges momenteel?
Accuraatheid van algoritme: ook al kunnen we er gigantisch veel mee, de accuraatheid is
niet goed genoeg om bv. automatisch te rijden
Snelheid van algoritme: hoe snel leren we iets? Bv spelletje: wij leren dat op 15 min, de
intelligentie doet daar 924 uur over; als kleur verandert kunnen wij dat direct ook spelen,
intelligentie doet daar weer 924u over
Smaller chips: hoe kleiner chip hoe minder energie het verbruikt → we moeten de chips
kleiner en kleiner proberen maken
Connectiviteit: hoe kunnen we op goede manier communiceren? Hoe kunnen we
noodzakelijke data tussen devices communiceren? Hoe snel gaat dat, wat is de kwaliteit?
Kwaliteit van data: als je niet weet dat kwaliteit van data niet goed is ga je slechte
beslissingen nemen (neuraal netwerk kan niet omgaan met die fluctuaties)
Gedistribueerde intelligentie: als softwarecomponenten individuele acties ondernemen is
het moeilijk om te testen, maar als de componenten zelf kunnen bijleren en waar totale
gedrag resultaat is van wat de componenten hebben geleerd en beslist. Dan is het moeilijk
om te voorspellen of testen wat het eindresultaat is
1.3.2.2 Pitfalls
= hoe integreren we technologie in maatschappij en wat kan er mis gaan?
Change management: verandering is moeilijk voor iedereen
o Bv. iedereen wilt dat de wereld groener wordt, maar wil er liefst zo weinig mogelijk van
zijn eigen comfort voor opgeven
1. Artificial Intelligence
combinatie van internet of things en AI = belangrijk om hele verhaal te begrijpen, onlosmaakbaar
1.1 Internet of Things
def! applicaties waar kleine computers verbinden met sensoren en met elkaar en op basis van wat ze
waarnemen kunnen ze actuatoren aansturen, kunnen we acties ondernemen
Chart: verwachtingen van bepaalde technologieën
Hoe meer zekerheid er is hoe meer ze stijgen
Hoe hoger in chart hoe meer verwachtingen er rond die bepaalde technologie zijn
Curve gaat terug naar beneden: met elke nieuwe technologie is er in het begin een hype, op
een bepaald moment kom je de limieten tegen en daalt het, nadien komt het terug omhoog
omdat de technologie dan effectief gebruikt wordt
1.1.1 Geschiedenis:
Eerste IoT applicatie van 1974 (uitvinding van de eerste ATM-machine, bankkaart die alles linkt)
2008: meer devices geconnecteerd met internet dan mensen
2015: 4,9 miljard devices die wereldwijd aan het internet verbonden waren
2020: verwachting van 50 miljard
Als je wil weten of een technologie in IoT hot wordt moet je kijken naar google, amazon, facebook
enz ... Kijken welke bedrijven die bedrijven aan het opkopen zijn, zo blijven grote spelers groot door
op juiste moment in juiste dingen te investeren
Hiermee kan je zien dat IoT een big thing gaat worden, IoT is big business (mijn gedacht)
61% of executives agree companies that are slow to integrate the IoT will fall behind
IoT is the new internet adopt or vanish: bedrijven die zich niet aanpassen verdwijnen
1.1.2. Drie basiselementen IoT
1. sensoren: zo klein mogelijk met maximale effeciëntie, evolueren momenteel heel snel
Vnl in grootte, accuraatheid en hoeveelheid energie ze gebruiken
Voorbeeld: sensoren die hersengolven capteren en dan via juiste impuls verlamde mensen
terug hun armen en benen te laten bewegen
o Hoe kleiner hoe makkelijk te gebruiken en hoe minder energie het gebruikt
o Zo energiezuinig mogelijk maken zodat ze weken, maanden, jarenlang gebruikt kunnen
worden
2. communicatie:
1
EXAMEN 22/1: MULTIPLE CHOICE MET CESUUR + OPEN VRAAG + 2 PUNTEN DOOR BETROKKENHEID IN COLLEGES
,Als je iets wilt communiceren heb je energie nodig, hoe minder energie moet gebruiken hoe beter
dus weer zelfde verhaal als hiervoor
Devices connecteren zoals met internet, bluetooth, …
Hoe meer communicatie er van die devices is, hoe meer moeite je moet doen
Bv. als iedereen in aula begint te praten moet docent veel luider praten, veel moeilijker
Communicatie: golflengtes/frequenties, worden ontvangen door antenne en dan omgezet
Fysica zorgt ervoor dat aantal frequenties beperkt zijn
Tabel die zegt hoe frequenties zijn verdeeld in VS bv brandbreedte die gebruikt wordt door
brandweer en politie mag je niet voor iets anders gebruiken
2 kleine balkjes zijn er om al die devices te connecteren, is niet veel
Steeds meer devices dus er ontstaat interferentie en dus chaos
o Bv festivalbandjes, ook iedereen heeft daar een smartphone wifi routers dus gigantische
interferentie
o Bv haven: wifi, drones, video surveilance, security en safety, … even complex of zelfs nog
moeilijker want ertussen staan allemaal stalen containers, houden signalen tegen
Probleem: we zijn sterk beperkt in het aantal frequenties of kanalen die we kunnen gebruiken. We
werken in een zeer kleine ruimte van plaatsen waar we radiogolven mogen sturen. Dit toont een
kaart van het spectrum in de Verenigde Staten:de frequenties waar iemand iets mag op sturen.
Zoals je kan zien is het echt een lappendeken van mogelijke toepassingen zoals het versturen van een
radio zoals Studio Brussel, het versturen van TV signalen, de satellieten en raketten in de ruimte
houden, enz. Allemaal toepassingen die ook zeer belangrijk zijn.
3. software:
CERN: gigantische tunnel waarin ze 2 kleine deeltjes laten botsen, gigantische sensor die bestaat uit
heel veel kleinere sensoren die op moment van botsing van deeltjes in welke deeltjes ze opsplitsen,
banen volgen enzovoort (op grens Zwitserland en Frankrijk)
Probleem 1: aantal sensoren dat errond hangt is zo groot dat het datacentrum het niet
verwerkt krijgt
Probleem 2: op heel kort moment zo veel informatie te samen dat ze het niet verplaatst
krijgen naar dat datacentrum
IOT heel veel data op onderste laag driehoek (ppt)
Hoogste niveau veel datacenters die veel kunnen verwerken maar we kunnen niet alle data
verplaatsen naar die centers want te veel energie, niet genoeg bandbreedte en we kunnen dat ook
niet allemaal gaan verwerken want daar hebben we computationele kracht niet voor
,1.2. Gedistribueerde software
Eerst devices gewoon verbonden met internet
Daarna met tussenstukken, en zelfs verbonden met elkaar zoals bv interactie tussen auto’s als auto
voor je stopt dat je dan direct noodstop kan maken als nodig
Vogels: elke vogel kiest zelf of hij mee naar rechts of links vliegt en creëert zo globaal gedrag
Stel elke vogel is stukje software: als je zoveel devices maakt is het moeilijk om te testen of
applicatie effectief werkt
Emergent behaviour: gedrag dat ontstaan doordat al die devices samenwerken
o Probleem: als je die software schrijft kan je die niet testen want je hebt in het begin niet
al die devices (bv. waze)
o Probleem in toekomst dat soort emergent behaviour ontstaat dat we niet verwachten
doordat we het op voorhand niet hebben kunnen testen
1.3 Artifi ciële intelligentie
Verschil artificiële intelligentie en machine learning?
AI = devices kan beslissingen nemen waarvan je niet kan onderscheiden of de beslissing door
een persoon wordt gemaakt of door de machine zelf (sense, reason, act, adapt)
ML = algoritme waarvan prestatie verbetert, machine leert bij met verschillende
leermethodieken door er informatie aan te geven
Deep learning = neurale netwerken met heel veel lagen (je kan er dus heel complexe zaken
mee moduleren)
1.3.1 Hoe werkt machine learning?
Vgl. brein bestaat uit neuronen die verbonden zijn via banen, als neuron geactiveerd wordt
zal neuron impuls sturen door baan die ander neuron zal activeren
Neuronen in rijen, elk neuron uit een rij verbonden met alle neuronen van de volgende rij
o Vooraan in een neuron komt een waarde binnen (een getal), dat wordt vermenigvuldigd
met een bepaald gewicht en als we dat hebben zit in de neuron nog een functie die op
basis daarvan een bepaalde waarde geeft
o Input gaat door neuraal netwerk en geeft output
, o Het is een speciale functie: de waarde die eruit komt, je kan de input een beetje laten
variëren zodat de outputwaarde gigantisch gaat verschillen zo kan je makkelijker
dingen bijleren
Wat doen lagen van netwerk? Je geeft bv. een foto en je naar de output gaat kijken dan zegt die
output dat het duidelijk een parkeerplaats is dit is niet zo want het is een zebrapad zou dus
vervelend zijn moesten we dit netwerk gaan gebruiken in wagens
We gaan eigenlijk de kleur van al die pixels meegeven aan het netwerk
Wat kunnen we doen als we de outputwaarde kennen en we weten wat dat wilt zeggen (bv.
foto van een zebrapad), dan kunnen we het netwerk aanpassen aan de juiste foto (nl.
zebrapad en geen parkeerplaats) hiervoor passen we de verschillende gewichten aan
Na een tijd gaat die technologie effectief leren bij de foto dat het een zebrapad is
Er is veel data voor nodig
Heb ik randen in beeld? Welke vorm hebben randen? Beweegt het? …
Zo ga je lijn per lijn steeds gedetailleerde zaken identificeren
Dit is ook zo bij mensen (bv. bij je buur, je ziet direct dat hij/zij blond haar heeft, …)
1.3.2 Current AI challenges
1.3.2.1 Technical AI challenges:
Hoe ver staan we met die technologie? Wat zijn de challenges momenteel?
Accuraatheid van algoritme: ook al kunnen we er gigantisch veel mee, de accuraatheid is
niet goed genoeg om bv. automatisch te rijden
Snelheid van algoritme: hoe snel leren we iets? Bv spelletje: wij leren dat op 15 min, de
intelligentie doet daar 924 uur over; als kleur verandert kunnen wij dat direct ook spelen,
intelligentie doet daar weer 924u over
Smaller chips: hoe kleiner chip hoe minder energie het verbruikt → we moeten de chips
kleiner en kleiner proberen maken
Connectiviteit: hoe kunnen we op goede manier communiceren? Hoe kunnen we
noodzakelijke data tussen devices communiceren? Hoe snel gaat dat, wat is de kwaliteit?
Kwaliteit van data: als je niet weet dat kwaliteit van data niet goed is ga je slechte
beslissingen nemen (neuraal netwerk kan niet omgaan met die fluctuaties)
Gedistribueerde intelligentie: als softwarecomponenten individuele acties ondernemen is
het moeilijk om te testen, maar als de componenten zelf kunnen bijleren en waar totale
gedrag resultaat is van wat de componenten hebben geleerd en beslist. Dan is het moeilijk
om te voorspellen of testen wat het eindresultaat is
1.3.2.2 Pitfalls
= hoe integreren we technologie in maatschappij en wat kan er mis gaan?
Change management: verandering is moeilijk voor iedereen
o Bv. iedereen wilt dat de wereld groener wordt, maar wil er liefst zo weinig mogelijk van
zijn eigen comfort voor opgeven
