Samenvatting Media & digitale samenleving

Artificiële Intelligentie (AI)


Gartner Hype Cycle: Beschrijving van welke technologieën hot zijn en waar die zich bevinden
in de evolutie van die technologie.
= De verwachting die
mensen over iets hebben
over een tijdlijn
 Mensen
verwachten heel
veel van iets
nieuws (piek),
daarna
teleurstellingen,
waarna op een
plateau
terechtkomen die
de verwachtingen
zijn die uitkomen




Internet of things (IoT)
Er zijn heel wat sensoren in onze omgeving en tegenwoordig heel wat
communicatiemethodieken. Wanneer men de sensoren en de communicatiemethodieken
met elkaar verbinden, kunnen we heel wat informatie bij elkaar brengen op een centrale
plaats. Die connectie = IoT
1974: Eerste bankautomaat
 O.b.v. sensoren gegevens van een kaart gelezen
2008: Grens overschreden: Er zijn meer objecten met het internet geconnecteerd, dan
mensen
Grote bedrijven kopen technologieën over (bv. Google kocht Nest Lab)
Marktpotentieel:

,  > 60% beseft dat die technologie essentieel gaat zijn
 Hoe meer kennis van data, hoe meer processen optimaliseren, hoe groter
concurrentieel voordeel
 IoT is zoals internet: bedrijven die niet geïnvesteerd hebben, zijn er niet meer


3 technologieën aan basis van IoT:
1. Sensoren
 Accuraatheid
 Grootte
 Hoeveelheid energieverbruik
2. Communicatie
Minder energie verbruiken om zo klein mogelijke zaken te kunnen bouwen
om die te connecteren.
 Gsm's verbonden met centrale server  internet of things
 Radiogolven: frequenties in stukjes gekapt en verdeeld  IoT: stukje
 Evolutie: steeds meer connectiviteit
 Tomorowland: lichtgevende bandjes
 Haven: rondvliegende drones, wearables, videokanalen, automatische assets
 over 1 type van communicatie
 5G: aparte banden  verschillende zaken over aparte banden  als 1 van de
banden overbelast is, kunnen de andere banden beschermd blijven doorgaan
3. Software
 Probleem 1: Zoveel devices dat data niet meer allemaal gecentraliseerd kan
worden
 Nieuwe technieken: heel dicht tegen sensoren beperkte berekeningen
maken om hoeveel data te beperken
Evolutie:
- Nu: Alle data connecteerd rechtstreeks met centrale server
- Toekomst: Niet alle data centraal, tussenstations en teruggestuurd
 voordeel: sneller
 Probleem 2: globaal gedrag afhankelijk van wat alle individuele devices gaan
doen
 100.000 machines nodig waarin we tegelijkertijd testen of het globaal
gedrag er nog is


Artificial Intelligence (AI)
AI: Vanaf een computer dingen voor u kan doen waarvan je niet meer kan onderscheiden of
deze beslissingen door de computer worden genomen of door jezelf
Machine Learning: de computer zelf op basis van data zijn gedrag laten leren
Deep Learning: complexe structuren

, reden waarom we terug over AI praten: De competationele kracht die we nu hebben
(sterkere en andere soorten chips)


Menselijk brein: allemaal neuronen, die verbonden zijn met verbindingen  prikkel komt bij
neuron binnen en zal al dan niet getriggerd worden, zendt een signaal uit + signalen van
andere neuronen komen binnen




Neuronen zijn verbonden met neuronen van de rij ervoor
 Wiskundige functie: van laag niveau naar hoog niveau
 Lage imput naar hoge output
 Gewichtjes: elke imput krijgt een getal  geeft aan hoe belangrijk die imput is
voor wat dit neuron betekent


Technical challenges:
1. Accuraatheid van de algoritmes: we moeten ervoor zorgen dat die laatste
percentages foutjes nog opgelost zijn

2. Snelheid van de algoritmes:
Bv. Atari spelcomputer:
Voor ons duurt het 15 minuten voor we zo’n spelletje onder controle hebben, de
computer 924 uur. Stel we veranderen de achtergrondkleur van het spel. Dit heeft
voor ons geen invloed, maar de computer moet terug 924 uur trainen.

3. Kleinere chips nodig: Hoe kleiner, hoe minder energie

4. Connectiviteit: We moeten niet te lang in 1 device moeten denken. We zouden meer
informatie moeten krijgen. Bv In autonome wagens ook informatie van buurwagen
krijgen.

5. Data kwaliteit: We gaan sensorinformatie in algoritmes maar sensorinfo is niet altijd
hetzelfde. Bv. camera heeft verschil bij dag en nacht. Verandering in kwaliteit is geen
evidentie.
6. Distributed Intelligence: Wanneer je een globaal gedrag wil maken, moet je testen of
al die devices samen de juiste beslissing nemen. Wanneer men in al die devices
Artificiele Intelligentie gaat steken en elk van hen autonoom gaat laten denken, dan
wordt de complexiteit nog veel groter.

, Pitfalls:
1. Change management:
Vb. Iedereen reed met paardenkoetsen over straat wat luchtvervuiling veroorzaakte
(vuile straten). Probleem: Niemand wou met de nieuwe wagen op benzine rijden die
een oplossing was tegen de vervuiling. Niemand vertrouwde het de controle af te
geven aan een machine. 10 jaar later reed iedereen rond met de wagen.
 Verandering naar nieuwe technologieën heeft kleine stapjes nodig

2. Misbruik: fake filmpjes met authentieke beelden, gemanipuleerde camera’s tesla
wagens

3. Bias/explainability:
Bias: algoritmes bouwen die gebaseerd zijn op data = computer gaat dingen leren op
basis van zaken die jij gaat voeden aan de computer  vooroordelen in computer
voeden
3 niveaus:




Algoritmes maken

 met het juiste team: diverse populatie in team voorkomt bias
 team opsplitsen in 2 gedeeltes:
- team dat algoritmes maakt
- team dat algoritmes nakijkt

4. Angst: Zijn nieuwe technologieën gevaarlijk? Ja, maar doen we het zelf beter? Technologie
zal altijd soms falen, maar wij veel meer. We kunnen hier uit leren.
We moeten ons aanpassen aan het niveau waar deze nieuwe technologieën nu staan.