Universiteit Antwerpen 3de bachelor keuzevak
Media
samenvatting alle
zelfstudie + laatste
les
Chiana Cappelle
,INHOUD
Zelfsstudie AI .................................................................................................................................... 2
Video 1 .......................................................................................................................................... 2
Tekst 1: LLM ................................................................................................................................... 3
Tekst 2: ethiek ................................................................................................................................ 7
Zelfstudie desinformatie Media......................................................................................................... 9
Filmpje 1 ........................................................................................................................................ 9
Filmpje 2 ....................................................................................................................................... 10
Samenvatting tekst conspiracy theorie ........................................................................................ 11
Zelfstudie media online haat ............................................................................................................ 14
Podcast ........................................................................................................................................ 14
De klas radicaliseert...................................................................................................................... 16
Online hate speech ....................................................................................................................... 17
Introductie in cybercrime .................................................................................................................24
Cybercrime as a service (CAAS) ....................................................................................................24
Cybercrime fundamentals ................................................................................................................24
Malware .......................................................................................................................................24
Hacking ........................................................................................................................................25
Phishing........................................................................................................................................25
Phishing panels ........................................................................................................................ 26
Helpdeskfraude ....................................................................................................................... 26
Ransomware ................................................................................................................................ 27
Ransomware trends .................................................................................................................. 27
Impact ......................................................................................................................................28
Digitale bewijsvoering en onderzoek ................................................................................................28
Wetgeving → examen!! .................................................................................................................... 30
Ontwikkelingen en trends ................................................................................................................ 30
Veilig online...................................................................................................................................... 33
1
,ZELFSSTUDIE AI
VIDEO 1
Gezichtsherkenning software:
Werkt goed bij mannen met een witte huidskleur en het slechtste bij vrouwen met een donkere huidskleur.
Gaat ook vaak mis bij haar van afro-Amerikaanse dames.
Waarom? Gezichtsherkenning gemaakt door grote hoeveelheid data in te voeren, zo gaat de computer leren
om gezichten te herkennen. De datasets bevatten vnl voorbeelden dan mannen met een witte huidskleur
(komen vaker voor in de media) → vervelend want mensen kunnen minder goed hun telefoon ontgrendelen,
maar politie gebruikt zo een software om criminelen op te sporen op straat → niet eerlijk! Vaker ten onrechte
donkere mensen eruitgehaald.
Mensen hebben bepaalde vooroordelen, soms hierdoor laten leiden. Kan soms zorgen voor discriminatie! Zo
naar AI kijken dan kunnen we menselijke vooroordelen ontwijken, maar AI is dus ook niet altijd objectief!
Gevolg van:
• Manier waarop het algoritme gebouwd is of de data erin niet representatief genoeg is.
• Proxy: (bv bij bank kijken naar kredietwaardigheid) zaken zoals geslacht en ras mag niet in acht worden
genomen! Dat is een verbod! Geen rekening houden bv met geslacht, maar wel gegevens die nauw
samen hangen met het geslacht (bv welk dat je koopt) → dit zijn proxy’s en zo nog wel discriminatie!
(of bv een postcode).
• Aangeleerde discriminatie:
Bv Tay : chatbox, na paar dage heftige taal en politieke statements te maken → liep fout bij contact
met gebruikers die hem dat taalgebruik aanleren.
• Vertekening in AI omdat samenleving vertekend is: bv zoeksuggesties in google!
Systemen vaak niet transparant, AI gebaseerd op deep learning (grote hoeveelheden data waar het systeem
dan conclusies uit gaat trekken → wordt ook wel black box genoemd!) black box: men weet niet op welke criteria
de AI een beslissing nam (dus zo ook niet nagaan hoe discriminatie hierin kruipt). Cv laten uitlezen door AI, maar
AI is sterk om patronen/ eigenschappen ontdekken in grote hoeveelheden data → dus succesvolle Cv van
anderen invoegen en obv die ze laten zoeken. Als die dataset enkel mannen bevat, dan is er veel kans dat het
model rekening houdt met eigenschappen die samenhangen met mannelijk geslacht!
Oplossingen:
• Zorgen dat de data dat men in de machine zet voldoende representatief is.
• Testen op voorhand (door te vergelijken van resultaten tussen verschillende groepen)
• Diversheid van het ontwikkelingsteam!
• Feedback vragen aan gebruikers
• Regels opstellen (op europees niveau al opgericht voor AI systemen en huidige wetten misschien
aanpassen?).
• Mens verantwoordelijkheid, voor als het misloopt.
Zijn een reflectie van de eigen samenleving!
2
, TEKST 1: LLM
LLM= Large language Model (natuurlijke taalverwerving)
Definitie: Grote taalmodellen, AI systemen → gebouwd mbv diepgaand leren technieken (= neurale netwerken
→ hiermee kunnen ze grote hoeveelheden gegevens verwerken). Is een soort patroonherkenningsmachine!
Belang en toepassing:
• Natuurlijke taalverwerking → NLP taken aanzienlijk verbeteren.
• ontext begrijpen en contextueel relevante teksten generaliseren.
• Mogelijkheden voor chatsbots en hulpmiddelen voor het genereren van inhoud?
o Tekstgeneratie en aanvulling: LLM kunnen coherente en contextueel relevante teksten
genereren obv bepaalde prompt.
o Machinevertaling: taalbarrières in de communicatie worden weggenomen
o Sentimentanalyse: feedback en beoordelingen van klanten analyseren → klantenservice
verbeteren
o Vraag-antwoord systemen: vragen begrijpen en beantwoorden
o Chatsbots en gespreksagenten: mensachtig → klantenervaringen verbeteren
Korte geschiedenis:
Introductie van natuurlijke taal machine learning was in 2017. → transformer architectuur: legde de basis voor
LLM → modellen effectiever complexe taalpatronen begrijpen.
Sleutelconcepten:
• Natural language processing: deelgebeid van AI, richt zich op de ontwikkeling van algoritmen en
modellen die menselijke taal kunnen begrijpen, interpreteren en genereren. → kloof tussen menselijke
communicatie en computerbegrip overbruggen.
• Neurale netwerken en diep leren: neurale netweken (obv menselijk brein) → via lagen (neuronen geven
info aan elkaar door). → complexe patronen en representaties leren!
diep leren= voorbeeld van machine learning dat zich richt op het gebruik van diepe neurale netwerken
(DNN)
• Overdracht van leren: sleutelconcept → trainen van het model op een grote dataset (diverse en
uitgebreide tekstgegevens) → kennis die tijdens pretrainen is opgedaan te gebruiken!
• Transformator architectuur: convolutioneel neuraal netwerk → zelfaandachtsysteem: LLM kunnen
invoerreeksen parallel verwerken = snellere efficiënte training!
Verschillende varianten:
• GPT (open AI) van 1-4 (eerste was in 2018) = generative pre-trained transformer
• BERT (Google) = bidirectional encoder representations from transformers → context goed begrijpen
en relaties tussen woorden effectiever vastleggen
• T5 (Google Brain)= tekst-to-tekst transfer transformer → tekst naar tekstproblemen, model
nauwkeurig afgestemd op breed scale aan taken?
Belangrijke rol gehad in onderzoek naar transferleren en leren met meerdere taken.
3
Media
samenvatting alle
zelfstudie + laatste
les
Chiana Cappelle
,INHOUD
Zelfsstudie AI .................................................................................................................................... 2
Video 1 .......................................................................................................................................... 2
Tekst 1: LLM ................................................................................................................................... 3
Tekst 2: ethiek ................................................................................................................................ 7
Zelfstudie desinformatie Media......................................................................................................... 9
Filmpje 1 ........................................................................................................................................ 9
Filmpje 2 ....................................................................................................................................... 10
Samenvatting tekst conspiracy theorie ........................................................................................ 11
Zelfstudie media online haat ............................................................................................................ 14
Podcast ........................................................................................................................................ 14
De klas radicaliseert...................................................................................................................... 16
Online hate speech ....................................................................................................................... 17
Introductie in cybercrime .................................................................................................................24
Cybercrime as a service (CAAS) ....................................................................................................24
Cybercrime fundamentals ................................................................................................................24
Malware .......................................................................................................................................24
Hacking ........................................................................................................................................25
Phishing........................................................................................................................................25
Phishing panels ........................................................................................................................ 26
Helpdeskfraude ....................................................................................................................... 26
Ransomware ................................................................................................................................ 27
Ransomware trends .................................................................................................................. 27
Impact ......................................................................................................................................28
Digitale bewijsvoering en onderzoek ................................................................................................28
Wetgeving → examen!! .................................................................................................................... 30
Ontwikkelingen en trends ................................................................................................................ 30
Veilig online...................................................................................................................................... 33
1
,ZELFSSTUDIE AI
VIDEO 1
Gezichtsherkenning software:
Werkt goed bij mannen met een witte huidskleur en het slechtste bij vrouwen met een donkere huidskleur.
Gaat ook vaak mis bij haar van afro-Amerikaanse dames.
Waarom? Gezichtsherkenning gemaakt door grote hoeveelheid data in te voeren, zo gaat de computer leren
om gezichten te herkennen. De datasets bevatten vnl voorbeelden dan mannen met een witte huidskleur
(komen vaker voor in de media) → vervelend want mensen kunnen minder goed hun telefoon ontgrendelen,
maar politie gebruikt zo een software om criminelen op te sporen op straat → niet eerlijk! Vaker ten onrechte
donkere mensen eruitgehaald.
Mensen hebben bepaalde vooroordelen, soms hierdoor laten leiden. Kan soms zorgen voor discriminatie! Zo
naar AI kijken dan kunnen we menselijke vooroordelen ontwijken, maar AI is dus ook niet altijd objectief!
Gevolg van:
• Manier waarop het algoritme gebouwd is of de data erin niet representatief genoeg is.
• Proxy: (bv bij bank kijken naar kredietwaardigheid) zaken zoals geslacht en ras mag niet in acht worden
genomen! Dat is een verbod! Geen rekening houden bv met geslacht, maar wel gegevens die nauw
samen hangen met het geslacht (bv welk dat je koopt) → dit zijn proxy’s en zo nog wel discriminatie!
(of bv een postcode).
• Aangeleerde discriminatie:
Bv Tay : chatbox, na paar dage heftige taal en politieke statements te maken → liep fout bij contact
met gebruikers die hem dat taalgebruik aanleren.
• Vertekening in AI omdat samenleving vertekend is: bv zoeksuggesties in google!
Systemen vaak niet transparant, AI gebaseerd op deep learning (grote hoeveelheden data waar het systeem
dan conclusies uit gaat trekken → wordt ook wel black box genoemd!) black box: men weet niet op welke criteria
de AI een beslissing nam (dus zo ook niet nagaan hoe discriminatie hierin kruipt). Cv laten uitlezen door AI, maar
AI is sterk om patronen/ eigenschappen ontdekken in grote hoeveelheden data → dus succesvolle Cv van
anderen invoegen en obv die ze laten zoeken. Als die dataset enkel mannen bevat, dan is er veel kans dat het
model rekening houdt met eigenschappen die samenhangen met mannelijk geslacht!
Oplossingen:
• Zorgen dat de data dat men in de machine zet voldoende representatief is.
• Testen op voorhand (door te vergelijken van resultaten tussen verschillende groepen)
• Diversheid van het ontwikkelingsteam!
• Feedback vragen aan gebruikers
• Regels opstellen (op europees niveau al opgericht voor AI systemen en huidige wetten misschien
aanpassen?).
• Mens verantwoordelijkheid, voor als het misloopt.
Zijn een reflectie van de eigen samenleving!
2
, TEKST 1: LLM
LLM= Large language Model (natuurlijke taalverwerving)
Definitie: Grote taalmodellen, AI systemen → gebouwd mbv diepgaand leren technieken (= neurale netwerken
→ hiermee kunnen ze grote hoeveelheden gegevens verwerken). Is een soort patroonherkenningsmachine!
Belang en toepassing:
• Natuurlijke taalverwerking → NLP taken aanzienlijk verbeteren.
• ontext begrijpen en contextueel relevante teksten generaliseren.
• Mogelijkheden voor chatsbots en hulpmiddelen voor het genereren van inhoud?
o Tekstgeneratie en aanvulling: LLM kunnen coherente en contextueel relevante teksten
genereren obv bepaalde prompt.
o Machinevertaling: taalbarrières in de communicatie worden weggenomen
o Sentimentanalyse: feedback en beoordelingen van klanten analyseren → klantenservice
verbeteren
o Vraag-antwoord systemen: vragen begrijpen en beantwoorden
o Chatsbots en gespreksagenten: mensachtig → klantenervaringen verbeteren
Korte geschiedenis:
Introductie van natuurlijke taal machine learning was in 2017. → transformer architectuur: legde de basis voor
LLM → modellen effectiever complexe taalpatronen begrijpen.
Sleutelconcepten:
• Natural language processing: deelgebeid van AI, richt zich op de ontwikkeling van algoritmen en
modellen die menselijke taal kunnen begrijpen, interpreteren en genereren. → kloof tussen menselijke
communicatie en computerbegrip overbruggen.
• Neurale netwerken en diep leren: neurale netweken (obv menselijk brein) → via lagen (neuronen geven
info aan elkaar door). → complexe patronen en representaties leren!
diep leren= voorbeeld van machine learning dat zich richt op het gebruik van diepe neurale netwerken
(DNN)
• Overdracht van leren: sleutelconcept → trainen van het model op een grote dataset (diverse en
uitgebreide tekstgegevens) → kennis die tijdens pretrainen is opgedaan te gebruiken!
• Transformator architectuur: convolutioneel neuraal netwerk → zelfaandachtsysteem: LLM kunnen
invoerreeksen parallel verwerken = snellere efficiënte training!
Verschillende varianten:
• GPT (open AI) van 1-4 (eerste was in 2018) = generative pre-trained transformer
• BERT (Google) = bidirectional encoder representations from transformers → context goed begrijpen
en relaties tussen woorden effectiever vastleggen
• T5 (Google Brain)= tekst-to-tekst transfer transformer → tekst naar tekstproblemen, model
nauwkeurig afgestemd op breed scale aan taken?
Belangrijke rol gehad in onderzoek naar transferleren en leren met meerdere taken.
3
