Deze samenvatting bevat uitwerkingen en aantekeningen van de hoorcollege's en zelfstudies van het vak Media en Digitale samenleving.
(Hiermee heb ik zelf 1e zittijd een 15/20 behaald)
28-09-22
ARTIFICIAL INTELLIGENCE: DISTRIBUTED INTELLIGENCE: THE WORLD IS ABOUT TO CHANGE
Eerste technologie: Internet of Things = sensoren met elkaar verbinden om informatie te verkrijgen
Tweede technologie = Artificial
Intelligence
Hype cycle van Gartner wordt elk jaar
uitgebracht:
In verticale as wat er wordt verwacht van
technologie
Horizontaal is hoelang technologie
bestaat
Expectation gaan snel omhoog, tot op
punt dat technologie maximum
expectation bereikt en limitation te zien
zijn (achter komen dat technologie niet
alles kan) en loopt eindelijk over in dat
mensen het algemeen gebruiken.
Komt dus op termijn in standaard zaken
terecht
Internet of Things (IoT):
Gaat over het netwerken van kleine
stukken elektronica waar sensoren en actuatoren op zitten waarmee info wordt behaald waarmee
kleine actuatoren (dingen die iets doen, zoals motoren) worden aangestuurd.
1974 voor het eerst gezien bankautomaat, bankkaart in machine steken en code intypen, werd
gecheckt en teruggestuurd naar device dat geld kon worden opgenomen
2008 voor eerste keer meer objecten dan mensen met internet verbonden
Gaat ook over kleding verbonden met internet door sensoren in kleding dat bepaalde
lichaamseigenschappen kan meten (wat sporters in realtime verbruiken en zweten en etc.)
Auto’s elk jaar 250 miljoen km autonoom gereden
Vanaf dat je grote technologiebedrijven kleine bedrijf opkoopt weet je dat dat kleine bedrijf
technologie heeft dat groot zal worden. Kleine bedrijven zijn vaak te klein om het groot te maken
grote bedrijven zijn stabieler
IoT gebruikt om gegevens op te halen om proces te optimaliseren belangrijk in bedrijven
3 technologieën dat nieuwe maturiteit bereikt hebben:
- Sensoren
o Veel nieuwe sensoren, maar algemeen (merendeel) in verleden ook al beschikbaar
o Zijn kleiner en accurater geworden en verbruiken veel minder energie gemakkelijker te
integreren in kleine bestaande systemen
o Energieverbruik noodzakelijk omdat systemen vaak gezet wordt op plekken waar weinig
energie is (VB= mobiel, niet hele dag op plekken kunnen opladen)
- Communicatiemethodes
o Wifi
o Bluetooth
o Cifox
, o Lora
o Bluetooth low energy
o 4G
o In IoT reeksen communicatieprotocollen nodig voor hetzelfde als bij sensoren (kleiner en
minder energie verbruiken) soms devices maken met kleine batterij dat jaren mee kan
gaan dat stuurt naar groter systeem
o Frequenties verdeeld over verschillende entiteiten dat nodig is voor communicatie 2
blokken over voor IoT dat kleiner is, moet dus optimaal worden gemaakt zodat binnen
bandbreedte blijft
o Verschil 5G en 4G 4G werkt met 1 band waar alle communicatie doorging ; 5G is banden
opgesplitst, bij ene band vol kan er nog op andere band worden gegaan (voor politie en etc.)
(bij pukkelpop was alles eruit, maar hulpdiensten konden nog wel op een band)
o CERN probleem produceerde te veel info dat naar datacenter ging niet alle software
draaien in datacenter maar ook bij de sensor alle data dat niet relevant was werd al
weggegooid zodat andere info werd doorgestuurd en wel
verwerkt kon worden
o Er is steeds meer software dat dichtbij gebruiker komt
tussen laag ontstaan, waardoor ook directe
communicatie tussen devices kan
Stel dat auto erachter rijdt en voorste auto remt als
eerst naar cloud zou moeten is het te langzaam
o Ook belangrijk hoe die vogels in werking zit met andere
vogels ook zo bij software: wordt veel getest bij
distributed software zal gedrag het resultaat zijn van alle
stukjes software samen (wordt minder getest, omdat je
alle vogels dan nodig hebt, maar dat heb je niet technologieën leiden tot ongewenst
opkomend gedrag)
- Software geschreven voor de systemen
2e technologie Artificial Intelligence
Wordt gesproken over AI wanneer we computer een beslissing laten maken, waarbij je niet kan zien
of mens of computer beslissing heeft genomen
Machine learning is onderdeel van AI waarin we zorgen dat machine leert vanuit data (algoritme
in machine gestoken waardoor het leert welke acties het moet ondernemen)
Deep learning gaat nog stap verder ontstaan door steeds krachtige computers, sensoren en etc.
Deze netwerken zijn gebaseerd op menselijk brein neuronen sturen puls naar neuronen in
omgeving wanneer ze zelf puls binnenkrijgen van andere neuronen, impulsen samen geven impuls
door leren wanneer impuls doorgestuurd moet worden, leert brein hoe bepaalde input kan
verwerkt worden naar kennis of handelingen
Elk kolom bevat neuronen (=eenvoudige wiskundige formules met input dat een output kan
genereren dat varieert van 0 tot 1)
En kolom is verbonden met neuron van volgende kolom neuron stuurt 0 tot 1 terug met bepaalde
gewicht dat input is van volgende neuron
Als netwerk niet wordt getraind komt er iets uit dat niet klopt wordt uit geleerd output moet
anders zijn dus gewichten in netwerk een beetje aanpassen zodat het dichterbij goede output komt
niet dezelfde foto maar andere foto moet ook herkent worden met dezelfde goede output
Herkenning wordt door proces in brein gedaan eerst omgeving omgezet naar zaken waarbij
contrast groter is vormt tot vormen om uiteindelijk iets te herkennen zo werken de systemen
ook
AI challenges:
1. Accuraatheid algoritmes
, 1 op 1000 niet goed Niet altijd goed genoeg elke milliseconde een detectie bij auto’s dus
dan krijg je super veel foto’s moet nooit een fout gemaakt worden dus niet goed genoeg
2. Snelheid algoritmes
AI algoritmes worden op spelletjes getest
Op 10-15 min kan je een spelletje leren AI is dat 924 uur als je bv achtergrond kleur
veranderd is voor mens niet anders maar AI leert opnieuw 924 uur
3. We need smaller chips
Kleiner maken om meer te kunnen verdelen ook in onderste laag genoeg intelligentie steken
Kan bijna niet doordat we al dicht tegen limiet zitten
4. Connectivity
Ook data van andere technologieën gebruiken
5. Data quality
Wanneer andere data worden gebruikt hoe meer kwalitatieve data hoe meer performantie,
maar bij meer onbekende externe data kan het omlaag gaan
Kan ook omgaan met beperkte data aangeven aan algoritme dat die data minder gebruikt
moet worden
Wazige foto is niet altijd een probleem als voldoende info erin zit kan algoritme het leren
6. Distributed Intelligence
Pitfalls:
1. Change management
Methodiek dat wordt gebruikt om: om te gaan met inburgeren van nieuwe technologieën
Van paard in de straten in NY 1 auto maar niemand wou met auto rijden, want paard was edeldier
(100% vertrouwen in dier en niet in motor waarvan je niet weet hoe het werkt)
Vergt kleine stappen zodat mensen er gradueel in vertrouwen
2. Misuse
Deepfake technologie
Tesla behaalde kleurencombinatie op bepaalde plek draaide auto naar rechts stickers op de
baan is dus ook te manipuleren
3. Bias/explainability
Maakt algoritme dat data inlezen dat beslissingen daarop moet maken
Representatieve data nodig bijv. gezichtsherkenning: data meer witte mannen, waardoor zwarte
mannen minder herkend werden in algoritme
Data moet accuraat zijn data uit verleden: in VS worden rechters ondersteunt door software en
geeft aan dat zwarte man meer kans had op verval dan witte man in verleden veel racisme in
politiecorps waardoor zwarte mannen sneller weer terug opgepakt werden
Data dat onethisch is beslissingen dat niet mag ondanks dat data correct zijn stel naar bank en
schrijft software dat detecteert wat de kans is dat mensen bepaalde lening kunnen terugbetalen:
input is gezinssituatie en waar je woont: bepaalde regio’s of gezinnen zullen achterraken
Dus altijd kijken naar wat is ethisch verantwoord en de risico’s
Risico’s: Nadenken waarom bepaalde beslissing wordt genomen weten of belangrijker is om juiste
beslissing te geven of belangrijker om aan te geven waarom bepaalde beslissing wordt genomen
Ethisch: Zorgen dat data goed de populatie regenereert
4. Fear
Nieuwe technologieën ontwikkelen angsten
Tesla’s minder dodelijk dan zelf rijden zoveel technologieën dat het weinig fouten maken
wanneer technologie fout maakt is het heel erg, maar wanneer mens fout maakt wordt het gezien als
normaal
, 05-10-22 ZELFSTUDIE AI
1. Paper van Kaplan en Haenlein EXAMEN
AI = system’s ability to correctly interpret external data, to learn from such data, and to use those
learnings to achieve specifiv goals and tasks through flexible adaptation.
Evolutie AI : artificial narrow intelligence (ANI) artificial general intelligence (AGI) artificial super
intelligence (ASI)
Verschillende types : Analytical AI; human inspired AI; humanized AI
ONCE UPON A TIME, THERE WAS A MAGIC MIRROR
ANI = specifieke taken van AI VB= facebook gezichtenherkenning en gebruikers taggen; Siri dat je
stem herkent; Tesla ontwikkelt zelfbesturende auto’s
AGI = in staat om automatisch problemen te redeneren, plannen en op te lossen voor problemen
waar ze niet voor zijn ontwikkelt
ASI = self-aware and conscious systems maken mens overbodig
INTERPRETATIONS OF AI: AS WHITE AS SNOW, AS RED AS BLOOD, AS BLACK AS EBONY
Definition
“Biopsychological potential to process information to solve problems or create products that are of
value in a culture.”
“Making a machine behave in ways that would be called intelligent if a human were so behaving.”
AI = system’s ability to correctly interpret external data, tot learn from such data, and to use those
learnings to achieve specifiv goals and tasks through flexible adaptation.
IoT = describes the idea that devices around us are equipped with sensors and software to collect
and exchange data kan worden gezien al seen specifieke manier om externe data te bekomen als
input voor AI (one input to big data)
Big data = describes data sets characterized by huge amounts (volume) of frequently updated data
(velocity) in various formats (numeric, textual or images/videos (variety)) inclusief (mobile) social
media applications of interne database van bedrijven
AI gebruikt IoT en big data als bron van input voor herkennen van onderliggende regels en patronen
door te vertrouwen op machinelearning
Machine learning = methods that help computers learn without being explicitly programmed
Classification
Cognitive intelligence = competencies related to pattern recognition and systematic thinking
Les avantages d'acheter des résumés chez Stuvia:
Qualité garantie par les avis des clients
Les clients de Stuvia ont évalués plus de 700 000 résumés. C'est comme ça que vous savez que vous achetez les meilleurs documents.
L’achat facile et rapide
Vous pouvez payer rapidement avec iDeal, carte de crédit ou Stuvia-crédit pour les résumés. Il n'y a pas d'adhésion nécessaire.
Focus sur l’essentiel
Vos camarades écrivent eux-mêmes les notes d’étude, c’est pourquoi les documents sont toujours fiables et à jour. Cela garantit que vous arrivez rapidement au coeur du matériel.
Foire aux questions
Qu'est-ce que j'obtiens en achetant ce document ?
Vous obtenez un PDF, disponible immédiatement après votre achat. Le document acheté est accessible à tout moment, n'importe où et indéfiniment via votre profil.
Garantie de remboursement : comment ça marche ?
Notre garantie de satisfaction garantit que vous trouverez toujours un document d'étude qui vous convient. Vous remplissez un formulaire et notre équipe du service client s'occupe du reste.
Auprès de qui est-ce que j'achète ce résumé ?
Stuvia est une place de marché. Alors, vous n'achetez donc pas ce document chez nous, mais auprès du vendeur TR01. Stuvia facilite les paiements au vendeur.
Est-ce que j'aurai un abonnement?
Non, vous n'achetez ce résumé que pour €4,49. Vous n'êtes lié à rien après votre achat.
