Garantie de satisfaction à 100% Disponible immédiatement après paiement En ligne et en PDF Tu n'es attaché à rien
logo-home
Samenvatting van het vak "Media en digitale samenleving" €4,99   Ajouter au panier

Resume

Samenvatting van het vak "Media en digitale samenleving"

 79 vues  2 fois vendu

Samenvatting van het vak "Media en digitale samenleving"

Aperçu 4 sur 77  pages

  • 6 mai 2023
  • 77
  • 2021/2022
  • Resume
Tous les documents sur ce sujet (1)
avatar-seller
zoe99
MEDIA EN DIGITALE SAMENLEVING
1. INFO VAK
 Multiple choice met cesuur (12/20  10/20)
 Open vraag
 Examen staat op 18 punten  2 punten door betrokkenheid in de colleges

Studiemateriaal en examen:

 Slides van sprekers + nota’s
 Online zelfstudie

Permanente evaluatie gebeurt door actieve input bij de 4 live sessies: studenten dienen
voor elke Q&A-sessie een vraag in te dienen die ter discussie kan gebracht worden
tijdens de live-sessie.  studenten die tijdig een vraag indienen voor elke live-sessie
krijgen hiervoor 2 punten voor permanente evaluatie. Deadlines indienen vraag (via
QUALTRICS-vragenlijst, op BB en vergeet studentennummer niet in te vullen)

 Livesessie 1: maandag 18/10 12u
 Livesessie 2: 8/11 12u
 Livesessie 3 29/11 12u
 Livesessie 4 20/12 12u


2. GASTCOLLEGE: MEDIA EN DIGITALE SAMENLEVING – THE
WORLD IS ABOUT TO CHANGE
College van Peter Hellinkckx: Hij maakt deel uit van IDLab
(onderzoekslab dat deel is van UA en Ugent). Deze zijn bezig met
connectiviteit (4G, 5G…) en gedistribueerde artificiële intelligentie.

Hoe werken ze?

Ze doen fundamenteel onderzoek maar hierbij is de insteek
voornamelijk de industrie. Ze willen ervoor zorgen dat technologie
effectief kan geïmplementeerd worden: hoe krijgen we de technologie
uitgelegd aan mensen in dat domein + hoe krijgen we de wiskundigen
opgeleid in domeinspecifieke zaken. Bv. zaken in chemie,
scheepsvaart…  samenbrengen om mensen op te leiden.

2.1 THE FUTURE I DREAM OF
Voorbeeld: zelfrijdende wagens  twee zaken dragen hieraan bij:
artificiële intelligentie en internet of things.

Gartner Hype Curve: beschrijft welke technologieën “hot” zijn en
waar ze zich bevinden in de evolutie van die technologie. Vele
zaken komen aan het begin van de curve voor. De y-as toont aan
wat mensen verwachten: eerst verwachten mensen veel en
vervolgens verzwakt dit (door teleurstellingen) en op het einde
wordt dit een plateau waarbij de verwachtingen ook effectief
uitkomen.


1

,2.2 TECHNOLOGIE 1: INTERNET OF THINGS?
The Internet of Things (IoT) is the network of physical objects, devices, vehicles,
buildings and other items which are embedded with electronics, software, sensors and
network connectivity, which enables these objects to collect and exchange data.

 Heel wat sensoren in onze omgeving (smartwatch, microfoon…) en er bestaan ook heel
wat communicatiemethodieken. Indien sensoren en communicatiemethodieken worden
verbonden met elkaar, kan er heel wat informatie op een centrale plaats bij elkaar
gebracht worden. Die connectie van al die zaken, noemt met Internet of Things, want
daarmee kunnen we met de juiste software conclusies uit trekken.

Is dit nieuw?  nee, eigenlijk is een eerste bankautomaat in 1974 al een IoT-toestel

Evolutie: in 2008 is er een specifieke grens overschreden  er waren meer objecten met
internet geconnecteerd dan mensen. In 2015 waren dat er al 5 miljard en in 2020 50
billion “devices” die geconnecteerd zijn.

 Er wordt elk jaar meer dan 250 miljoen km gereden met autonome wagens die
geconnecteerd zijn.
 Als je wil weten of een technologie “hot” aan het worden is  kijk naar de grote
tekstspelers kijken (google, samsung…), die beginnen bedrijven op te kopen.

Voorbeelden van marktpotentieel: industrieel internet in VS  $10-$15 triljoen, IoT in
publieke sector  €4,2 triljoen, IoT in private sector  €13,3 triljoen…

Samengevat:

 IoT is big business  hoe meer kennis over data, hoe meer data kan
geoptimaliseerd worden, hoe meer een concurrentieel voordeel.
 61 % of executives agree companies that are slow to integrate the IoT will fall
behind the entrepreneur
 IoT is the new internet adopt of vanish

Wat is het nu echt? 3 grote theoriën die aan de basis liggen.

 Sensoren: de grootte, de hoeveelheid energie verbruik en accuraatheid.
Voorbeelden: google glasses, aansturen van zenuwen vanuit prikkels uit de
hersenen, smartwatch…
 Communicatie: bv. Bluetooth, wifi, 5G…  nieuwe communicatieprotocolen die
minder energie verbruiken. Bv. bandjes op festival die allemaal geconnecteerd zijn
en tegelijkertijd opflikkeren.
o Voorbeeld van evolutie: 2G  3G  4G  5G. Verschil tussen 4G en 5G is
dat er bij 5G een aparte band is om de communicatie over te laten
verlopen. Dit is handig bv. als er een drama is komt het vaak voor dat
niemand nog kan communiceren met gsm, met 5G zal dit wel mogelijk zijn
 Software:
o Probleem 1: data gaat naar een bepaalde server  soms is het te veel en
wordt het onmogelijk om alles op te slaan. Zoveel devices zodat data niet
allemaal kan opgeslagen worden. Op devices iets moeten doen om te
zorgen dat centrale server “opgekuist” wordt en niet alle data naar de
centrale gaat. Ander voordeel: dit kan sneller gaan.


2

, o Probleem 2: wanneer een stuk software wordt gemaakt voor een bepaalde
machine en kan dit enkel getest worden op die specifieke machine. Maar
eigenlijk moet dat op heel veel machines tegelijk getest worden.  globaal
gedrag dat afhankelijk is van de verschillende
devices.

2.3 TECHNOLOGIE 2: ARTIFICIËLE INTELLIGENTIE
Artificiële intelligentie = a program that can sense, reason,
act and adapt.  wanneer een computer dingen kan doen
waarbij iemand niet kan weten of het door een computer of een
persoon wordt gedaan.

Machine learning = algorithms whose performance improve
as they are exposed to more data over time  computer zelf
aan de hand van data gedrag aanleren.

Basisprincipes van machine learning:

 Brein bestaande uit neuronen. Neuronen verbonden met “netwerkjes” en wanneer
er een prikkel is, zal een neuron dit doorgeven.  allemaal neuronen zijn
verbonden met elke rij en de rij ervoor. Elke input dat neuron krijgt, krijgt een
gewichtje (een getal)
o Foto  machine learning “ziet” dat meisjes over zebrapad lopen 
parking? Nee fout, het is een zebrapad. Zo wordt die machine learning
aangepast (gewichtjes aanpassen) en uiteindelijk zal die het wel kunnen
herkennen. En zal wagen kunnen remmen.
o

What are the current challenges?

 Technische problemen
o Accuraatheid van algoritmes: probleem dat het niet accuraat genoeg is,
waardoor in een automatische auto te veel accidenten zouden gebeuren.
o Snelheid van de algoritmes bv. spelletje uit jaren ’80. Voor een persoon
duurt het 15 min om spelletje te kunnen spelen, een computer kan
hierover 924 u doen. Stel dat je achtergrondkleur verandert van spel, zal
de computer hier opnieuw 924 u over moeten doen.
o Kleinere chips nodig (denk aan sensoren en communicatie die kleiner
moeten): hoe kleiner, hoe minder energie.
o Connectiviteit
o Data kwaliteit: sensorinformatie in algoritme steken, maar sensorinfo is
niet altijd hetzelfde. Bv. met gsm foto maken overdag (goed) is anders dan
foto maken in de avond (onderbelicht) verschil in data kwaliteit. Anders
hoe meer data, hoe beter algoritme, maar als er externe data wordt
gebruikt zal kwaliteit dalen.

3

, o Distributed challenges: testen of alle devices samen de juiste beslissing
nemen. Als elke device AI heeft en zijn eigen beslissing neemt  moeilijk
om te testen dat bv. zwerm dones alles goed doet samen.

Pitfalls:

 Change management: bv. New-York lang geleden met koetsen en paarden. Er
was een probleem: luchtvervuiling. Iemand had machine ontwikkeld die op basis
van benzine zich kon voort verplaatsen en de straten veel properder maakten. De
mensen toen wouden niet met wagen rijden, omdat ze het idee hadden dat ze de
controle over het voertuig konden weggeven aan een machine ipv een paard dat
ze vertrouwen  dit komt dicht bij Artificiële intelligentie, mensen vinden het
moeilijk om controle af te geven aan een machine.
 Misbruik: Obama die betoog doet die niet strookt met zijn eigen waarden en
normen  filmpje is niet echt, het is een deepfake. Op basis van heel veel beelden
van Obama is er een filmpje gemaakt waarbij Obama vertelt wat die persoon
wenst. Ander voorbeeld: tesla en bepaalde kleuren in beeld (stickers op wagen
kleven) brengen waardoor wagen atypisch gedrag vertoont, dat gevaarlijk is.
 Bias / explainability: algoritmes bouwen die gebaseerd zijn op data. Hier kunnen
bias/vooroordelen gevoed worden aan die computer.
o Dataset niet representatief voor populatie bv. een blanke man die
sneller herkend wordt dan een zwarte vrouw. Zo kwamen er meer blanke
mannen in de dataset.
Of puttendetectie: armere wijken die “beste” asfalt hadden van Boston,
maar dat kwam omdat mensen in arme wijken geen gsm hadden waardoor
oneffenheden niet gedetecteerd werden.
o Dataset van vroeger: kan oneerlijk zijn. Voorbeeld: in VS hebben ze een
stuk software gebruikt om een predictie te maken van de kans van herval
voor bepaalde criminelen. Hierbij kon het zijn dat 2 mensen het zelfde
profiel hebben, maar enkel de huidskleur verschilt  blanke politiemannen
waren gebiasd en namen veel meer zwarte mensen op dan blanke.
Waardoor algoritme niet goed kan toegepast worden.
o Onethisch: mannipulaties in data

 ethisch goed nadenken en analyses doen of alles wat je
doet correct is.

Tradeoff: bij innovatie moet rekening gehouden worden met ethics
en risks (maar dit kan ook ballast zijn). Dit zorgt ervoor dat ballon
met innovatie minder zal stijgen  ethics en risks zo licht mogelijk
maken. Zorgen voor goede tradeoff!

Bias voorkomen door populatie zeer divers te maken en team
opsplitsen in twee gedeeltjes: één team die algoritmes maakt en een ander
team die de algoritmes nakijkt;

 Angst  we mogen geen angst hebben van nieuwe technologieën. Bv. uber
wagen met dodelijke aanrijding van vrouw terwijl auto autonoom aan het rijden
was. Zo kan meteen afgevraagd worden of autonome wagens gevaarlijk zijn. Maar
doen we het zelf wel beter??
o Conclusie: veel minder dodelijke accidenten en gewonden. De technologie
heeft een enorme meerwaarde, maar die kan nu eenmaal fout zijn. De
mens zelf is veel meer fout.


4

Les avantages d'acheter des résumés chez Stuvia:

Qualité garantie par les avis des clients

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

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

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 zoe99. Stuvia facilite les paiements au vendeur.

Est-ce que j'aurai un abonnement?

Non, vous n'achetez ce résumé que pour €4,99. Vous n'êtes lié à rien après votre achat.

Peut-on faire confiance à Stuvia ?

4.6 étoiles sur Google & Trustpilot (+1000 avis)

72042 résumés ont été vendus ces 30 derniers jours

Fondée en 2010, la référence pour acheter des résumés depuis déjà 14 ans

Commencez à vendre!
€4,99  2x  vendu
  • (0)
  Ajouter