Media en Digitale Samenleving
H1: Distributed Intelligence
Inleiding
Situatie vandaag op vlak van technologie:
Verschillende auto’s die vanzelf kunnen rijden (volledig autonoom), maar wel op
“makkelijke” trajecten
Toepassingen zoals adaptive cruisecontrol met lane assist enz.
Twee grote technologieën achter voorgaande voorbeelden:
Internet of Things: heel veel sensoren en actuatoren via een netwerken met elkaar
verbinden om informatie te vergaren
Artificial Intelligence: zie verder
Gartner Hype Cycle: een grafische voorstelling van een gemeenschappelijk patroon dat
ontstaat bij elke nieuwe technologie of andere innovatie
Verticale as: wat men
verwacht van de technologie
Horizontale as: hoe lang de
technologie al bestaat
Elke technologie volgt
ongeveer hetzelfde traject
op de curve
Internet of Things
Wat? Netwerk van kleine stukken elektronica (adaptoren en actuatoren) zodat we
informatie kunnen vergaren en zodat we motoren of andere actuatoren kunnen aansturen
Wordt gebruikt om gegevens op te halen en op basis daarvan processen te optimaliseren
,Wanneer? Kwam eerst op in 1974 in de vorm van een bankautomaat
2008: Meer objecten met het Internet verbonden dan mensen
Voorbeelden:
Ook kleding is verbonden met het internet, via bijvoorbeeld sensoren die
lichaamsgegevens (hartslag, calorieverbruik) kunnen meten
Elk jaar wordt er 250 mio kilometer autonoom gereden
Wanneer is een technologie belangrijk of relevant? Wanneer een groot technologie bedrijf,
zoals Google of Samsung, een technologie opkoopt van een startup
Waarom (nu)? Drie technologieën die een nieuw niveau van maturiteit bereikt hebben
1. Sensoren: veel sensoren waren in het verleden ook al wel beschikbaar, maar ze zijn
nu kleiner, accurater en zuiniger
Zorgt voor makkelijkere integratie in kleine, bestaande systemen
Energieverbruik is zeer belangrijk omdat sensoren vaak in omgevingen
moeten geplaatst worden waar weinig energie aanwezig is
Verder ook heel veel evoluties in wat een sensor kan
Bv. een artificiële hand die hersenprikkels kan lezen en zo een verlamd
hand kan laten bewegen
2. Communicatie: Gaat over dingen zoals WiFi, 5G, Bluetooth…
Binnen IoT zijn er heel wat verschillende communicatieprotocollen
Ook deze verbruiken steeds minder energie (soms kunnen we apparaten
maken met een batterij die meerdere jaren mee gaat)
Communicatieprotocollen sturen data door naar een centraal punt, en dat
centraal punt kan met grotere bandbreedte (andere
communicatieprotocollen) verder communiceren
Hoe connecteren we al onze apparaten?
Gebeurt via bepaalde frequenties die we kunnen gebruiken om te
communiceren
Deze lijst van frequenties wordt verdeeld over verschillende entiteiten
op basis van hoeveel plaats we nodig hebben op het radio spectrum
Twee problemen
o We hebben niet zoveel ruimte op het radio spectrum om aan
communicatie te doen
o Er is een veranderende situatie in hoe we onze technologie
gebruiken (= chaossituatie)
Nieuwere technologieën die nu gemaakt worden lossen deze
problemen (deels) op
EXTRA: verschil tussen 4G en 5G 4G werkte met 1 band waar alle
communicatie plaatsvindt, bij 5G zijn deze banden opgesplitst
3. Gedistribueerde software
Problemen:
Soms wordt er te veel data gegenereerd waardoor het onmogelijk
wordt om deze te communiceren naar een datacenter
o Oplossing: gedistribueerde software Niet alle software
wordt gedraaid in het datacenter, maar ook bij de sensor zelf,
waardoor alle irrelevante data eruit gefilterd kan worden
, o Zelfde probleem hebben we bij IoT
Bij gedistribueerde software is het “gedrag” van de software eigenlijk
een samenstelling van allemaal kleine individuele delen software, wat
vaak te weinig getest wordt
Al onze apparaten connecteren ons rechtstreeks met apps, websites… maar
dit verandert zeer snel
We evolueren naar ook rechtstreekse communicatie tussen apparaten
onderling
Belangrijk omdat we door nieuwe technologieën soms heel snel
moeten reageren (zoals bijvoorbeeld bij autonome wagens)
Arti fi cial Intelligence
Artificial Intelligence vs. Machine Learning vs. Deep Learning?
AI: Wanneer we een computer een beslissing kunnen laten nemen op zulke manier
dat we geen onderscheid kunnen maken tussen of de beslissing genomen is door een
mens op door een computer
Machine Learning: onderdeel van de AI dat vandaag steeds meer aan populariteit
wint, waarin we ervoor zorgen dat de machine zelf leert uit voorbeelden of uit data
Methodologie van Machine Learning is gebaseerd op het menselijk brein:
i. Brein bestaat uit neuronen die een puls kunnen uitsturen naar neuronen
in hun omgeving
ii. Doet het wanneer er pulsen binnenkomen van andere neuronen
iii. Vertaalt zich naar Machine Learning door de neuronen om te zetten in
wiskundige functies die een bepaalde waarden (0 of 1) kunnen
aannemen, dat verbonden is met andere “neuronen” via gewichten
waarmee de output van de wiskundige functie vermenigvuldigd wordt en
een andere output geeft
iv. Indien netwerk niet getraind wordt, zal de output totaal niet kloppen met
de input
v. Dus: we gaan hieruit leren, dus gewichten binnen het netwerk worden
steeds een klein beetje aangepast
vi. Werkt een beetje op de manier waarop wij zelf interpretaties doen, zo
kunnen we personen van elkaar onderscheiden
vii. Zo kunnen apps als Obsidentify bijvoorbeeld na een tijd verschillende
plantsoorten van elkaar kunnen onderscheiden, of autonome wagens
weten wanneer ze moeten remmen bij een zebrapad
Deep Learning: ook een onderdeel van AI dat nog een stap verder gaat dan Machine
Learning, is ontstaan door de steeds krachtigere computers die er zijn en de nieuwe
technologieën
Technische challenges?
Accuraatheid van algoritmes
, 1 foto die niet herkend wordt op 1000 foto’s die wel herkend worden is een
zeer groot probleem wanneer we AI proberen toepassen in het verkeer of
wanneer technologie in aanraking komt met kinderen (bv. Alexa die
pornografisch materiaal afspeelt voor kinderen)
Snelheid van de algoritmes
Iets wat een mens op 15min leert, leert AI op 924uur
Probleem hiermee is dat bij elke kleine aanpassing (bv. achtergrondkleur) de
AI technologie terug die 924uur nodig heeft
Dit vraagt zeer veel energie, wat niet zo gemakkelijk beschikbaar is
We hebben kleinere chips nodig
Ze moeten kleiner worden zodat ze nog meer verdeeld kunnen worden en ze
minder energie gebruiken
Schaal waarop we nu werken zit al zeer dicht bij de limieten, dus zeker niet
evident
Connectiviteit van de data
We willen niet enkel eigen data gebruiken, maar ook de data van anderen
Hier komt IoT-verhaal weer boven
Kwaliteit van de data
Wanneer algoritmes data van andere entiteiten gebruiken, is kwalitatieve
data belangrijk
Verschillende kwaliteit van data zorgt ervoor dat de performantie daalt
Gedistribueerde intelligentie
We hebben allemaal aparte AI componenten die getraind zijn op een bepaald
type data, en die entiteiten moeten een globaal gedrag hebben dat wij voor
ogen hebben
Is enorm complex
Valkuilen?
Change management: methodiek die gebruikt wordt om om te gaan met nieuwe
technologieën
Kijk bijvoorbeeld naar vroeger het verkeer, dat bestond uit paard en kar, maar
er waren wel een aantal problemen hiermee (zoals uitwerpselen van paarden
op straat), maar toen kwam er de ontwikkeling van de auto
MAAR niemand wou met de auto rijden, want ze geloofden dat hun paard
een edel, intelligent en betrouwbaar dier, en ze konden dat vertrouwen niet
geven aan een motor
Nieuwe technologie inburgeren vraagt kleine stappen zodat mensen gradueel
vertrouwen kunnen opbouwen
Misbruik van de technologie
Kijk bijvoorbeeld naar Deep Fake technologie
Is wel niet enorm erg, want voor elk misbruik is er ook een technologie om dit
misbruik te detecteren
Bias en Explainability
Je moet een representatieve dataset hebben
