THEMA 1: AI, human AI Interaction & ethiek
Hoorcollege AI: distributed intelligence: the world is about to change
Er zijn 2 belangrijke technologiën:
- Internet: heel veel sensoren combineren en zo nieuwe kennis te krijgen.
- Nieuwe technieken met hoge complexiteit aan data om hieruit dingen te leren (AI)
THE FUTURE I DREAM OF
Auto’s, fietsers kunnen op korte afstand van elkaar bewegen. Wanneer we in elk van die voertuigen de juiste
intelligentie steken en de omgeving juist kunnen inschatten, zouden we zo kunnen rijden. We zouden de
huidige verkeerssituatie kunnen optimaliseren.
Waar zijn we vandaag?
Google heeft zijn autonome wagens en zij kunnen zonder iemand aan het stuur laten rijden, interageren met
verschillende wagens in de omgeving.
De omgeving waarin die auto zich begeeft is veel eenvoudiger dan in vb. het centrum van Antwerpen. De
omgevingscomplexiteit zal zeer moelijk zijn op sommige plaatsen. Op de autosnelwegen in Vlaanderen is dit
niet moeilijk.
De vraag is hoe dergelijke zaken werken. Er zijn 2 technologieën.
- Internet of things: veel sensoren verbinden met elkaar om veel info te krijgen
- AI
Gartner Cycle for emerging technologies
Verticaal: wat wordt verwacht van technologie
Horizontaal: hoe lang technologie al bestaat
Voor elke techonolgie zo ongeveer pad volgen. In begin verwachtingen snel
omhoog tot bepaald punt dat techonolgie de maximum expectations bereikt
heeft. Er zijn ook limieten zakkingen tot niveau dat mensen de
technologie als standaard technolgie beginnen gebruiken
INTERNET OF THINGS (IOT)
Het zijn applicaties waar we kleine computers gaan verbinden met sensoren. We gaan actuatoren aansturen.
Op basis van wat we meten of voelen kunnen we acties voeren.
Geschiedenis
De eerste IOT applicatie dateert van 1974: bankautomaat
2008: belangrijk moment in geschiedenis van IOT: eerste keer dat er meer objecten verbonden zijn met
internet dan mensen (koelkasten, machines, wagens…)
2015: 4,9 miljard divices die verbonden waren met het internet. Tegen 2020 verwachten we 50 miljard. Dit
geeft grote meerwaarde, omdat elk device dat geconnecteerd is, informatie geeft.
Als je wil weten of een technologie ‘hot’ wordt, moet je kijken naar google, Amazon, Facebook…Je kijkt welke
bedrijven zij opkopen. Google heeft Nestlab opgekocht. Deze heeft een intelligente thermostaat ontwikkeld die
verbonden is met het internet en zo de verwarmingsinstallatie gaat aansturen.
1
,Marktpotentieel:
IOT wordt heel belangrijk en steeds meer gebruikt in industrie. Het wordt gebruikt voor gegevens op te halen
en zo processen optimaliseren waardevol in industrie zodat bv. minder energie verbuik, meer productie,
zuinigere productie
Bv. start internet (half jaren 90): in die tijd zijn er veel grote bedrijven verdwenen, omdat ze die technologie
niet hebben gebruikt.
Hoe werkt het? Waarom pas vanaf nu?
*Sensoren
Veel nieuwe senosren, maar merendeel vroeger ook al beschikbaar
- Sensoren kleiner en accuraat, minder energie verbruiken
- Gemakkelijker integreren in bestaande systemen
- Sensoren vaak in omgeving zeten waar weinig energie is bv. smartphone
Waarom is dit belangrijk?
Bv. technologie om verlamde mensen weer te laten bewegen: hoe kleiner, hoe minder energie ze gebruiken.
Stel je wil sensoren in het bloed krijgen of in omgevingen waar we niet makkelijk bij kunnen, dan moeten we
ervoor zorgen dat we die metingen energiezuinig kunnen doen, zodat het jaren meekan.
*Communicatiemethoden
Als je iets wil communiceren, heb je energie nodig. Hoe minder, hoe beter. Hoe meer je vb. donwload, hoe
meer je energie gebruikt.
In IOT: verschillende communicatie protocollen
- communicatieprotocollen: minder energie verbuiken verschillende jaren meekunnen
- Sturen data voort naar centraal punt en dit andere communicatie protocolen voort comuniceren
- voorbeelden protocollen: wifi, bluetooth…
Die communicatie van devices gaat over golflengtes, via frequenties. (IOT heeft maar weinig)
als je alle frequenties opdeelt in in blokjes, dan gaan we comunicatiemethodes gebruiken op zo optimaal
mogelijke manier. Andere blokken ingevuld voor bv. politie
Problemen:
- Vb. Vaticaan (2005 vs. 2013): we gaan heel veel meer geconnecteerde devices in een heel kleine
omgeving hebben. Dan krijgen we chaos.
- Vb. Tommorowland: 80 000 mensen met een armband; 80 000 smartphones; 1000 wireless routes
gigantische interferentie hoe kan dat? Al die bandjes knipperen op dezelfde moment. Al die
communicaties moeten op dezelfde moment gerealiseerd worden.
- Vb. Haven: internet video bewaking, containers zijn gemaakt van metaal. Die signalen kunnen maar
moeilijk door metaal.
Hoe kunnen we dit allemaal doen?
We gaan daarom nieuwe technologieën ontwikkelen, vb. 5G. Verschil 5G en 4G:
- 4G werkte met 1 band waar alle communicatie door ging
- 5G: banden opsplitsen als 1 band verzadigd is, dan nog steeds andere band hebben voor
noodgevallen zoals politie en ambulances enzo
Waarom was IOT er vroeger nog niet? Omdat het onderzoek naar die complexe communicatiemethodieken
nog niet gebeurd was.
2
,*Software
Probleem 1: CERN is organisatie die onderzoek doet naar elementaire deeltjes.
Detectoren: deeltjes op elkaar schieten en spatten uit elkaar in elementaire deeltjes en deze meten welke eruit
komen.
Grote sensor die in verschillende lagen gaat kijken welke beweging deeltjes maken van centraal botspunt
Wat was het probleem? Het aantal sensoren was zo groot, dat men met een groot datacenter het niet verwerkt
kregen. Er werd zoveel data gegenereerd dat men het niet verplaatst kregen naar datacenter
Oplossing: gedistribueerde software
- Software draaien dicht bij sensor
- Alle data die niet relevant was werd weggegooid beperkte hoeveelheid maar doorgestuurd naar
datacenter
Deze problematiek hebben we ook bij IOT. Heel veel sensoren die data doorsturen
Werken in gelaagde software:
- Bij sensoren zelf is er basis die data al verwerkt
- Tussenlaag: sensorinfo combineren (fusie) en doorsturen naar cloud
- Cloud: met gecombineerde info verdere algoritmes aansturen
Zo niet alle sensor info helemaal tot boven gaan
Vroeger: Devices die connecteren naar website, app, ..
Vandaag: Software dichter bij gebruiker (tussenlaag)
Toekomst: Rechtstreekse communicatie tussen devices onderling
Probleem 2: zwermen van vogels die mooie vormen volgen. Deze verkregen door beslissingen die elke
individuele vogel neemt. Stel dat vogels andere beslissing nemen dan deze situatie niet krijgen. Het is belangrijk
hoe vogel werkt + ook hoe vogel werkt in globale omgeving van verschillende vogels.
Distributed software: gedrag dat we bekomen is resultaat van stukjes indivudele software samen
Dit wordt onvoldoende getest, want niet veel vogels (of bv gsms) veel simulatie nodig dat gevaar is
Vb. Waze: zou dit werken als je het maar met 3 personen gebruikt? Nee, het moet verspreid zijn. Het globale
gedrag noemt men emergent behaviour. Je kan dit niet testen als je een device maakt.
Problemen ontstaan doordat individuele zaken geconnecteerd zijn
ARTIFICIAL INTELLIGENCE
Wat is het verschil met machine learning?
AI: wanneer we computer beslissing laten nemen op zo’n manier dat we geen onderscheid kunnen maken of
dat mens of computer beslissing heeft genomen. Machine learning is onderdeel van AI
Machine learning: we zorgen ervoor dat machine zelf leert uit voorbeelden, data
We steken algoritme in machine die obv wat die heeft gezien de juiste acties uit neemt
met verschillende leermethodes kijken hoe een machine obv data zelf zijn beslissingen kan nemen
Deep learning: gaat nog stap verder
- ontstaan door steeds krachtigere computers, processors die er zijn
- techniek binnen machine learning; neurale netwerken met heel veel lagen; je kan complexe zaken
hiermee moduleren
Het zijn allemaal wiskundige vergelijkingen. Hoe groter vergelijkingen, hoe meer info je kan innemen
3
, Hoe werkt machine learning?
Het is geïnspireerd op het menselijk brein. Het brein bestaat uit neuronen die pulsen sturen naar andere
neuronen als ze zelf pulsen ontvangen.
Neuraal netwerk brein vereenvoudigd en in een computer gestoken. Neuronen: eenvoudige wiskundige
formules waaraan je input geeft. Een klein verschil in input kan output variëren van 0 naar 1 op korte
afstand waarden laten variëren van 0 naar 1.
Elke neuron van kolom verbonden met elk neuronen van volgende kolom. Ook gewicht ertussen. Een neuron
stuurt een waarde uit tussen 0 en 1 en dit wordt vermenigvuldigd met bepaald een gewicht. Dit wordt de input
van het volgend neuron. En zo verder
We geven als input: we geven de kleur van de pixels mee. Als we de outputwaarde kennen (vb. foto van
zebrapad), dan kunnen we zeggen dat het resultaat fout is en het netwerk aanpassen. We passen de
verschillende gewichten aan.
We kunnen dit in een auto plaatsen: wanneer iemand op het zebrapad loopt, gaat de rem geactiveerd worden.
Wat zijn de huidige AI challenges?
TECHNISCH
Accuraatheid van een algoritme
Foto van zebra’s in een veld: neuraal netwerk herkent dit. Een andere foto was fout. Dit gebeurt bijna nooit.
Ook al kunnen we al veel, is de accuraatheid niet genoeg, zeker niet voor in het verkeer.
Algoritmes doen bijna alles juist, maar toch niet accuraat genoeg. 1 foto op 1000 foto’s is niet goed genoeg
Probleem acuraatheid: we mogen nooit fout maken in bv verkeer
Snelheid van algoritmes
Videospelltjes van vroeger: we kunnen die inputs aan het netwerk geven en leren hoe we dat moeten spelen.
Wij kunnen dat spel op 15 minuten. Het netwerk doet daar 924 uur over. Dit gaat dus veel trager.
Stel dat blauw groen had geweest, dan doet het netwerk er weer 924 uur over om te leren.
Kleinere chips nodig: Hoe kleiner, hoe minder energie verbuikt wordt.
Connectiviteit
Data gebruiken in algorimtes: we willen eigen data gebruiken + data gebruiken van andere technologie
(verschillende info gebruiken uit verschillende plaatsen)
Kwaliteit van data
Algoritmes maken waarin we data gebruiken van andere entiteiten waar dat data andere kwaliteit kan hebben.
Hoe meer kwalitative data, hoe beter performantie. Als je externe data gebruikt en je weet kwaliteit niet dan
kan performantie naar beneden gaan. Als je dit wel weet, dan kan je data verbeteren of ermee omgaan, Bv.
tegen algoritme zeggen die data minder gebruiken
Als je niet weet wat kwaliteit is van data, dan moeilijker, omdat algoritme data gaat benaderen als hoge
kwaliteit data
Gedistribueerde intelligentie
Stel dat we software hebben die zelf dingen bijleren en waarvan het totale gedrag het resultaat is van wat al
die componenten geleerd hebben en beslist hebben. Dan is het moeilijk te testen wat het eindresultaat is.
PITFALL
Gaat vooral over nieuwe technologie en hoe we er mee om moeten gaan
Change management
Methodiek die wordt gebruikt om om te gaan met inburgeren van nieuwe technologieën. Nieuwe technologie
inburgeren vergt kleine stappen zodat mensen er meer en meer in kunnen geloven.
4
