College aantekeningen

College aantekeningen media en digitale samenleving

12 keer bekeken 0 keer verkocht

Instelling
Universiteit Antwerpen (UA)

Dit zijn notities van het vak, maar tegelijkertijd een heel overzichtelijke en gedetailleerde samenvatting.

[Meer zien]

Voorbeeld 4 van de 47 pagina's

Bekijk voorbeeld

Geupload op 28 maart 2024
Aantal pagina's 47
Geschreven in 2023/2024
Type College aantekeningen
Docent(en) Karolien poels
Bevat Alle colleges

mis en desinformatie
safety
security
ai
online grensoverschrijdend gedrag

Media en digitale samenleving
LES 27/09: introductie + les 1 AI
Intro korfvakken (zie ppt)
Les 1 AI (ppt)
Die auto’s werken niet enkel door AI, je kan alleen maar AI gebruiken als er voldoende resources zijn.
Je hebt voldoende data nodig. Naast AI (hersenen) genoeg data (= IoT)
Technology 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.”
 Een manier om objecten en devices via netwerken met elkaar verbinden zodat we software
en sensoren via netwerk connectiviteit bij elkaar krijgen en zo dingen kunnen doen
 Data verzenden van één systeem naar andere
 Geschiedenis
o 1974
 eerste IOT device was de bankautomaat
 Eerste device dat aan een netwerk hing en zo via
software dingen kon checken die op je kaart staan
o 2008
 Tot 2008 internet enkel voor ons (gsm aan ons
verbonden)
 Daarna omgeslagen naar objecten die geconnecteerd zijn met internet
o Zelfs kleren verbonden aan internet
o Dia 26: we zien dat technologie belangrijker wordt
o Dia 28: IoT nodig in bedrijven net zoals het internet
 Wat is het?
o Sensoren
 Heel wat nieuwe sensoren ontstaan
 Het zijn geen zaken die we vroeger niet konden
 Verbruiken veel minder energie dan vroeger
 Veel makkelijker toepassen voor langere periode (minder snel
batterij)
o Communicatie
 Veel meer personen krijgen een device geconnecteerd met
het internet
 Meer connectiviteit bij individuen
 Tomorrow land: bandjes aan en uit gecontroleerd
 Hoe connecteren we al die devices?
 Verschillende frequenties
 5G voor elke specifieke taak een andere band
o Software
 App stuurt data door naar centrale server, niet directe connectie
 Gsm die signalen uitsturen
 Probleem 1
 Programma op video identificeren (zoveel procent kans dat het een
mens is)
 Je hebt daar heel wat rekenwerk voor nodig

,  Rekenwerk gebeurt door de auto niet door data
 Moeten we het lokaal doen of versturen naar een data center en dan
terugsturen
 Hebben we wel de tijd omdat te versturen of moeten we het lokaal
doen
 Probleem 2
 Deeltjesversneller
 Sensor die gaat kijken wat er gebeurt als we twee deeltjes samen
mengen
 Wanneer al die data van de sensor naar het data centrum wilde
sturen ging niet was teveel data
 Dus ze hebben lokaal al een aantal berekeningen gedaan door de
nuttige data te versturen
 Dat moeten we ook doen bij IOT
 Systeem met tussenstations enkel relevante data naar centrale omgeving
 Dia 49: van lokaal naar data steeds kleiner en kleiner
Technology 2: AI
 AI
o AI is een verzameling van technieken die bepaalde intelligentie gaat nabootsen
o Je spreekt van AI vanaf dat een device een beslissing kan nemen waarvan we niet
kunnen of dit door de mens was of
door machine
 Machine learning (onderdeel AI)
o Als we software schrijven gaan we zelf
regels intypen
o ML kunnen we voeden met data en zo
gaat de technologie zelf leren
beslissingen te nemen
 Deep learning (onder AI)
o Doordat onze data centers zo groot zijn
o complexe netwerken met diepe lagen
 Machine learning kan op verschillende manieren
o Supervised: foto’s classificeren van honden en katten, foto geven aan device en jij
gaat het hem leren
o Unsupervised: zonder dat er structuur is (je weet niet wat een kat of een hond is) in
onze data toch conclusies trekken
o Reinforcement learning: iets leren en dan mislukt het, jezelf verbeteren met
feedback
o Transfer learning: van katten naar panda’s herkennen zullen er veel dingen
overeenkomen, dus eerste bestaande info halen uit netwerk
 Neuraal netwerk
o Werking brein: een neuron geeft een impuls naar volgend neuron
o Foto als input voor neuraal netwerk, vanachter moet verteld worden in wat voor een
situatie we zitten
 Learning
o Supervised learning gebruiken om probleem op te lossen
o Input bij elkaar op tellen komt een output uit
o Door onze zenuwbanen aan te passen kunnen we dingen leren
 Reinforcement learning
o Agent krijgt reward door te zeggen of het goed of niet goed is

,  Transfer learning
o Stuk netwerk hergebruiken
 Werkt het? Ja, toch nog problemen
 Technical challenges
o CHALLENGE 1: ACCUARCY OF ALGORITHMS
 Beschrijft de foto’s niet accuraat genoeg
 Vermijden dat er fouten gebeuren
 Heel wat contexten waarvoor we accurater moeten zijn
o CHALLENGE 2: WE NEED SMALLER CHIPS
 Kleinere chips, minder energie
o CHALLENGE 3: SPEED OF ALGORITHMS
 Wij leren dat snel om een spelletje te spelen, een computer veel langer
o CHALLENGE 4: CONNECTIVITY
 Hoe sneller wel hoe beter de connectiviteit
o CHALLENGE 5: DATA QUALITY
 Bij metingen is er een kwaliteitsfactor
 Hoe meer data hoe beter maar het moet wel van goede kwaliteit zijn
 Alleen goede en slechte daar kan het iets mee doen, maar niet gemengd
o CHALLENGE 6: ENERGY
 Ecologische voetafdruk moet kleiner om data te verbeteren
o CHALLENGE 7: DISTRIBUTED INTELLIGENCE
 Samen als 1 groep ergens naar toe werken
o CHALLENGE 8: STAYING IN CONTROL
 We moeten controleren houden over de devices
 Kan lijken alsof het optimaliseert, maar eigenlijk is het niet
 Pitfalls
o PITFALL 1: CHANGE MANAGEMENT
 De uitlaat van de paarden was een probleem
 Auto wilde niemand gebruiken omdat iedereen zijn eigen paard vertrouwde
o PITFALL 2: MISUSE
 President Obama laten spreken in een video die levensecht lijkt
o PITFALL 3: BIAS/EXPLAINABILITY
 Meer blank dan zwarte mannen
 De geschiedenis is oneerlijk
 Onethische beslissingen
 AI niet racistisch maar gebruikt onze racistische data
 Op een goede manier opgaan met risico’s en ethiek
o PITFALL 4: FEAR
 Autonome auto’s gevaarlijk, met bestuurder niet veel beter
 Als die minder fouten maakt dan wij zelf zouden doen dan is het goed
 Hoe passen we AI toe?
o Perceptie
 Vanuit een foto detecteren wat een object of iemand is
o Representatie
 Voorstelling maken van u wereld
o Genereren
 Beschrijving en geeft dan zelf foto’s
o Controle

LES 4/10: Zelfstudie AI

, Tekst taalmodellen
 Definitie van LLM’s (large language models)
o Grote taalmodellen zijn geavanceerde AI-systemen die gebruikmaken van enorme
hoeveelheden gegevens en geavanceerde algoritmen om menselijke taal te
begrijpen, te interpreteren en te genereren. Ze zijn voornamelijk gebouwd met
behulp van diepgaand leren technieken, met name neurale netwerken, waarmee ze
grote hoeveelheden tekstgegevens kunnen verwerken en ervan kunnen leren
 Belang en toepassingen van LLM’s
o Tekstgeneratie en aanvulling
o Machine vertaling: automatisch van de ene taal naar andere vertalen
o Sentimentanalyse: bepalen van emotie uitgedrukt door tekst
o Vraag en antwoord systemen
o Chatbots en gespreksagenten
o Tekstsamenvatting
o Natuurlijke taalinterface voor data bases
o Inhoud generen en parafraseren
o Hulp bij generen van codes en programmeren
o Onderwijs en onderzoek
 Korte geschiedenis van LLM ontwikkeling
o Hun snelle evolutie begon echter met de komst van deep learning-technieken en de
introductie van de Transformer-architectuur in 2017.
o Evolueren naar meer krachtige modellen GPT, BERT,…
 Sleutelconcepten en componenten van LLM’s
o NLP begrijpen
 Natural Language Processing is een deelgebied van kunstmatige intelligentie
dat zich richt op de ontwikkeling van algoritmen en modellen die menselijke
taal kunnen begrijpen, interpreteren en genereren.
 NLP heeft tot doel de kloof tussen menselijke communicatie en
computerbegrip te overbruggen, waardoor machines tekst- en
spraakgegevens kunnen verwerken en analyseren op een manier die
menselijk begrip nabootst.
o Neurale netwerken en diep leren
 ~ menselijk brein
 Diep leren is een deelgebied van machine learning dat zich richt op het
gebruik van diepe neurale netwerken (DNN's) met veel lagen. De diepte van
deze netwerken stelt hen in staat om hiërarchische representaties van
gegevens te leren, wat vooral gunstig is voor taken zoals NLP, waar het
begrijpen van de relaties tussen woorden, zinsdelen en zinnen cruciaal is.
o Overdracht van leren in LLM’s
o Transformator-architectuur
 Dankzij het zelfaandachtsmechanisme binnen de Transformer-architectuur
kunnen LLM's invoerreeksen parallel verwerken in plaats van opeenvolgend,
wat resulteert in snellere en efficiëntere training. Bovendien stelt de
architectuur het model in staat om langdurige afhankelijkheden en relaties
binnen de tekst vast te leggen, wat van vitaal belang is voor het begrijpen
van de context en het genereren van coherente taal
 Prominente LLM’s en hun mijlpalen
o GPT-serie
 Elke iteratie van de GPT-serie bouwt voort op de fundamenten van zijn
voorgangers en bereikt nieuwe niveaus van prestaties en mogelijkheden.

Voordelen van het kopen van samenvattingen bij Stuvia op een rij:

√ Verzekerd van kwaliteit door reviews

Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!

Snel en makkelijk kopen

Je betaalt supersnel en eenmalig met iDeal, Bancontact of creditcard voor de samenvatting. Zonder lidmaatschap.

Focus op de essentie

Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.

Van wie koop ik deze samenvatting?

Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper axelleleuridan. Stuvia faciliteert de betaling aan de verkoper.

Zit ik meteen vast aan een abonnement?

Nee, je koopt alleen deze samenvatting voor €20,16. Je zit daarna nergens aan vast.

Is Stuvia te vertrouwen?

4,6 sterren op Google & Trustpilot (+1000 reviews)

Afgelopen 30 dagen zijn er 53340 samenvattingen verkocht

Opgericht in 2010, al 14 jaar dé plek om samenvattingen te kopen

Start met verkopen

Populaire universiteiten

Populaire hogescholen

Populaire studieboeken voor Communicatie en Taal

Populaire studieboeken voor Economie en Bedrijf

Populaire studieboeken voor Exact en Informatica

Populaire studieboeken voor Gedrag en Maatschappij

Populaire studieboeken voor Gezondheid en Geneeskunde

Populaire studieboeken voor Recht en Bestuur

Verkoper