Kunstmatige intelligentie voor dommerds

Presentatie over: "Kunstmatige intelligentie voor dommerds"— Transcript van de presentatie:

1 Kunstmatige intelligentie voor dommerds
Een aantal aspecten van AI: AI kan zaken beter dan mensen (signaleren van een fout die de tester niet heeft gevonden) AI beoordeelt het werk van mensen (is die bevinding wel een blokker?) AI maakt een profiel van gebruikers (ben je er weer testertje?) AI oordeelt(kun je wel?) Gerard Numan

2 AI toepassingen Wetenschap Klant-interactie Marketing Search-engines
Beeld, spraak- en gezichtsherkenning Robotics Gaming Politiek, oorlog, liefde, testen,….

3 Thema’s Intelligentie (Dynamische) algoritmes
Machine Learning, Modelling, Neural Networks Dataïsme Post-Humanisme Wat is intelligentie? Oordeel, concept, big data, filtering, reflectie Kenmerken AI: Neuraal netwerk, model. Principe: reflectie, aanpassing aan doel, actie, big data Gevolgen: autonome, oncontroleerbare ontwikkeling, output van AI: oordelen, inzichten, superioriteit Menselijke intelligentie: tot nu verrijkt door techniek. AI: niet meer centraal, dienend en volgend. We worden dommer! Ook omdat we niet weten wat de achtergronden zijn van een AI-oordeel. We worden er door overvleugeld en geven er aan toe. Oordeel/ reflectie is een activiteit die moet worden getraind. Gebeurt niet meer. Risico’s: Traceerbaarheid Reductionisme (niet alle relevante data gebruikt)

4 Agenda Wat is intelligentie? Wat is Artificiële Intelligentie?
Impact van AI Extensies Risico’s Zegeningen Filosofie

5 Intelligentie?

6 In elk van deze intelligenties is te verwachten dat AI zijn intrede doet of al heeft gedaan.
Wat is veilig voor AI en in hoeverre vervult AI alles wat menselijke intelligentie in deze gebieden ook kan (of iets extra’s)?

7 Model

8

9

10

11 Intelligentie als proces
anderen ervaring wereld lijf doel lijf ding filter anderen doel concept wereld plan anderen taak doel wereld ding plan Per stap: Filtering Ordening Remming en ontremming Input Output resultaat actie taak lijf

12 Wat is intelligentie? Parallelle processen Ervaren Filteren Ordenen
Conceptualiseren Positioneren/handelen Reflectie Leren

13 Agenda Wat is intelligentie? Wat is Artificiële Intelligentie? Impact
Extensies Risico’s Zegeningen Filosofie

14 Wat is artificiële intelligentie?
Parallelle processen Ervaren Filteren Ordenen Conceptualiseren Positioneren/handelen Reflectie Leren Wat is intelligentie? Oordeel, concept, big data, filtering, reflectie Kenmerken AI: Neuraal netwerk, model. Principe: reflectie, aanpassing aan doel, actie, big data Gevolgen: autonome, oncontroleerbare ontwikkeling, output van AI: oordelen, inzichten, superioriteit Menselijke intelligentie: tot nu verrijkt door techniek. AI: niet meer centraal, dienend en volgend. We worden dommer! Ook omdat we niet weten wat de achtergronden zijn van een AI-oordeel. We worden er door overvleugeld en geven er aan toe. Oordeel/ reflectie is een activiteit die moet worden getraind. Gebeurt niet meer. Risico’s: Traceerbaarheid Reductionisme (niet alle relevante data gebruikt)

15 Verzameling inlognamen/ wachtwoorden
Lineaire algoritmen Verzameling inlognamen/ wachtwoorden Inlognaam/ wachtwoord Input Actie Actie Bestaat de combinatie inlognaam/ wachtwoord? IF EXISTS [Inlognaam-wachtwoord] Beslissing Output 1 THEN 2 ELSE NOK? OK? Open vervolgscherm Geef foutmelding 1 THEN OPEN PAGE 2 ELSE SHOW “NO valid login” Actie Actie Scherm met toegang Geen toegang, foutmelding Output Output

16 Een lineair algoritme Data Conditie Stappen Resultaten

17 Veel, diverse, ongestructureerde, onvoorspelbare en wisselende data
Condities Stappen Resultaten Data Data © Polteq IT Services B.V

18 Veel, diverse, ongestructureerde, onvoorspelbare en wisselende gewenste resultaten
Nodig: Parallelle processen (zie intelligentie) Data Resultaten Data Condities Stappen Resultaten Data Resultaten Data Resultaten © Polteq IT Services B.V

19 Neuraal netwerk Data Kat Data Condities Stappen Kat Data Streepjesoog?
Geen kat Zacht? Vacht? Data Resultaten +50% kop? Snorharen? © Polteq IT Services B.V

20

21 Supervised Learning Data Kat Data Condities Stappen Kat Data
Streepjesoog? Geen kat Hond Fuzzy logic Zacht? Vacht? Data Kat +50% kop? Snorharen? © Polteq IT Services B.V

22 Supervised Learning Data Kat Data Condities Stappen Kat Data
Streepjesoog? Geen kat Zacht? Vacht? Data Kat +50% kop? Snorharen? © Polteq IT Services B.V

23 Unsupervised Learning
Data Kat Data Condities Stappen Kat Data Streepjesoog? Geen kat Marter Zacht? Vacht? Data Kat +50% kop? Snorharen? © Polteq IT Services B.V

24 Dynamische algoritmen
Data labelling trainen Data Analyse Processing Resultaten Input A1 Model B Input B Resultaat X1 Input A2 Model C Input B Resultaat X2 Input A2 Model C Input A1 Model C’ Input B Resultaat X3

25 AI samenvatting Veel, onvoorspelbare data
Parallelle processen: neuraal netwerk Conceptualiseren: modelling Reflectie/ intuïtie: fuzzy logic Data bepaalt het algoritme

26 Wat kan AI (nog) niet? Causaal doorredeneren
(kan een krokodil hordenlopen?) Unsupervised learning Intentionele betrokkenheid Verbeelding 26

27 Agenda Wat is intelligentie? Wat is Artificiële Intelligentie?
Impact van AI Extensies Risico’s Zegeningen Filosofie

28 Uitbreiding van wereld
Extensie 1 Uitbreiding van wereld

29 Extensie 2 Uitbreiding van intelligentie

30 Extensie 3 Mens als onderdeel

31 Extensie 4 Meester of slaaf

32 Extensie 5 Mens als grondstof

33 Risico’s: oorzaken Uitzonderlijke data Onterechte/ beperkte labelling
Beperkte gegevens Gaps Flaws Pieken Geen traumaverwerking Niet transparant algoritme Onbegrip, angst, beeldvorming Verleiding Dataset: in hoeverre is de dataset dekkend voor waar je inzicht in wil hebben? Geldt dit per levering? Wat is de kans dat er “hikjes” in leveringen zitten? Is er nog ergens relevante data in bronnen die niet meegenomen is? Toepassingsgerelateerd: elk domein heeft zijn eigen risicoprofiel. Bv gezichtsherkenning bij misdaad of terrorismevoorspelling: snelheid dan belangrijker dan precisie. In geval van prognoses, berekeningen, diagnostiek: precisie en volledigheid belangrijker (je wilt niks missen) Ontleren: met leren wordt het model beïnvloed. In hoeverre treedt er dan regressie op en is de invloed van uitzonderlijke data te groot op wat AI doet met andere data? Afleren: kun je terug naar een stand of naar bepaalde uitgangspunten en wat als dit niet kan of onvoldoende gebeurt? Understandability: in hoeverre is het denkrproces nog te volgen en te beoordelen? Hoe belangrijk is dit? Moet je je verantwoorden?

34 Kwaliteit Brononderzoek Reductionisme Cognitieve therapie voor AI
BIAS/ Selffulfilling prophesies Trauma’s Brononderzoek Cognitieve therapie voor AI Steekproeven,…. Digital twin Testen

35 Beveiliging Brononderzoek Beveiliging Hacking
Privacy Evil machine Brononderzoek Beveiliging Cognitieve therapie voor AI Prime directives, Steekproeven,…. Digital twin Testen

36 Autonomie Onbeheersbaarheid Prime directives Blind vertrouwen
Slecht gebruik AI aversie Prime directives Begrip AI Vergelijk met HI AI voor mensen

37 Maatschappij Prime directives Werkgelegenheid Begrip AI
Mens 2.0 vs Mens 1.0 Politieke autonomie Prime directives Begrip AI Vergelijk met HI AI voor mensen Testen

38 Zegeningen: gezondheidszorg
Patroonherkenning praktijk Doorrekenen alternatieven Modelleren bionica/ implantaten

39 Zegeningen: Stad 2.0 Gedragsvoorspelling Wonen, werken, leven Verkeer

40 Zegeningen Liefde Oorlog Politiek Zorg Verkeer

41 Dataïsme Quantified Self AI en data als metafoor

42 Post-humanisme Topsport Mens 2.0 versus Mens 1.0
Partij voor de Machines Mens als God Machine als God Externe Intelligentie 2.0

43 In elk van deze intelligenties is te verwachten dat AI zijn intrede doet of al heeft gedaan.
Wat is veilig voor AI en in hoeverre vervult AI alles wat menselijke intelligentie in deze gebieden ook kan (of iets extra’s)?