Je bent vanmorgen waarschijnlijk al een paar keer AI tegengekomen zonder het door te hebben. Je mailprogramma besliste welke berichten in de spammap belandden, je telefoon stelde woorden voor terwijl je typte, en je navigatie koos de snelste route langs de file. Allemaal AI, en je koffie was nog niet eens op.

AI klinkt misschien futuristisch, maar het zit allang verweven in je dagelijks leven. Van spraakassistenten zoals Siri tot zelfrijdende auto’s: AI verandert hoe we werken en leven. In deze les ontdek je wat AI precies is, hoe het verschilt van gewone software, en waarom het zo’n belangrijk vakgebied is geworden.

Leerdoelen.

Aan het einde van deze les kun je:

1. Definiëren wat AI is en de kernideeën begrijpen.
2. Basiskenmerken van AI herkennen die het onderscheiden van andere technologieën.

Hoofdstukken

1. Wat is AI?
2. Het verschil tussen AI algoritmen en traditionele software;
3. Enkele basisbegrippen.

1. Wat is AI?

AI staat voor Artificial Intelligence, in het Nederlands kunstmatige intelligentie. Het is de tak van de informatica die zich bezighoudt met het creëren van een kunstmatige vorm van intelligentie. AI gaat niet alleen om het begrijpen van computers, maar vooral om het ontwikkelen van machines en programma’s die taken kunnen uitvoeren die normaal door mensen worden gedaan, of die menselijke intelligentie vereisen.

AI probeert die taken niet alleen na te bootsen, maar soms zelfs beter uit te voeren dan wij. Denk aan een breed scala aan activiteiten:

• taal spreken en begrijpen;
• gezichten en objecten herkennen;
• beslissingen nemen;
• nieuwe vaardigheden leren.

Het bijzondere is hóé AI dat doet. AI bestaat uit algoritmen en modellen die data gebruiken om zichzelf te verbeteren, op een manier die lijkt op hoe mensen leren: door patronen te herkennen en te leren van ervaring.

In de kern is AI een combinatie van computerwetenschap, statistiek en neurobiologie, waarbij neurale netwerken (geïnspireerd op het menselijk brein) een belangrijke rol spelen.

Waarom is dat zo bijzonder? AI gaat verder dan automatisering. Automatisering volgt vaste, vooraf geprogrammeerde regels. AI kan flexibel reageren op nieuwe situaties door gebruik te maken van data en ervaring. Dat maakt AI veelzijdiger en slimmer dan standaard software.

1.1 Definitie van Intelligentie:

Het is lastig om te definiëren wat ‘intelligentie’ eigenlijk is, en dat maakt het meteen lastig om uit te leggen wat AI is.

Wanneer een computer voor het eerst iets ingewikkelds doet, zoals een schaakkampioen verslaan, vinden we dat een geweldige prestatie. Maar zodra het lukt, wennen we er razendsnel aan. Het wordt de nieuwe norm en lijkt niet meer zo bijzonder.

Onze verwachtingen schuiven mee met elke nieuwe doorbraak. Vandaar de bekende uitspraak: ‘AI is wat we de computer nog niet kunnen laten doen.’

Wat serieuzer bekeken: experts zoals Andreas Kaplan en Michael Haenlein omschrijven AI als systemen die informatie kunnen begrijpen, ervan kunnen leren, en die kennis kunnen inzetten om doelen te bereiken door zich slim aan te passen.
De turingtest, bedacht door Alan Turing, stelt het simpel: als een computer een mens kan laten geloven dat hij met een mens praat, dan beschouwen we die computer als intelligent.

Sommigen denken dat AI uiteindelijk net als mensen zal worden. Anderen zien het vooral als een manier om menselijke kwaliteiten te versterken met rekenkracht. AI haalt daarbij inspiratie uit de biologie, zoals neurale netwerken en genetische algoritmen.

En het blijft allang niet meer bij onderzoek: Google gebruikt AI om zoekopdrachten beter te begrijpen, en in marketing helpt AI om werk te personaliseren en te verbeteren.

2. Het verschil tussen AI, algoritmen en traditionele software.

Traditionele software werkt op basis van vaste instructies: regels die door programmeurs van tevoren zijn geschreven. Denk aan een rekenmachine die altijd hetzelfde antwoord geeft op een som, zolang je dezelfde invoer gebruikt.

Algoritmen vormen de basis van zowel traditionele software als AI. Een algoritme is een set stappen die een probleem oplossen of een taak uitvoeren, vergelijkbaar met een recept. Bij traditionele software zijn deze stappen vastgelegd en veranderen ze niet.

Artificial Intelligence gaat nog een stap verder. In plaats van alleen vaste regels te volgen, gebruikt AI zelflerende algoritmen die kunnen leren van data en nieuwe patronen ontdekken. AI past zichzelf aan en wordt beter op basis van ervaring, zonder dat een programmeur alle regels vooraf hoeft te bepalen. Bijvoorbeeld:

• Traditionele software: “Als temperatuur > 30°C, dan zet airco aan.” (De regel is vooraf geprogrammeerd en verandert niet.)
• AI: Leert van eerdere data en omstandigheden, zodat het kan voorspellen wanneer de airco nodig is, zelfs als de temperatuur nog stijgt.

Samenvattend:

• Algoritmen: De basisregels of stappen die taken uitvoeren.
• Traditionele software: Gebruikt vaste algoritmen die niet veranderen.
• AI: Gebruikt zelflerende algoritmen om zich aan te passen en slimmer te worden.

AI is dus flexibeler en slimmer dan traditionele software omdat het zelfstandig kan leren en verbeteren op basis van nieuwe informatie.

Test jezelf: software of AI?:

Even kijken of het blijft hangen. Lees de vier situaties hieronder en bedenk voor jezelf: is dit traditionele software (vaste regels) of AI (leert van data)? Pas daarna kijk je naar de antwoorden.

1. Een rekenmachine die altijd hetzelfde antwoord geeft op dezelfde som;
2. Je telefoon die voorspelt welk woord je waarschijnlijk wilt typen;
3. Een thermostaat met de vaste regel: boven de 30 graden gaat de airco aan;
4. Een spamfilter dat na verloop van tijd steeds beter wordt in het herkennen van nieuwe spam.

Antwoorden:

1. Traditionele software. Vaste regel, vast antwoord;
2. AI. Het leert van wat jij eerder typte en past zich aan;
3. Traditionele software. De regel staat vast en verandert niet;
4. AI. Het leert van nieuwe voorbeelden en wordt er beter in.

Had je ze alle vier goed? Dan snap je het belangrijkste verschil al: vaste regels versus leren van data.

3. Enkele Basisbegrippen:

Je hoeft deze begrippen nu niet uit je hoofd te leren. Zie deze lijst als een kaart van waar we de komende lessen naartoe gaan. Veel van deze termen kom je later vanzelf weer tegen, precies op het moment dat je ze nodig hebt. Lees ze nu één keer rustig door, zodat ze je straks bekend voorkomen. De volledige begrippenlijst vind je in de module Extra Stof.

Kernbegrippen: deze kom je meteen tegen:

• Algoritme: een set instructies die een computer volgt om een taak uit te voeren. Vergelijk het met een recept: het vertelt stap voor stap wat je moet doen.
• AI: technologie die machines slim maakt en in staat stelt om taken uit te voeren zoals mensen dat doen.
• Machine Learning (ML): het vermogen van machines om te leren en te verbeteren op basis van ervaring, zonder dat ze daarvoor expliciet geprogrammeerd zijn.
• Deep Learning: een vorm van machine learning die kunstmatige neurale netwerken gebruikt om de werking van het menselijk brein na te bootsen.
• Neural Networks (neurale netwerken): computersystemen geïnspireerd op het menselijk brein, die patronen leren en beslissingen nemen.
• Generatieve AI: AI die nieuwe data kan creëren die lijkt op de data waarmee het is getraind, zoals tekst, afbeeldingen en muziek.
• Large Language Models (LLM’s): geavanceerde AI-modellen zoals ChatGPT, getraind op enorme hoeveelheden tekst om menselijke taal te begrijpen en te genereren.
• Prompten: de vraag of instructie waarmee je de AI aanstuurt (vooral bij generatieve AI).
• Hallucinatie: wanneer een AI-model een antwoord geeft dat overtuigend klinkt, maar feitelijk onjuist of verzonnen is. Dit gebeurt omdat AI patronen voorspelt, maar niet écht begrijpt wat waar of onwaar is.
• Data: informatie die AI-systemen gebruiken om te leren en beslissingen te nemen. Een spamfilter leert bijvoorbeeld van data uit miljoenen e-mails wat spam is.

Goed om alvast een keer gezien te hebben:

Deze termen hoef je nu echt nog niet te kennen. Ze komen later terug:

• Computer Vision: het gebied binnen AI dat visuele informatie begrijpt en analyseert, zoals afbeeldingen interpreteren, objecten detecteren en gezichten herkennen.
• Natural Language Processing (NLP): het vermogen van computers om menselijke taal te begrijpen en te interpreteren.
• Terugkerende Neural Networks (RNN’s): neurale netwerken die sequentiële gegevens kunnen verwerken, zoals taal en spraak.
• Artificial Neural Networks: algoritmen die nabootsen hoe het menselijk brein informatie verwerkt.
• Generative Adversarial Networks (GAN’s): twee neurale netwerken, één die gegevens genereert en één die de echtheid ervan beoordeelt.
• Small Language Models (SLM’s): compactere versies van LLM’s, ontworpen om efficiënter om te gaan met rekenkracht en geheugen. Handig voor apparaten met beperkte resources, zoals mobiele telefoons.
• Hyperparameters: instellingen die bepalen hoe een ML-algoritme leert en voorspellingen doet.
• Data Science: de studie van gegevens om er zinvolle informatie uit te halen.
• Bias: systematische fouten in een model waardoor het afwijkt van de werkelijke waarden.
• GPT (Generative Pre-trained Transformer): een taalmodel op basis van deep learning dat mensachtige teksten genereert. Generative verwijst naar het vermogen om natuurlijk klinkende tekst te maken, pre-trained naar de grote tekstdatasets waarmee het is getraind, en transformer naar de onderliggende modelarchitectuur die context begrijpt en daarop voorspellingen baseert.

Samenvatting:

In de eerste les hebben we de basis van kunstmatige intelligentie (AI) verkend, inclusief de werking ervan en enkele belangrijke concepten die vaak in deze context voorkomen.

1. Wat is AI?: Kunstmatige intelligentie (AI) is een tak van de informatica die zich bezighoudt met het creëren van machines en programma’s die taken kunnen uitvoeren die normaal door mensen worden gedaan.
2. Waarom is AI Uniek?
   Door zichzelf te verbeteren met behulp van data, gaat AI verder dan traditionele software. Het biedt de mogelijkheid tot adaptiviteit en slim gedrag.
3. Basisbegrippen van AI: We hebben verschillende basisbegrippen van AI behandeld, zoals algoritmen, machine learning, en neural networks.