13 februari 2017 • februari 15, 2017 at 10:07 pm Qdraw

De vijf dingen die je niet wist over Artificial Intelligence

In deze blog ga ik het hebben over vijf verschillende thema’s binnen kunstmatige intelligentie. Deze thema’s gaan van de geschiedenis tot zelfrijdende auto’s.

  1. Er bestaat een test om te bepalen of een machine ‘sociale intelligentie’ vertoond;
  2. A.I. is ook de ‘dame’ in je telefoon die handige zaken handsfree regelt;
  3. Artificial Intelligence leert dankzij jou;
  4. Zelfrijdende auto’s heeft A.I. nodig om succesvol te zijn;
  5. Zelfs huisdieren hebben Artificial Intelligence.

 

1. Er bestaat een test om te bepalen of een machine ‘sociale intelligentie’ vertoond

De test om te bepalen of een machine ‘menselijke intelligentie’ kan vertonen is voor het eerst geïntroduceerd door de computerpioneer Alan Turing in 1950. “Kunnen machines denken?” is de hoofdvraag in de paper ‘Computing Machinery and Intelligence’ uit 1950. Sociale intelligentie wordt gemeten, niet de feitelijke kennis. Inmiddels is het de computers allang gelukt om beter te zijn in feitelijke kennis, neem als bijvoorbeeld IBM Watson met Jeopardy. Jeopardy draait om het antwoorden van triviant-vragen. In 2011 wist Jeopardy de all-time highscores te verbeteren.

De turingtest houdt in dat drie deelnemers afzonderlijk de test uitvoeren. De deelnemers zijn: Een computer, een mens en een mens die moet beoordelen wie de computer is. De computer en de mens proberen de beoordelaar te overtuigen dat zij mensen zijn.
Na een aantal vragen is duidelijk wat de status is van de sociale intelligentie van de computer. Deze status wordt vastgesteld door aan de beoordelaar te vragen wie de computer is. Wanneer de beoordelaar het niet goed inschat heeft de computer gewonnen.

80’s computer

2. A.I. is ook de ‘dame’ in je telefoon die handige zaken handsfree regelt

Wanneer je je telefoon vraagt om iets te doen door de spraak-assistent te activeren, dan wordt je stem doorgestuurd naar een clouddienst waar je stem door middel van Artificial Intelligence wordt vertaald naar geschreven tekst. Vervolgens wordt er een antwoord geformuleerd en deze wordt uitgesproken door een vriendelijke stem, wat in werkelijkheid gecombineerde woordklanken zijn die een geheel vormen. Op deze manier is het mogelijk om taken uit te voeren zonder gebruik te maken van een interface.

Er is daarnaast nog een andere vraag; Is een vrouwenstem minder eng is dan een mannenstem? Voor veel mensen is een spraak assistent toch de eerste kennismaking met A.I. Er is veel onderzoek gedaan naar of een vrouwenstem in combinatie met A.I., minder eng is dan een mannenstem. Uit onderzoek blijkt dat de verschillen klein zijn maar dat een vrouwenstem toch beter is. Vergelijk ‘Samantha’ in de film ‘Her’ maar eens met de Terminator machines.

Siri, maar nog in de tijd van iOS6.


De vijf dingen die je niet wist over Artificial Intelligence ; | foto 2, ‘reCAPTCHA’ in gebruik

3. Artificial Intelligence leert dankzij jou

Wanneer je een formulier invult, dan wordt er nog weleens gevraagd om iets over te typen. In het verleden werden hier huisnummers getoond. Wist je dat deze nummers gebruikt werden door Google om de software uit te dagen en zo beter te worden in het herkennen van schrift? Het tonen van deze ‘CAPTCHA’-vragen is om te voorkomen dat er nieuwe spamgebruikers zich toevoegen.

Google had al de streetview-data, een gigantische hoeveelheid afbeeldingen van complete landen. De volgende stap is om hier iets mee te doen. Het was in het verleden lastig om het huisnummer te vinden binnen een straat. Dus heeft Google software ontwikkeld om de huisnummers te vinden, zelf het huisnummer te herkennen. Het vragen aan de massa is een goed middel om door middel van Artificial intelligence een ‘Neural Network’ op te zetten. Vergelijk een Neural Network maar met je hersenen. Er wordt een grote verzameling connecties die gemaakt. Op deze manier is het mogelijk om, op een snelle manier, de gebruikers net iets beter te helpen.

‘reCAPTCHA’ voordat het gebruik ging maken van streetview-data.

4. Zelfrijdende auto’s heeft A.I. nodig om succesvol te zijn

Een zelfrijdende auto heeft veel sensoren, zo wordt er bijvoorbeeld in een Tesla gebruik gemaakt van 8 camera’s die samen 360-graden beelden maken van de omgeving. Om de diepte te kunnen inschatten wordt radar en sonar gecombineerd. Zo kan het systeem ook echt zien hoe de omgeving eruitziet. De data wordt slim gecombineerd en met slimme zelflerende algoritmes wordt de beste route bepaald. Dit allemaal zodat jij veilig aankomt op je bestemming.

Een prototype van een zelfrijdende Google auto

Als een zelfrijdende auto geen zelflerend systeem zou hebben, zou voor elke situatie een losse regel moeten worden uitgeschreven. In een situatie op straat zouden die zo veel regels zijn dat mensen dingen over het hoofd gaan zien. Elke situatie is uniek en door gebruik te maken van een zelflerend systeem worden regels snel toegevoegd. Daarnaast kunnen auto’s onderling deze kennis snel delen. De zelflerende auto kan een andere inschatting kunnen maken en voorkomen dat bijvoorbeeld de onderstaande kat wordt aangereden.

Iets met een kat en een zelfrijdende auto…

5. Zelfs huisdieren hebben Artificial Intelligence

Het bekendste voorbeeld een artificieel huisdier is Aibo. De door Sony geproduceerde hond had als enigste doel om mensen gezelschap te houden. Wanneer een huisdier intelligenter is wordt het makkelijker voor een mens om hier een emotionele band mee te hebben.

Waar een robothond gebruikt voor kan worden is het delen van verhalen, op een interactieve manier lesmateriaal over te brengen. Daarnaast worden zorgrobots ook gebruikt om ouderen te ondersteunen. Een taak van een zorgrobot is het herkennen van ongelukken. Een robot kan je ook helpen herinneren aan een afspraak.


De vijf dingen die je niet wist over Artificial Intelligence ; | foto 1

Het Aibo hondje, wat in het Japans ‘vriend’ of ‘maat’ betekend.

Mocht de wereld van Artificial Intelligence je interesse hebben gewekt, maar weet je nog niet hoe je dit in je organisatie kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: LiveScience, technologyreview, ieee.org, Flickr, Giphy, Giphy, Giphy en Giphy

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde.

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

2 februari 2017 • februari 2, 2017 at 2:43 pm Qdraw

Chinees Nieuwjaar Londen (2017)

Londen Chinatown ligt in de Londense buurt Soho van City of Westminster. Het heeft een groot aantal Chinese restaurants, bakkers, supermarkten/toko’s, souvenirwinkeltjes en andere Chinese winkels. Door deze gemeenschap wordt het Chinees Nieuwjaar traditioneel gevierd met de drakendansen en leeuwendansen. Het jaar 2017 is het jaar van de haan en dit werd met veel ceremonie ingewijd in de wijk en op Trafalgar Square.


Chinees Nieuwjaar Londen (2017) ; chinees nieuwjaar, london, man zwaard | foto 1


Chinees Nieuwjaar Londen (2017) ; draak, vlag, london, chinees nieuwjaar, chinese new year | foto 2


Chinees Nieuwjaar Londen (2017) ; Grand parade, Chinese New Year, London | foto 3


Chinees Nieuwjaar Londen (2017) ; Grand parade, Chinese New Year, London, Dragon | foto 4


Chinees Nieuwjaar Londen (2017) ; Grand parade, Chinese New Year, London | foto 5


Chinees Nieuwjaar Londen (2017) ; Grand parade, Chinese New Year, London | foto 6


Chinees Nieuwjaar Londen (2017) ; Trafalgar Square, Chinese New Year, London | foto 7


Chinees Nieuwjaar Londen (2017) ; Chicken Noodles, noodles, chinese | foto 8


Chinees Nieuwjaar Londen (2017) ; Dragon, draak, china, nieuwjaar, london, soho | foto 9


Chinees Nieuwjaar Londen (2017) ; Dragon, draak, china, nieuwjaar, london, soho | foto 10


Chinees Nieuwjaar Londen (2017) ; Chinatown London, london, china, new year | foto 11

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

23 januari 2017 • januari 23, 2017 at 4:57 pm Qdraw

Tuinen van Het Loo (2017)

In Apeldoorn ligt het Paleis het Loo, dit was een koninklijk paleis en inmiddels is het een museum. Achter het paleis liggen de 17de eeuwse baroke symmetrische tuinen. Deze zijn geïnspireerd op de renaissancetuinen zoals bij kasteel van Versailles.


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 1


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 2


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 3


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 4


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 5


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 6


Tuinen van Het Loo (2017) ; Tuinen, het Loo, Apeldoorn, Paleis het Loo | foto 7

Dit bericht is geschreven door: Dion

Tags: , , , , ,

Gecategoriseerd in:

13 januari 2017 • januari 13, 2017 at 7:45 pm Qdraw

Minor Meaningfull datadesign 2017

Op vrijdag 13de januari was de eindexpositie van de minor Meaningful Data Design. In deze minor ligt de nadruk op het op een andere manier de data visualiseren. Denk hierbij aan interactieve webapps tot interactieve installaties. Vorig jaar heb ik zelf deze minor afgerond tijdens mijn studie Communicatie en Multimedia Design. Voor deze expositie hadden de studenten de keuze om één van de drie opdrachten te exposeren. De eerste opdracht van de minor was om Romeo en Juliet-data te visualiseren, ze zijn aan de gang geweest om verhuisdata van het CBS te visualiseren. De laatste opdracht was op basis van data van bouwkunde, het gedrag van het stuifzand een visualisatie te ontwikkelen


Minor Meaningfull datadesign 2017 ; | foto 1


Minor Meaningfull datadesign 2017 ; | foto 2


Minor Meaningfull datadesign 2017 ; | foto 3


Minor Meaningfull datadesign 2017 ; | foto 4


Minor Meaningfull datadesign 2017 ; | foto 5


Minor Meaningfull datadesign 2017 ; | foto 6

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

13 januari 2017 • januari 13, 2017 at 2:30 pm Qdraw

Machine Learning bestaat voor 80% uit data-analyse

Verschillende bedrijven maken actief gebruik van Machine Learning. Een aantal banken zijn bijvoorbeeld met deze vorm van Artificial Intelligence aan de slag gegaan om real-time transacties te analyseren. Zo kan een dergelijk systeem op basis van grote hoeveelheden data voorspellingen doen, die bijvoorbeeld kunnen aantonen of een transactie mogelijk frauduleus is. Erg handig dus!

De trend van geautomatiseerde voorspellingen zal voorlopig nog voortzetten, waarbij new business concepten zullen worden ontwikkeld die van grote waarde kunnen gaan zijn, zoals het voorbeeld van de bancaire sector. Het blijft daarbij noodzaak om met deze technologieën te experimenteren. Voor een mens is het vrijwel onmogelijk om dergelijke voorspellingen met de hand te doen. Daar is de hoeveelheid data te groot voor, toch speelt de mens wel een grote rol in het traject.

Voordat gestart kan worden met het opzetten van een Machine Learning systeem zal eerst een boel data moeten worden geanalyseerd. Uit ervaring blijkt dat data-analyse 80% van de tijd in beslag zal nemen en de laatste 20% zal zitten in het configureren van het Machine Learning algoritme. Dus hoe gaat dat analyseren nu precies in zijn werk? In deze blog leg ik dat in 7 stappen uit.

Allereerst een kleine introductie over wat Machine Learning nu precies doet: het is een systeem dat leert van het gedrag dat een gebruiker vertoont en de data die een gebruiker daarmee achterlaat. In deze data zal het systeem patronen herkennen. Op basis van de patronen ontwikkelt het een algoritme en een model dat de voorspellingen maakt. In het blogartikel ‘Voorspellen of een gebruiker lid blijft‘ vertel ik hoe dat precies in zijn werk gaat. Op basis van het algoritme kan het systeem voorspellingen doen, waarbij het potentie heeft om zelfstandig te kunnen opereren.

Stap 1: Doel bepalen Machine Learning traject

De eerste stap is te bepalen wat er voorspelt moet worden en een doel te koppelen aan het onderzoek. Een doel kan bijvoorbeeld zijn: ‘ik wil kunnen voorspellen of een websitebezoeker een bestelling zal gaan plaatsen.’ Dit geeft richting aan het onderzoek en inzicht in welk probleem er precies opgelost moet worden.

Stap 2: Data verzamelen

In de tweede stap van het Machine Learning traject moet geïnventariseerd worden wat voor data beschikbaar is. Vervolgens is het aan jou om in het systeem aan te geven welke data van belang is en welke data ruis bevat. Dit is een belangrijke stap, omdat op deze wijze het systeem in de juiste richting gestuurd wordt en gaat begrijpen wat de juiste voorspellingen moeten zijn. Om deze stap te kunnen nemen moet de data inzichtelijk worden gemaakt. Samenvatten en visualiseren van de data helpt om daar grip op te krijgen.

Stap 3: Samenvatten van data

Een goede samenvatting van de data kan helpen inzicht te krijgen in verschillende datastructuren en te controleren of de dataset zuiver is. Het is namelijk van belang de dataset zo zuiver mogelijk te krijgen. In feite ga je in deze stap beginnen met de data te analyseren.

Om een goede samenvatting te maken zal je een antwoord moeten krijgen op een aantal vragen zoals: hoe is de data opgebouwd? Wat voor categorieën worden er gebruikt? Wat betekenen de waardes van de data? Gaat het om een getal, of een getal met decimalen? Wat is de hoogste waarde? Wat voor eigenschappen heeft deze waarde nog meer en hoe wordt deze toegepast? Is het mogelijk om gemiddelden te maken? Zijn er belangrijke uitschieters en wat houden deze in?

Wanneer eventuele correlaties en lineaire verbanden onderzocht moeten worden kunnen de waardes gecontroleerd worden aan de hand van de correlatiecoëfficiënt van Pearson. Mocht het gaan om waardes op ordinaal niveau, dus een rangschikking, kan gebruik worden gemaakt van de Spearman’s rang-correlatie, waarbij de data vervangen wordt door rangnummers en alsnog een correlatie kan worden berekend.

Zoeken naar waardevolle data in een zee vol informatie. De tekst gaat verder na de afbeelding


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 1

Stap 4: Functionele datavisualisatie

Ook is het handig om data visueel te maken. Grafieken en tabellen kunnen inzicht geven in mogelijk interessante structuren. Een mogelijkheid is gebruik te maken van een histogram of scatterplot. Let hierbij op de verschillende groepen en de eventuele verspreiding van deze groepen.

Er zijn verschillende tools om datavisualisaties te maken. Je zou deze visualisaties kunnen maken met R-Studio. R-Studio maakt gebruik van de programeertaal R. De programeertaal R is ontwikkeld voor statistiek en data-analysedoeleinden en wordt ook veel gebruikt voor Machine Learning.

Een histogram kan gebruikt worden om een beter beeld te krijgen bij de getallen. Bij een eenvoudige dataset kun je eventuele verbanden nog aflezen, maar als het complexer wordt is aan te raden om een hulpmiddel, zoals het histogram te gebruiken. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 2

Een andere methode die gebruikt kan worden om data visueel te maken is het scatter plot. Dit is een twee dimensionele weergave van een structuur, waarin twee variabelen worden weergegeven en het mogelijk maakt om een eerste indruk te krijgen van eventuele correlaties te ontdekken. Op deze manier krijg je een eerste indruk van de data.

Een voorbeeld kan zijn de eruptiedata van de ‘Old Faithful’ geiser in Yellowstone. Waarbij er twee assen zijn: de wachttijd tussen de erupties en de duur van de eruptie. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 3

Stap 5: Opstellen onderzoeksvraag

Wanneer de data geanalyseerd is en het doel van het onderzoek duidelijk, is de volgende stap om een onderzoeksvraag op te stellen, om vervolgens te bepalen welke data nodig zijn om het model te trainen. In de blogpost ‘De 6 must-know’s voordat je start met Machine Learning’ geef ik een aantal handvaten over het opstellen van een goede onderzoeksvraag, om de juiste inzichten en voorspellingen uit het systeem te krijgen. Hierin staan ook de verschillende vormen van Machine Learing beschreven welke je in de volgende stappen nodig bent.

Stap 6: Traningsdata (Pre-processing modules)

Nu het doel bepaald is, de gegevens klaar staan en een onderzoeksvraag is opgesteld, is het tijd om het voorspellend model te gaan bouwen en te trainen. Het is mogelijk om een algoritme van tevoren te trainen met behulp van een trainingsdataset. In het hypothetische geval dat er voorspeld moet worden of een websitebezoeker een bestelling zal gaan plaatsen kan een dergelijke trainingsdataset bestaan uit het aantal frequenties dat een bepaald type handeling is uitgevoerd.

In mijn eerdere blogpost ‘Voorspellen of een gebruiker lid blijft’ wordt dieper ingegaan op het proces van trainen van het model en hoe we dit precies doen aan de hand van het machine learning itaration model. In het model wordt ‘stap 6’: ‘Pre-processing modules’ genoemd. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 4

Stap 7: ‘Machine Learning algorithm’ toepassen

Op basis van de trainingsdata wordt het Machine Learning algoritme gevoed. Dit komt omdat het model steeds weer resultaten produceert, die gebruikt worden om oude algoritmes te verbeteren. Oftewel de uitkomst van elke stap leert of alle voorgaande stappen goed zijn uitgevoerd, maar het is aan jou om het juiste algorimte te kiezen en de waardes te tweaken.

Mocht de wereld van toegepaste data-analyse en Machine Learning je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: MachineLearningMastery, Gartner, R-tutor en Stackoverflow.

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde. Credits voor dit artikel gaan ook naar onze ‎Online Marketeer: Elizabeth Geul, zij heeft bijgedragen aan de tekst door deze te redigeren.

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in:

8 januari 2017 • januari 8, 2017 at 1:06 pm Qdraw

Parken in Den Bosch (2017)

Bastion Oranje is een verdedigingswerk aan de stadsmuren van ‘s-Hertogenbosch. Deze verdedigingswerken zijn gebouwd in opdracht van de Staatse overheid tijdens de Tachtigjarige Oorlog. Het bouwwerk is gebouwd 1634. Het Staatse leger was het leger van de Republiek der Zeven Verenigde Nederlanden.


Parken in Den Bosch (2017) ; | foto 1


Parken in Den Bosch (2017) ; | foto 2


Parken in Den Bosch (2017) ; | foto 3


Parken in Den Bosch (2017) ; | foto 4


Parken in Den Bosch (2017) ; | foto 5

Deze blogpost verscheen voor het eerst op Qdraw.nl

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in: