1 of 54

AI powered STEM

2 of 54

AI?

Machines en computersystemen die in staat zijn om taken uit te voeren die normaal gesproken menselijke intelligentie vereisen:

Herkennen
Interpreteren
Beslissingen nemen
Problemen oplossen
…

met behulp van algoritmen en modellen:

gegevens analyseren
patronen herkennen

3 of 54

Geschiedenis

Geschiedenis van AI: In 1950 schreef Alan Turing (enigmacode Duitsers) een artikel computing Machinery and Intelligence (Ons brein en onze mind zich op dezelfde manier tot elkaar verhouden als een computer tot een computerprogramma)

OCR bestaat ook al een hele tijd: Ontstaan om cheques te ontcijferen en voor de post.

Machine Learning (ML)

Toen NASA eind jaren ‘90 met een computergestuurd voertuig Mars wilde verkennen, kwamen ze erachter dat deze niet op afstand bestuurd kon worden. De grote afstand zorgde namelĳk voor vertraging in de communicatie. Zo ontstond de behoefte aan een autonoom voertuig dat zelfstandig obstakels en ravĳnen kon ontwĳken. NASA besloot daarom AI-wetenschappers in te schakelen. Zĳ hadden echter de grootst mogelĳke moeite om dit probleem aan de hand van Symbolic AI op te lossen. Wanneer er veel verschillende situaties zĳn waar een AI-toepassing voor kan komen te staan, is het bĳna onmogelĳk om voor al die verschillende situaties de regels in te bouwen in het systeem. Er werd daarom vanaf de jaren ’90 naar andere benaderingen gekeken. Hierbĳ zat de representatie niet in de robots, maar was de omgeving zelf de representatie waarin ze leerden te manoeuvreren. In plaats van het handmatig programmeren van duizenden regels, leerden machines om zelf regels af te leiden uit grote hoeveelheden data.

Hierdoor ontstond een paradigmaverschuiving van Symbolic, naar Subsymbolic AI. Subsymbolisch betekent dat er niet langer regels zĳn die in woorden zĳn uit te drukken, maar dat het systeem van veel verschillende voorbeelden geleerd heeft wat de regels zouden moeten zĳn. In deze nieuwe fase van AI, ook wel Nouvelle AI genoemd, lag de focus in tegenstelling tot de Symbolic AI op low level cognition, zoals perceptie en patronen herkennen. Dit vereist grote hoeveelheden data en training sets. Binnen machine learning zĳn er verschillende manieren voor AI-systemen om te leren.�Er wordt onderscheid gemaakt tussen drie typen: supervised , unsupervised en reinforcement

4 of 54

Kunstmatige intelligentie (AI)

Met behulp van kunstmatige intelligentie kunnen computers, machines of robots de vaardigheden van een mens nabootsen, zoals het nemen van beslissingen, het herkennen van objecten, het oplossen van problemen en het begrijpen van taal.

Machine learning (ML)

Machine learning is een subset van kunstmatige intelligentie, gericht op het bouwen van applicaties die kunnen leren van data om hun nauwkeurigheid in de loop der tijd te verbeteren zonder menselijke tussenkomst. Machine learning-algoritmen kunnen worden getraind om patronen te ontdekken voor het nemen van betere beslissingen en het maken van betere voorspellingen. Dit vereist echter doorgaans menselijke tussenkomst.

Deep learning

Deep learning is een subset van machine learning waarmee computers complexere problemen kunnen oplossen. Deep learning-modellen kunnen ook zelf nieuwe functies creëren.

�

5 of 54

Machine learning

Een belangrijk deel van AI, waarbij machines leren van ervaringen en data om taken te verbeteren zonder expliciete programmering met behulp van algoritmen en modellen.

Supervised Learning: zorgvuldig samenstellen en vooraf labelen van trainingsdata
Unsupervised Learning: leren door middel van trial & error
Reinforcement Learning: algoritmen die zelf naar clusters zoeken in grote hoeveelheden ongelabelde data

1: Supervised Learning gaat over het zorgvuldig samenstellen en vooraf labelen van trainingsdata. Het algoritme leert dan data te classificeren aan de hand van gelabelde voorbeelden. Wanneer je een algoritme bĳvoorbeeld wilt leren om een auto te herkennen, dan kun je deze voeden met duizenden voorbeelden van auto’s met het label ‘auto’. Gelĳktĳdig zou je een groot aantal beelden zonder auto’s moeten labelen met ‘geen auto’. Het helpt om dan verwante beelden te gebruiken, zoals van een tractor en een bus. Wanneer het algoritme getraind is kan deze op basis van nieuwe beelden aangeven of het wel of geen auto is. Hetzelfde principe geldt voor teksten. Bĳvoorbeeld spamfilters en vertaalmachines werken op basis van supervised learning.

2: Reinforcement Learning gaat over leren door middel van trial and error. De voorbeelden worden hierbĳ niet vooraf gelabeld, maar het algoritme krĳgt op basis van de resultaten achteraf feedback. Wanneer het algoritme de juiste oplossing aandraagt krĳgt deze een ‘beloning’. Het voordeel van reinforcement learning is dat het systeem processen kan aansturen. Zo wordt het vaak toegepast bĳ het trainen van spelsystemen, zoals schaakcomputers. Spelsituaties kunnen eenvoudig gesimuleerd worden in een computer en op hoge snelheid afgespeeld worden. Ook de software van zelfrĳdende auto’s kan op deze wĳze getraind worden.

3: Unsupervised Learning gaat over algoritmen die leren om zelf naar clusters te zoeken in grote hoeveelheden ongelabelde data. Het algoritme gaat dan zelfstandig op zoek naar overeenkomsten in de data en probeert op deze wĳze patronen te herkennen. Vooraf wordt enkel een maat aangegeven waarmee de afstand tussen data samples gemeten kan worden. Het algoritme structureert de data zodanig dat data samples met een kleine afstand bĳ elkaar in een cluster terecht komen. Dus auto’s bĳ auto’s en katten bĳ katten. Unsupervised learning kan tevens op basis van gebruikersgegevens groepen mensen met vergelĳkbare voorkeuren en eigenschappen clusteren. Veel aanbevelingssystemen, zoals de recommendations bĳ Spotify en Netflix, werken op deze wĳze.

6 of 54

Deep Learning:

�Gebaseerd op het menselĳk brein, waarbĳ neuronen laagsgewĳs met elkaar verbonden zĳn.

Knooppunten die met elkaar in verbinding staan.��

�

Deep Learning (DL)

Binnen machine learning is deep learning een veelbesproken methode. Deep learning is een modelleringmethodiek waarbĳ neurale netwerken centraal staan.�Deze artifical neural networks zĳn oorspronkelĳk gebaseerd op het menselĳk brein, waarbĳ neuronen laagsgewĳs met elkaar verbonden zĳn. Artificiële neurale netwerken zĳn samengesteld uit gestapelde lagen van ‘knooppunten’ die met elkaar in verbinding staan.�Voordat een neuraal netwerk gevoed wordt met data, worden er random waardes tussen de 0 en 1 toegekend aan de verschillende knooppunten. Deze waardes representeren de intensiteit van de verbindingen. Wanneer het netwerk gevoed wordt met data wordt de intensiteit van de verbindingen door het netwerk gefinetuned. Deep learning werkt net als neuronen in het menselĳk brein die bĳ specifieke signalen geactiveerd worden en informatie doorsturen. Hierdoor kan het netwerk bĳvoorbeeld afbeeldingen van honden classificeren of clusteren.

7 of 54

Neuraal netwerk?

Dit zijn geavanceerde AI-modellen die zijn geïnspireerd op de structuur en werking van het menselijk brein.

Herkennen van complexe patronen en verbanden in data

Welke data?
Toepassingen?

Beeld- en spraakherkenningstoepassingen
Trainingsdata door gedrag analyse

Kunstmatige intelligentie (AI) verwijst naar systemen of machines die zijn ontworpen om taken uit te voeren die normaal gesproken menselijke intelligentie vereisen. Het doel van AI is om taken zoals probleemoplossing, leren, begrijpen van natuurlijke taal en perceptie te automatiseren. Er zijn verschillende benaderingen en technieken binnen het veld van AI, en hier zijn enkele fundamentele concepten:

1. **Machine Learning (ML):** Machine learning is een tak van AI waarin systemen worden ontwikkeld om te leren van gegevens. In plaats van expliciete instructies te volgen, kunnen deze systemen zelflerend zijn en hun prestaties verbeteren naarmate ze meer gegevens verwerken. Er zijn verschillende soorten machine learning, waaronder supervised learning, unsupervised learning en reinforcement learning.

2. **Neurale Netwerken:** Neurale netwerken zijn geïnspireerd op de structuur van het menselijk brein. Ze bestaan uit lagen van kunstmatige neuronen en worden gebruikt voor taken zoals patroonherkenning en classificatie. Diepe neurale netwerken, bekend als diepe leernetwerken, zijn populair geworden voor complexe taken zoals beeldherkenning en natuurlijke taalverwerking.

3. **Natuurlijke Taalverwerking (NLP):** NLP stelt computers in staat om menselijke taal te begrijpen, interpreteren en produceren. Hiermee kunnen systemen tekst analyseren, vertalen, samenvatten en zelfs antwoorden genereren op vragen in natuurlijke taal.

4. **Computer Vision:** Computer Vision stelt machines in staat visuele informatie uit de omgeving waar te nemen, te begrijpen en te interpreteren. Dit is essentieel voor taken zoals beeldherkenning, objectdetectie en gezichtsherkenning.

5. **Reinforcement Learning:** In reinforcement learning leert een algoritme door interactie met zijn omgeving. Het ontvangt feedback in de vorm van beloningen of straffen, waardoor het zijn gedrag aanpast om het totale beloningsniveau te maximaliseren.

6. **Algoritmen voor Patroonherkenning:** Deze algoritmen worden gebruikt om patronen en trends in gegevens te identificeren. Ze vormen de basis voor veel machine learning-toepassingen.

Het succes van een AI-systeem hangt vaak af van de kwaliteit en hoeveelheid van de beschikbare gegevens, de juiste keuze van algoritmen en de effectiviteit van het trainingsproces. Het is ook belangrijk om ethische overwegingen, transparantie en verantwoordelijkheid in overweging te nemen bij het ontwikkelen en implementeren van AI-systemen.

8 of 54

9 of 54

10 of 54

11 of 54

NLP (natuurlijke taalverwerking)

Doel: Natuurlijke taal verwerken, begrijpen en genereren

Toepassingen:

Automatische vertaling
Virtual assistant
Chatbox
…

Natuurlijke taalverwerking (NLP) is een tak van de kunstmatige intelligentie (AI) die computers in staat stelt menselijke taal te begrijpen, te genereren en te manipuleren. Natuurlijke taalverwerking kan de gegevens analyseren met natuurlijke schriftelijke of mondelinge taal. Dit wordt ook wel "taal in" (language in) genoemd. De meeste consumenten hebben waarschijnlijk wel eens gecommuniceerd met NLP zonder het te realiseren. NLP is bijvoorbeeld de basistechnologie achter virtuele assistenten, zoals de Oracle Digital Assistant (ODA), Siri, Cortana of Alexa. Wanneer we vragen stellen aan deze virtuele assistenten, stelt NLP hen in staat niet alleen de vraag van de gebruiker te begrijpen, maar ook in natuurlijke taal te reageren. NLP is zowel van toepassing op geschreven tekst als op spraak en kan worden toegepast op alle menselijke talen.

VB: Heygen : spreekt alle talen

12 of 54

Optical Character Recognition

Het wordt echter iets complexer als een geschreven letter moet worden geïnterpreteerd als een interpreteerbaar character door de computer. Ieder mens schrijft een letter toch een beetje anders. Er is dus veel interpretatie mogelijk en er kan twijfel zijn of het nu een 'o' of een 'a' is, of twijfel tussen een '0' en een 'O'. Zo'n systemen bestaan al lang en worden als OCR 'Optical Character Recognition' benoemd. Wordt veel gebruikt tijdens het inscannen van documenten.

Als mens zullen we een inschatting maken van wat we zien als we een karakter lezen. In onze hersenen zullen neuronen geactiveerd worden die met elkaar zullen communiceren om tot een voorspelling te komen van wat het chararcter zou kunnen zijn (teneinde een beslissing te kunnen nemen). Hierop doen onze getrainde neuronen beroep op wat we in het verleden hebben geleerd en gezien (trainingsperiode). Opvoeding en ervaring spelen hierbij een belangrijke rol om associaties te leggen en patronen te herkennen. Er wordt dus een voorspelling gedaan die een 'confidence score' oplevert (zie ook statistiek). Bij twijfel tussen twee mogelijkheden zullen we bepalen hoeveel kans het is dat het het ene is of het andere. We zouden dit procentueel kunnen uitdrukken. Bij geavanceerde denkprocessen zouden we ook kunnen kijken naar de characters in de buurt van het onduidelijke character en-of de context van de tekst beoordelen en op basis daarvan onze 'confidence score' laten beïnvloeden.

13 of 54

Computer vision

Doel: verwerken en begrijpen van visuele informatie, zoals afbeeldingen en video’s.

Toepassing

gezichtsherkenning
objectdetectie
autonome voertuigen
…

14 of 54

EXPERTsystemen

Deze systemen bootsen het denkproces van menselijke experts na om oplossingen voor complexe problemen te bieden op specifieke gebieden.
Toepassing:

medische diagnostiek
financiële planning
…

15 of 54

16 of 54

17 of 54

AI

Is een thermostaat van je centrale verwarming een AI-systeem?

Heel envoudig kan een thermostaat, die we thuis gebruiken om na te gaan of de temperatuur in huis niet te hoog of te laag is, en daar een actie aan koppelen door te communiceren met de HVAC installatie, gezien worden als een AI systeem. Het neemt een menselijke waarneming en beslissing over. De data die hiervoor gebruikt wordt is de temperatuur die gemeten wordt in de kamer in vergelijking met de gewenste, ingestelde temperatuur. Eventueel kan rekening gehouden worden met: vorige beslissing (hysteresis), tijdstip, dag van de week, temperatuur buiten, weersvoorspelling, ....

In de meest eenvoudige vorm is hiervoor software nodig die bestaat uit eenvoudige ALS-DAN constructies. Volgens de letterlijke definitie van AI is een thermostaat een AI systeem. Het AI model is hier een algoritme binnen een beslissingsproces gebaseerd op ALS-DAN statements (instructies).

18 of 54

Klassiek geprogrammeerde tool

Input: data en regels
Output: resultaten

AI geprogrammeerde tool

Input: data en resultaten
Output: regels (?)

19 of 54

Bron: https://www.c-sharpcorner.com/article/an-overview-of-supervised-unsupervised-and-reinforcement-learning-in-machine-l/

20 of 54

SUPERVISED learning�classificatie! �TRAiningsfase vereist

TRAININGSFASE

21 of 54

UNSUPERVISED learning �zonder classificatie �trainingsfase vereist

TRAININGSFASE

22 of 54

Reinforcement learning �zonder classificatie �geen trainingsfase�

https://www.technologyreview.com/2021/04/08/1022176/boston-dynamics-cassie-robot-walk-reinforcement-learning-ai/

Bij supervised en unsupervised learning is de standaardstructuur dat een model eerst wordt getraind om de juiste regels te vinden. Daarna kan het getrainde model gebruikt worden voor nieuwe data. Bij reinforcement learning leert het model tijdens het aanbieden van nieuwe data. Er is dus een continu leerproces. Bij dit leerproces is er bij de start geen data en ook geen uitkomst voorhanden.

Een voorbeeld hiervan is een robot die leert recht stappen zonder om te vallen. De robot bezit balanceer sensoren als input en stuurt de stapactuatoren aan. Bij de eerste stappen valt de robot onmiddelijk om. Door deze handeling leert de robot dat dit niet goed was en probeert andere vormen van aansturen van de stapactuatoren tot hij niet meer omvalt. Daarna leert hij een tweede stap te zetten en leert constant bij door zelf nieuwe data te generen via de balanceersensoren. Hij leert dus verbanden te leggen tussen die sensoren en de actuatoren om op een efficiente manier te stappen en niet om te vallen.

23 of 54

Workshop 1

Basisprincipes

Dit start met een bezoek aan The FLAX – House of AI (Vives Kortrijk). Een nieuw belevingscentrum met het doel om de wereld te onderwijzen over de wereld van artificiële intelligentie (AI). Daarnaast is er een inleiding tot de basisprincipes van artificiële intelligentie, inclusief concepten zoals machine learning en neurale netwerken.

Workshop 2

Micro:bit introductie

Een kennismaking met de micro:bit, een kleine programmeerbare microcontroller die vaak wordt gebruikt in educatieve settings.

Al veel kennis van Micro:bit? Sla deze workshop dan over.

Workshop 3

Integratie AI en micro:bit

Hoe je AI kunt combineren met de mogelijkheden van de micro:bit om boeiende STEM-projecten te creëren.

24 of 54

AI powered stem project: �

2. PYTHON (ANACONDA)

- ADMIN INSTALLATIE VEREIST

- 2^DE– 3^DE GRAAD Sec. Onderwijs

- MICRO:BIT VIA PYTHON-EDITOR

1. BLOKKEN (GLITCH):

- EENVOUDIGER

- 1^STE- 2^DEGRAAD SECUNDAIR ONDERWIJS

- MICRO:BIT VIA SCRATCH

25 of 54

Huiswerk:��-Installatie Anaconda (zie cursus) ��-Netwerk maken in Teachable Machine

26 of 54

Stap 1: Beelden maken per klasse

Stap 2: Training

Stap 3: Testen

Stap 4: Neuraal netwerk downloaden

27 of 54

28 of 54

29 of 54

30 of 54

Cursus:�ai-pow-stem.netlify.app

31 of 54

Les 2

MICRO:BIT

32 of 54

Micro:bit

33 of 54

Wat is een micro:bit?

Microcontrollers worden gebruikt bij het automatiseren en controleren van apparaten.
Overal aanwezig!

34 of 54

De micro:bit

Input (geheugen 16k)

Drukknoppen (detector)
Aanraaksensor
Lichtsensor (sensor) in de LED‘s
Contacten (0,1 en 2) = pinnen
Microfoon
Temperatuursensor (sensor) in CPU
Kompas met magnetische sensor
Gyroscoop (3assen) meet acceleratie

Output

Scherm (25 LED’s)
Luidspreker
Contacten (0,1 en 2) = pinnen

35 of 54

Programmeren in verschillende talen

36 of 54

Materiaal

37 of 54

https://makecode.microbit.org/

Type gewoon: make code microbit

� STAP 1 - Taal in Nederlands zetten

38 of 54

STAP 2 – NIEUW PROJECT MAKEN

39 of 54

40 of 54

41 of 54

Het kloppende hart

Start met een hartje te laten verschijnen op de LED display
Teken een 2^de hartje maar maak dit kleiner
Laat je hartje kloppen:

Laat eerst het grote hart verschijnen
1 seconde pauze
Laat het kleine hart verschijnen

1 keer of herhalend ?

42 of 54

Het kloppende hart

43 of 54

Automatisch lichtje

Basisopdracht

Laat de microbit het licht meten, toon dit op de micro:bit.

Uitbreidingsopdracht:

Zorg dat de microbit alle lichtjes aanzet als het donker is, en alle lichtjes uitzet als het licht is.

44 of 54

Automatisch lichtje:

45 of 54

Python in de Micro:bit

Let's code | micro:bit (microbit.org)
Let’s code
Python editor

46 of 54

HTTPS://MICROBIT.ORG/

TYPE GEWOON: MICROBIT.ORG

�

47 of 54

48 of 54

49 of 54

50 of 54

51 of 54

Zorg ervoor dat de COM-poort gesloten is. Dit kan door het Micro:bit programma af te sluiten of de Micro:bit even los te koppelen.

52 of 54

53 of 54

54 of 54

Bedankt