De Macht van Data --- Hoe algoritmen ons leven vormgeven

1. Hoe algoritmen ons leven vormgeven David Graus @dvdgrs

2. Algoritme?

3. “een eindige reeks instructies die vanuit een gegeven begintoestand naar een beoogd doel leidt.” https://nl.wikipedia.org/wiki/Algoritme Algoritme?

4. “een eindige reeks instructies die vanuit een gegeven begintoestand naar een beoogd doel leidt.” https://nl.wikipedia.org/wiki/Algoritme Algoritme?

5. Daar gaan we het vanavond dus niet over hebben…

6. Machine Learning

7. Machine Learning • Subgebied van “AI” (Kunstmatige Intelligentie)

8. Machine Learning • Subgebied van “AI” (Kunstmatige Intelligentie) • The subﬁeld of computer science that “gives computers the ability to learn without being explicitly programmed”

9. • “AI-hype” • IBM (Watson), Google (DeepMind) • Futuristisch: Tesla (zelf-rijdende auto’s)

16. Trouwens…

17. Trouwens… “The meaning of a word is its use in the language”  — Wittgenstein

18. Trouwens… “The meaning of a word is its use in the language”  — Wittgenstein • “Machine Learning Model” ≈ Algoritme

19. Hoe werkt een algoritme?

20. ML 101 Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

21. ML 101 • Taak: Voorspel: is iets lekker of niet lekker? Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

22. ML 101 • Taak: Voorspel: is iets lekker of niet lekker? • Stap 1: Verzamel data Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

23. ML 101 • Taak: Voorspel: is iets lekker of niet lekker? • Stap 1: Verzamel data IJs Pizza Aardbeien Sardines Broccoli Spruitjes Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

24. ML 101 • Taak: Voorspel: is iets lekker of niet lekker? • Stap 1: Verzamel data IJs Pizza Aardbeien Sardines Broccoli Spruitjes Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

25. Feature Extraction IJs Pizza Aardbeien Sardines Broccoli Spruitjes Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

26. Feature Extraction Stap 2: Beschrijf: is het zoet, zout, knapperig, groente? IJs Pizza Aardbeien Sardines Broccoli Spruitjes Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

27. Feature Extraction Stap 2: Beschrijf: is het zoet, zout, knapperig, groente? IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

40. Leer een model IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

41. Leer een model Leer een ‘puntentelling’ die Lekker/Niet lekker van elkaar kan scheiden IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

42. Leer een model Leer een ‘puntentelling’ die Lekker/Niet lekker van elkaar kan scheiden IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1 Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

43. Leer een model Leer een ‘puntentelling’ die Lekker/Niet lekker van elkaar kan scheiden IJs Pizza Aardbeien Sardines Broccoli Spruitjes 3 2 3 1 0 0 zoet zout knapperig groente 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1 Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

44. Leer een model Leer een ‘puntentelling’ die Lekker/Niet lekker van elkaar kan scheiden IJs Pizza Aardbeien Sardines Broccoli Spruitjes 3 2 3 1 0 0 zoet zout knapperig groente 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1 Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

45. Leer een model Leer een ‘puntentelling’ die Lekker/Niet lekker van elkaar kan scheiden IJs Pizza Aardbeien Sardines Broccoli Spruitjes 3 2 3 1 0 0 zoet zout knapperig groente 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1 Appel Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child

50. Voorspel Bereken de score voor “nieuwe” data. IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente Appel 3 0 1 0 3 2 3 1 0 0 Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1

51. Voorspel Bereken de score voor “nieuwe” data. IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente Appel 3 0 1 0 4 3 2 3 1 0 0 Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1

52. Voorspel Bereken de score voor “nieuwe” data. IJs Pizza Aardbeien Sardines Broccoli Spruitjes zoet zout knapperig groente Appel 3 0 1 0 4 3 2 3 1 0 0 Lekker Lekker Lekker Niet lekker Niet lekker Niet lekker Daniel Tunkelang, quora.com/How-do-you-explain-machine-learning-to-a-child 3 0 3 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 0 0 0 0 -1 -1 Lekker

53. Let op

54. Let op • Andere voorbeelden = ander model = andere output

55. Let op • Andere voorbeelden = ander model = andere output • Andere “features” = ander model = andere output

56. Waar raken algoritmen ons leven?

62. Risico’s…

63. Risico’s… • ML heeft tot doel m.b.v. (historische) data de meest waarschijnlijke uitkomst te voorspellen.

64. Risico’s… • ML heeft tot doel m.b.v. (historische) data de meest waarschijnlijke uitkomst te voorspellen. • Aanname: patronen herhalen zich

65. Risico’s… • ML heeft tot doel m.b.v. (historische) data de meest waarschijnlijke uitkomst te voorspellen. • Aanname: patronen herhalen zich • Gevolg: geleerde “vooroordelen” bestaan voort.

66. Risico’s… • ML heeft tot doel m.b.v. (historische) data de meest waarschijnlijke uitkomst te voorspellen. • Aanname: patronen herhalen zich • Gevolg: geleerde “vooroordelen” bestaan voort. • Voorspel het meest waarschijnlijke: optimalisatie voor de gemene deler.

67. Perceptie

68. Perceptie • Men ziet technologie, algoritmen, en wiskundige modellen veelal als “neutraal,” en “objectief.”

69. Perceptie • Men ziet technologie, algoritmen, en wiskundige modellen veelal als “neutraal,” en “objectief.” • Maar dat zijn ze niet: ze zijn een reﬂectie van onszelf, en leren van “ons”

70. Perceptie • Men ziet technologie, algoritmen, en wiskundige modellen veelal als “neutraal,” en “objectief.” • Maar dat zijn ze niet: ze zijn een reﬂectie van onszelf, en leren van “ons” • Bias In, Bias Out

71. Voorbeeld https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

72. Voorbeeld https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

73. Algorithmic Bias

77. Mijn 2 cents

78. Begrijp het proces

79. Begrijp het proces • Verander de perceptie. De uitkomst van een ML model is ook maar een ‘standpunt’ — indirect een reﬂectie van onszelf.

80. Begrijp het proces • Verander de perceptie. De uitkomst van een ML model is ook maar een ‘standpunt’ — indirect een reﬂectie van onszelf. • Behandel deze systemen dus niet als ‘orakel.’

81. Omarm de voordelen

82. Omarm de voordelen • Als de aanname van ‘patronen herhalen zich’ standhoudt, is het prima.

83. Omarm de voordelen • Als de aanname van ‘patronen herhalen zich’ standhoudt, is het prima. • Een algoritme kan explicietere uitleg genereren dan een mens;

84. Omarm de voordelen • Als de aanname van ‘patronen herhalen zich’ standhoudt, is het prima. • Een algoritme kan explicietere uitleg genereren dan een mens; • “Gut feeling” (racial proﬁling) vs. wiskundige modellen met gewichten, scores, etc.

85. Omarm de voordelen • Als de aanname van ‘patronen herhalen zich’ standhoudt, is het prima. • Een algoritme kan explicietere uitleg genereren dan een mens; • “Gut feeling” (racial proﬁling) vs. wiskundige modellen met gewichten, scores, etc. • Een algoritme kan explicieter aangepast worden om ‘eerlijker’ te zijn.

86. Samenvattend

87. Samenvattend • Algemene tendens = grotere rol van big data/ML.

88. Samenvattend • Algemene tendens = grotere rol van big data/ML. • Veel mogelijkheden • Ongekende hoeveelheid data + snelle computerhardware + slimme algoritmen • Steeds toegankelijker

89. Samenvattend • Algemene tendens = grotere rol van big data/ML. • Veel mogelijkheden • Ongekende hoeveelheid data + snelle computerhardware + slimme algoritmen • Steeds toegankelijker • Pas op voor valkuilen! • Bias In, Bias Out • Algoritmen zijn geen orakels

90. Einde @dvdgrs

De Macht van Data --- Hoe algoritmen ons leven vormgeven

Recommended

Recommended

More Related Content

More from David Graus

More from David Graus (13)

De Macht van Data --- Hoe algoritmen ons leven vormgeven