Kunstmatige intelligentie
AI-tools en een eigen website: wat je automatiseert en wat niet
AI-tools zijn in korte tijd onderdeel geworden van het dagelijks werk van veel ondernemers. Ze schrijven conceptteksten, beantwoorden vragen van bezoekers en vatten cijfers samen. Het is verleidelijk om je hele website aan zulke tools over te laten. Toch werkt dat zelden goed. De kunst is om te bepalen welke taken je automatiseert en waar menselijke keuzes nodig blijven. Taken die AI goed kan overnemen AI is sterk in herhalend werk met een duidelijke structuur. Denk aan het opstellen van een eerste versie van een productomschrijving, het herschrijven van een tekst naar een kortere variant of het genereren van alt-teksten bij afbeeldingen. Ook het samenvatten van bezoekersstatistieken of het groeperen van veelgestelde vragen gaat snel. Eerste concepten van blogs, nieuwsberichten en productteksten Vertalingen als basis voor een eigen redactieslag Standaardantwoorden in een chatfunctie op je site Samenvattingen van statistieken en formulierreacties Het voordeel is tijdwinst. Wat eerst een
Een vooruitziende blik op machine learning | MIT-nieuws
Stel je twee teams voor op een voetbalveld. De spelers kunnen samenwerken om een doel te bereiken en het opnemen tegen andere spelers met tegenstrijdige belangen. Zo werkt het spel. Het creëren van agenten voor kunstmatige intelligentie die net zo effectief kunnen leren concurreren en samenwerken als mensen, blijft een netelig probleem. Een belangrijke uitdaging is om AI-agenten in staat te stellen te anticiperen op toekomstig gedrag van andere agenten wanneer ze allemaal tegelijkertijd aan het leren zijn. Vanwege de complexiteit van dit probleem zijn de huidige benaderingen kortzichtig; de agenten kunnen alleen de volgende zetten van hun teamgenoten of concurrenten raden, wat op de lange termijn tot slechte prestaties leidt. Onderzoekers van MIT, het MIT-IBM Watson AI Lab en elders hebben een nieuwe benadering ontwikkeld die AI-agenten een vooruitziende blik geeft. Hun kader voor machinaal leren stelt coöperatieve of competitieve AI-agenten in staat om te overwegen wat andere
Een eenvoudiger pad naar beter computerzicht | MIT-nieuws
Voordat een machine-learningmodel een taak kan voltooien, zoals het identificeren van kanker in medische beelden, moet het model worden getraind. Het trainen van beeldclassificatiemodellen omvat meestal het tonen van het model met miljoenen voorbeeldafbeeldingen die zijn verzameld in een enorme dataset. Het gebruik van echte afbeeldingsgegevens kan echter praktische en ethische problemen opleveren: de afbeeldingen kunnen in strijd zijn met auteursrechtwetten, de privacy van mensen schenden of bevooroordeeld zijn tegen een bepaald ras of etnische groep. Om deze valkuilen te vermijden, kunnen onderzoekers programma's voor het genereren van afbeeldingen gebruiken om synthetische gegevens te creëren voor modeltraining. Maar deze technieken zijn beperkt omdat er vaak deskundige kennis nodig is om met de hand een programma voor het genereren van afbeeldingen te ontwerpen dat effectieve trainingsgegevens kan creëren. Onderzoekers van MIT, het MIT-IBM Watson AI Lab en elders pakten het anders
AI laten werken met de juiste dosis nieuwsgierigheid | MIT-nieuws
Het is een dilemma zo oud als de tijd. De vrijdagavond is voorbij en je probeert een restaurant uit te kiezen voor het avondeten. Moet je je meest geliefde drinkplaats bezoeken of een nieuw etablissement proberen, in de hoop iets superieurs te ontdekken? Potentieel, maar die nieuwsgierigheid brengt een risico met zich mee: als je de nieuwe optie verkent, kan het eten erger zijn. Aan de andere kant, als je vasthoudt aan wat je weet dat goed werkt, zul je niet uit je smalle pad groeien. Nieuwsgierigheid drijft kunstmatige intelligentie aan om de wereld te verkennen, nu in grenzeloze use-cases - autonome navigatie, robotachtige besluitvorming, het optimaliseren van gezondheidsresultaten en meer. Machines gebruiken in sommige gevallen 'reinforcement learning' om een doel te bereiken, waarbij een AI-agent iteratief leert door beloond te worden voor goed gedrag en gestraft te worden voor slecht gedrag. Net als het dilemma waarmee mensen worden geconfronteerd bij het selecteren van een
Het oplossen van hersendynamiek leidt tot flexibele modellen voor machine learning | MIT-nieuws
Vorig jaar kondigden MIT-onderzoekers aan dat ze "vloeibare" neurale netwerken hadden gebouwd, geïnspireerd door de hersenen van kleine soorten: een klasse van flexibele, robuuste machine learning-modellen die tijdens het werk leren en zich kunnen aanpassen aan veranderende omstandigheden, voor echte veiligheid -kritieke taken, zoals autorijden en vliegen. De flexibiliteit van deze "vloeibare" neurale netwerken betekende een boost voor de bloedlijn naar onze verbonden wereld, wat leidde tot betere besluitvorming voor veel taken met tijdreeksgegevens, zoals hersen- en hartmonitoring, weersvoorspellingen en aandelenprijzen. Maar deze modellen worden rekenkundig duur naarmate hun aantal neuronen en synapsen toeneemt en er zijn onhandige computerprogramma's nodig om hun onderliggende, gecompliceerde wiskunde op te lossen. En al deze wiskunde, vergelijkbaar met veel natuurkundige fenomenen, wordt moeilijker op te lossen met de grootte, wat betekent dat je veel kleine stappen moet berekenen
Een hele nieuwe wereld van leren via MIT OpenCourseWare-video's | MIT-nieuws
Net als miljoenen anderen tijdens de wereldwijde Covid-19-lockdowns, wendde Emmanuel Kasigazi, een ondernemer uit Oeganda, zich tot YouTube om de tijd te doden. Maar hij volgde geen influencer en keek niet naar muziekvideo's. Kasigazi, een levenslange leerling, was het platform voor het delen van video's aan het doorzoeken op leermiddelen. Sinds 2013, toen hij zijn eerste smartphone kreeg, brengt Kasigazi zijn eigen leertraject in kaart via YouTube en leert hij zichzelf over uiteenlopende onderwerpen als psychologie en kunstmatige intelligentie. En het was tijdens het zoeken naar het antwoord op een AI-gerelateerde vraag dat Kasigazi voor het eerst MIT OpenCourseWare (OCW) ontdekte. "De zoekresultaten toonden MIT-lezingen en ik dacht: 'Welke MIT is dit?'", herinnert Kasigazi zich, die toegeeft dat hij aanvankelijk sceptisch was toen hij de OCW YouTube-kanaal . Tot zijn verbazing vond hij daar honderden cursussen - niet alleen clips, maar complete colleges die hij samen met de
Video op de plaat | MIT-nieuws
Een van de Pulitzer-prijzen die in 2021 werden uitgereikt, was een citaat voor een tiener die de geschiedenis veranderde met haar mobiele telefoon. De Pulitzer-commissie erkende Darnella Frazier "voor het moedig opnemen van de moord op George Floyd, een video die protesten tegen politiegeweld over de hele wereld aanwakkerde en de cruciale rol van burgers in de zoektocht van journalisten naar waarheid en gerechtigheid benadrukte." Frazier's getuigenis kreeg ongebruikelijke erkenning, maar bestaat op een continuüm met talloze andere visuele documentatie van onrechtvaardigheid die door activisten, journalisten en omstanders wordt gebruikt om verandering te eisen. Getuige zijn, gerechtigheid zoeken: videografie in de handen van het volk, een conferentie op de campus van MIT en via livestream van 5 tot 7 oktober, ging in op de complexe problemen rond het maken en verspreiden van deze beelden. De conferentie, georganiseerd door MIT Comparative Media Studies/Writing (CMS/W) aan de School of