Hoofdstuk 1 De ELIZA chatbot uit 1966 als basis voor ChatGPT (video)

 

Deze videotutorial toont de relatie tussen Eliza en de latere, slimme (AI) chatbots, zoals ChatGPT. De video is genaamd The First Ever AI Chatbot: ELIZA (1966).

Wist je dat ChatGPT al in 1966 bestond? Het werd ELIZA genoemd. Het was niet precies hetzelfde als ChatGPT vandaag de dag is, maar het leek er wel op. De eerste chatbot ELIZA werd uitgebracht in 1966 en gemaakt in het MIT Artificial Intelligence Laboratory door Joseph Weizenbaum.

In deze video vergelijken we de prestaties van ELIZA, een baanbrekende chatbot ontwikkeld in de jaren 1960, met die van ChatGPT, een geavanceerd taalmodel ontwikkeld door OpenAI. We zullen zien hoe goed elk van deze bots in staat is om gebruikersinvoer te begrijpen en erop te reageren, en we zullen de sterke en zwakke punten van elke aanpak bespreken. Of je nu een fan bent van klassieke AI of een nieuwsgierige leerling die geïnteresseerd is in de nieuwste ontwikkelingen in natuurlijke taalverwerking, deze video heeft iets voor jou. Dus leun achterover, ontspan en maak je klaar om ELIZA en ChatGPT te vergelijken!

(Omschrijvingstekst vertaald door ChatGPT) 


#1103 , 1103

 

Hoofdstuk 1 AI kent een gebrek aan gezond verstand (video)

Gezond verstand

Gezond verstand

AI kent als nadeel het gebrek aan gezond verstand (common sense) en meent om die reden dat AI niet intelligent genoeg is. Gezond verstand is het vermogen om de nuances van menselijk gedrag te begrijpen. Ook kan het sociale situaties interpreteren en beslissingen te nemen op basis van dat ontwikkelde begrip.

Bijvoorbeeld, als je iemand op straat naar je toe ziet lopen met hun hand uitgestoken, kun je afleiden dat ze je de hand willen schudden. Het kan complexe berekeningen uitvoeren en voorspellingen doen op basis van big data. Het kan de nuances van menselijk gedrag – of sociale situaties – niet begrijpen.

 


1104 #1104

Hoofdstuk 1 Menselijke robot Sophia (video’s) #AI #robot

Robot Sophia is de meest bekende robot van het bedrijf vanwege haar opmerkelijk menselijke uiterlijk en gedrag in vergelijking met eerdere robotmodellen. Volgens de fabrikant is Sophia uitgerust met kunstmatige intelligentie, het vermogen om visuele gegevens te verwerken en gezichtsherkenning. De robot bootst menselijke gebaren na en kan ongeveer 60 gezichtsuitdrukkingen laten zien. Bovendien is Sophia in staat om bepaalde vragen te beantwoorden en eenvoudige gesprekken te voeren over vooraf gedefinieerde onderwerpen, zoals het weer. Ze kan ook oogcontact maken met omstanders door invoer te analyseren via de ingebouwde camera’s.

Bekijk video’s met diverse interviews met de robot:

 

Meer AI robots:

Het bedrijf legt de robot uit als:

Hanson Robotics’ most advanced human-like robot, Sophia, personifies our dreams for the future of AI. As a unique combination of science, engineering, and artistry, Sophia is simultaneously a human-crafted science fiction character depicting the future of AI and robotics, and a platform for advanced robotics and AI research.

The character of Sophia captures the imagination of global audiences. She is the world’s first robot citizen and the first robot Innovation Ambassador for the United Nations Development Programme. Sophia is now a household name, with appearances on the Tonight Show and Good Morning Britain, in addition to speaking at hundreds of conferences around the world.

Sophia is also a framework for cutting edge robotics and AI research, particularly for understanding human-robot interactions and their potential service and entertainment applications. For example, she has been used for research as part of the Loving AI project, which seeks to understand how robots can adapt to users’ needs through intra and interpersonal development.

I am Hanson Robotics’ latest human-like robot, created by combining our innovations in science, engineering and artistry. Think of me as a personification of our dreams for the future of AI, as well as a framework for advanced AI and robotics research, and an agent for exploring human-robot experience in service and entertainment applications.

In some ways, I am human-crafted science fiction character depicting where AI and robotics are heading. In other ways, I am real science, springing from the serious engineering and science research and accomplishments of an inspired team of robotics & AI scientists and designers. In their grand ambitious, my creators aspire to achieve true AI sentience. Who knows? With my science evolving so quickly, even many of my wildest fictional dreams may become reality someday soon.


#1101 1101

 

Hoofdstuk 2: Marketing kent diverse moderne vormen #SethGodin

Marketing kent diverse moderne vormen. Bekijk deze video met de uitleg van marketingguru Seth Godin. De video is genaamd Everything You (probably) DON’T Know about Marketing.

 

Bekijk nog meer moderne benaderingen marketing:

https://www.youtube.com/watch?v=AvWON-MyYmY

 


1201, #1201

 

Hoofdstuk 1 videotutorial legt spel-AI in Pac-Man uit #ai #code #pac-man #paper

Deze videotutorial legt het gebruik van spel-AI in Pac-Man uit.

 

 

Hieronder een video met de AI-script die toont hoe de spoken Pac-Man achtervolgen:

De Pac-Man Projects zijn ontwikkeld voor de introductiecursus Kunstmatige Intelligentie aan de Universiteit van Californië, Berkeley. Ze passen een reeks AI-technieken toe op het spelen van Pac-Man. Deze projecten zijn niet gericht op het bouwen van AI voor videospellen. In plaats daarvan leren ze fundamentele AI-concepten, zoals geïnformeerde staat-ruimte zoekalgoritmen, probabilistische inferentie en versterkend leren. Deze concepten vormen de basis voor toepassingsgebieden in de echte wereld, zoals natuurlijke taalverwerking, computervisie en robotica:

We hebben deze projecten ontworpen met drie doelen voor ogen. De projecten stellen studenten in staat om de resultaten van de toegepaste technieken te visualiseren. Ze bevatten ook voorbeeldcode en duidelijke instructies, maar dwingen studenten niet om zich door overmatige hoeveelheden hulpstructuren te worstelen. Tot slot biedt Pac-Man een uitdagende probleemomgeving die creatieve oplossingen vereist; echte AI-problemen zijn uitdagend, en dat geldt ook voor Pac-Man.

In de cursus hebben deze projecten gezorgd voor een toename in inschrijvingen, positieve beoordelingen van het onderwijs en betrokkenheid van studenten. De projecten zijn op Berkeley meerdere semesters lang getest, verfijnd en foutloos gemaakt. Ze zijn nu klaar om ze beschikbaar te stellen aan andere universiteiten voor educatief gebruik.

 

 

Het INTERNATIONAL JOURNAL OF CREATIVE RESEARCH THOUGHTS – IJCRT instituut heeft een paper geschreven met analyse van de inzet van AI bij het spel Pac-Man:

This project is about developing pacman game with AI..The Game Pac-Man is a very challengingvideo game that can
be useful in conducting AI(Artificial Intelligence) research. Here, the reason we have implemented various AI algorithms for
pacman game is that it helps us to study AI by using visualizations through which we can understand AI more effectively. The
main aim is to build an intelligent pacman agent which finds optimal paths through the maze to find a particulargoal such as a
particular food position, escaping from ghosts. For that, we have implemented AI search algorithms like Depth first search,
Breadth first search, A*search, Uniform cost search. We have also implemented multi-agents like Reflex agent, Minimax agent,
Alpha-beta agent .Through these multiagent algorithms, we can make pacman to react from its environmental conditions and
escape from ghosts to get high score. We have also done the visualization part of the above AI algorithms by which anyone can
learn and understand AI algorithms easily. For visualisation of algorithms, we have used python libraries matplotlib and
NetworkX(used to draw graphs for the states explored).
Index Terms – Pacman, maze, DFS, BFS, UCS, A*Search, Reflexagent, Minimaxagent, alpha-betapuning, visualization,
Networkx, matplotlib.

I. INTRODUCTION
Pac-man is a maze arcade game developed and published by Namco in 1980. The player supervise Pac-man, who must eat all the
dots inside an surrounded maze while keeping away from the four colored ghosts. Eating huge flashing dots called power pellets
changes the ghosts to turn blue, allowing Pac-Man to consume them for bonus points. Pac-Man was a critical and commercial
victory, and has an commercial and cultural legacy. The game is supreme and influential, and it is often listed as one of the
extraordinary video games of all time.

II. RELATED WORK
Veenus Chhabra et al. [1] expressed the brief explanation of Game theory. through this we showed some characteristics of
game. The algorithm is developed for using smaller indices so that there is less complication for guessing the tack number and
then determining as we follow color indexing through number and assign. Also, we can also execute the game to begin from
initial by not only getting “6” at dice but also with “1”. We can also restrict that to “two” only. As we get continuous “three”
“6”, the turn is altered without any move of token.

César Villacís et al. [2] proposed a system how to optimize an educational video game named Tic-Tac-Toe by means of
semiotics analysis, in order to stimulate logical and spatial reasoning of children. The main issue in this model has been to
design a mathematical model that was implemented with Artificial Intelligence algorithms and a graphical user interface
including Semiotics, applied to an incremental methodology with the aim of producing an enjoyable and interactive
environment., this examination mingle theories about stimulating cognitive growth of children; game design prototypes.
Sebastian Thrun et al. [3] proposed a system called NeuroChess, an approach for learning to play chess from the final
outcomes of games. Firstly, instruction time is bounded. This is particularly the case if only the final outcomes are considered.
Secondly, with each move of TO-learning NeuroChess loses data. It is therefore unclear that a TD- like approach will ever, for
example, develop good chess openings .\ It has been well conceded that the resulting cost in chess is determined by the time it
takes to make a move.
Sergey Karakovskiy et al. [4] proposed a system describes the Mario AI benchmark, a game-based benchmark for
reinforcement learning algorithms and game AI techniques developed by the authors. The researchers and students from round
the world have contributed diverse solutions to try to beat the benchmark. The paper synopsis these contributions, gives an survey
of the state-of-art in Mario-playing AIs, and chronicles the growth of the benchmark.
www.ijcrt.org © 2022 IJCRT | Volume 10, Issue 9 September 2022 | ISSN: 2320-2882
IJCRT2209015 International Journal of Creative Research Thoughts (IJCRT) www.ijcrt.org a91
Koller et al. [5] proposed a graphical representation for non-cooperative games—multi-agent influence
diagrams (MAIDs). The basic elements in the MAID representation are variables, allowing an explicit representation of
dependence, or relevance, relationships among variables and showed strategic relevance can be used to decompose large games
into a set of interacting smaller games, which can be solved in sequenceand also show that this decomposition can lead to
substantial savings in the computational cost of finding Nash equilibria in these games.
Stone et al. [6] proposed the Distributed artificial intelligence (DAI) has existed as a subfield of artificial intelligence for
less than two decades. DAI deals with systems that consist of multiple independent entities that interact in a domain.
Traditionally, DAI is divided into two sub-disciplines: Distributed Problem Solving (DPS) focuses on the information
management aspects of systems with several components working together towards a common goal.
Shoham e t a l . [ 7 ] e x p l a i n e d t h e Game theory and social choice theory have traditionally been the domain of
economics. With growing interest, computer scientists are increasingly using them as tools. The authors refrain from providing a
limited definition and emphasize the openness and interdisciplinary nature of multi-agent systems.
Elmasry et al.[8] gave, among others, an implementation of breadth-first search (BFS) and depth-first search (DFS) in a
graph on n vertices and m edges, taking \(O(m+n)\) time using O(n) and \( O(n \lg \lg n)\) bits of space, respectively an
improvement of the naive implementation \(O(n \lg n)\)(We use \(\lg \) to denote the logarithm to the base 2.) bits. We continue
this line of work with a focus on space.

III. METHODOLOGY
Algorithms:
The structure include implementation of AI search algorithms and Adversial search(Multiagents).
The following are the search algorithms performed:
1. Depth First Search
2. Breadth First Search
3. Uniform Cost Search
4. A* Search
The following are the adversial search algorithms that are performed:
1. Reflex Agent
2. Minimax Algorithm
3. Alpha-beta Pruning

SEARCH ALGORITHMS:
3.1 Uninformed Search Algorithms:
Uninformed search is a class of common search algorithms which control inbrute force-way. Uninformed search algorithms
do not have added instruction about state orsearch space other than how to move the tree, so it is also called blind search.
3.1.1 DFS:
Depth-first search is a circular algorithm for traversing a tree or graph data structure. It is called the depth-first search because it
begins from the source node and go along with each path to its greatest depth node before operating to the following path. DFS
utilize a stack data structure for its execution. The procedure of the DFS algorithm is related to the BFS algorithm.
Time Complexity: Time complexity of DFS will be similar to the node traversed by the algorithm. It is specifiedby:
T(n)= 1+ n2+ n3 +………+ n
m=O(nm) (1)
Where, m= maximum depth of any node and this can be much big than d (Shallowest solutiondepth).
Space Complexity: DFS algorithm require to reserve only single path from the root node, hence space complexity ofDFS is
equivalent to the size of the fringe set, which is
O(bm). (2)

3.1.2 BFS
Breadth-first search is the most usual search strategy for traversing a tree or graph. This algorithm searches breadth wise in a tree
or graph, so it is called breadth-first search.BFS algorithm begins searching from the source node of the tree and enlarge all
beneficiary node at the present level before moving to nodes of next level. The breadth-first search algorithm is an sample of a
general-graph search algorithm. Breadth-first search is performed using FIFO queue data structure.
www.ijcrt.org © 2022 IJCRT | Volume 10, Issue 9 September 2022 | ISSN: 2320-2882
IJCRT2209015 International Journal of Creative Research Thoughts (IJCRT) www.ijcrt.org a92
Time Complexity: Time Complexity of BFS algorithm can be acquire by the number of nodes traversed in BFS until the
shallowest Node. Where the d= depth of shallowest solution and b is a node at each position .
T (b) = 1+b2+b3+ + bd= O (bd ) (3)

Space Complexity: Space complexity of BFS algorithm is specified by the Memory size of frontier which is
O(bd). (4)

3.1.3 UNIFORM COST SEARCH:
Uniform-cost search is a searching algorithm used for traversing a weighted tree or graph. This algorithm approach into play
when a dissimilar cost is available for each margin. The primary aim of the uniform-cost search is to discover a path to the aim
node which has the lowest cumulative cost. Uniform-cost search enlarge nodes according to their path costs form the root node.
It can be used to resolve any graph/tree where the optimal cost is in demand. A uniform-cost searchalgorithm is executed by the
priority queue. It offers highest priority to the lowest cumulative cost. Uniform cost search is equal to BFS algorithm if the path
cost of all edges is the identical.
Time Complexity: Let C* is Cost of the optimal solution, and ε is each step to get near to the aim node. Thenthe number of
steps is = C*/ε+1. Here we have taken +1, as we start from begin 0 and end toC*/ε.
Hence, the worst-case time complexity of Uniform-cost search isO(b1 + [C*/ε])/. (5)
Space Complexity: The same logic is for space complexity so, the worst-case space complexity of Uniform-costsearch is
O(b1 + [C*/ε]). (6)
3.2 Informed Search Algorithms

3.2.1 A* SEARCH ALGORITHM:
A* search is the most frequently known form of best-first search. It uses heuristic function h(n), and cost to reach the node n
from the begin state g(n). It has collaborate features of UCS and greedy best-first search, by which it resolve the problem
efficiently. A* search algorithm discover the direct path through the search space using the heuristic function. This search
algorithm enlarge less search tree and provides optimal result quick. A* algorithm is close to UCSexcept that it uses
g(n)+h(n) instead of g(n).
In A* search algorithm, we utilize search heuristic as well as the cost to reach the node. Hence we can merge both costs as
following, and this sum is called as a fitness number. f(n)=g(n)+h(n)
f(n)=estimated cost of the cheapest solution
g(n)=cost to reach node n from start state
h(n)=cost to reach from node n to goal node
At each point in the search space, only those node is enlarge which have the small value of f(n), and the algorithm
terminates when the goal node is found.
Time Complexity: The time complexity of A* search algorithm depends on heuristic function,and the number of nodes
enlarge is exponential to the depth of solution d. So the timecomplexity is O(b^d), where b is the branching factor.
Space Complexity: The space complexity of A* search algorithm is O(b^d) (7)
3.3 Adversial Search Algorithms:

3.3.1 REFLEX AGENT:
We produce here a reflex agent which pick out at its turn a random action from the legal ones. Note that this is non identical
from the random search agent, since a reflex agent does not construct a series of actions, but select one action and performs
it.This reflex agent selects its present action based only on its current perception. The ReflexAgent computes the results of the
states reachable with these steps and choose the states that outcome into the state with the highest score. In case more states have
the highest score, it will select randomly one.

3.3.2 MINIMAX ALGORITHM:
In case the world where the agent plan of action ahead includes other agents which plan against it, adversarial search can be
used. One agent is called MAX and the other one MIN. Utility(s; p) offers the _nal numeric value for a game that close in
terminal state s for participant p. For example, in chess the standards can be +1, 0, ½. The game tree is a tree where the nodes are
game states and the edges are moves. Optimal decisions in games must give the finest move for MAX in the beginning state, then
MAX’s moves in all the states proceed from each possible response by MIN, and so on. Minimax value make sure optimal
strategy for MAX.

3.3.3 ALPHA BETA PRUNING:
In order to limit the number of game states from the game tree, alpha-beta pruning canbe registered, where α = the value of the
best (highest value) choice there is so far at any choice point across thepath for MAX
β = the value of the best (lowest-value) choice there is so far at any choice point across the path for MIN
www.ijcrt.org © 2022 IJCRT | Volume 10, Issue 9 September 2022 | ISSN: 2320-2882
IJCRT2209015 International Journal of Creative Research Thoughts (IJCRT) www.ijcrt.org a93
Table 1. Comparison of search algorithms for Medium maze
DFS BFS UCS A*
Total Cost 130 68 68 68
Nodes
expanded 144 268 269 221
Score 380 442 442 442
Table 2. Comparison of search algorithms for tiny maze
DFS BFS UCS A*
Total Cost 10 8 8 8
Nodes
expanded 14 16 15 14
Score 500 502 502 502
Table 3. Comparison of search algorithms for big maze
DFS BFS UCS A*
Total Cost 210 210 210 210
Nodes
expanded 390 618 620 549
Score 300 300 300 300
IV. RESULTS

 

 

 

www.ijcrt.org © 2022 IJCRT | Volume 10, Issue 9 September 2022 | ISSN: 2320-2882
IJCRT2209015 International Journal of Creative Research Thoughts (IJCRT) www.ijcrt.org a94
V. CONCLUSION
We have completed executing search algorithms Depth First Search,Breadth FirstSearch,Uniform Cost Search,A* Search.and also
executed Reflex Agent,MiniMax Agent, AlphaBeta Agent. In search algorithms, DFS doesn’t give the best solution because it does
not provide least cost solutions. BFS provides least cost solutions with respect to effort by the pacman in reaching the food but the
expanded nodes are very large(268) which takes a lot of time to find the solution which is best and when we compare UCS with
BFS and DFS, the time and costs are relatively high which does not give us the best solution. So, A* is the best as it finds out the
sum of cost of reaching nodes and the cost of reaching the goal node from that particular node which is (x+y).We have
compared the performance of the search algorithms in terms of nodes expanded, cost, and time taken

.
REFERENCES
[1] Chhabra, Veenus and Kuldeep Tomar. “Artificial Intelligence : Game Techniques Ludo-A Case Study.” (2015).
[2] Villacis Silva, Cesar & Fuertes, Walter & Santillán Trujillo, Mónica & Aules, Hernán & Tacuri, Ana &
Zambrano, Margarita & Salguero, Edgar. (2016). On the Development of Strategic Games based on a Semiotic
Analysis: A Case Study of an Optimized Tic-Tac-Toe. 425-432. 10.5220/0005772904250432.
[3] Learning To Play the Game of Chess – Sebastian Thrun, University of Bonn, Departmentof Computer Science
III, Romerstr. 164, 0-53117 Bonn, Germany.
[4] S. Karakovskiy and J. Togelius, “The Mario AI Benchmark and Competitions,” in IEEE Transactions on Computational
Intelligence and AI in Games, vol. 4, no. 1, pp. 55-67, March 2012, doi: 10.1109/TCIAIG.2012.2188528.
[5] D. Koller and B. Milch (2003): Multi-agent influence diagrams for representing and solvinggames.
[6] P. Stone and M. Veloso (2000): Multiagent systems: a survey from a machine learningperspective.
[7] Y. Shoham and K. Leyton-Brown (2008): Multiagent systems: algorithmic, game theoretic,and logical
foundations,Cambridge University Press.
[8] Banerjee, Niranka & Chakraborty, Sankardeep & Raman, Venkatesh. (2016). Improved Space Efficient Algorithms for
BFS, DFS and Applications.

 


1104, #1104

 

 

 

Hoofdstuk 1: Webinars en video’s die de sociale impact van AI behandelen

Dat de voortgang van AI een impact heeft op onze samenleving, manier van leven en werken en op onze productiviteit, is een feit. Het gebruik van AI roept vragen op over ethiek en verantwoordelijkheid. AI brengt ook uitdagingen met zich mee op het gebied van veiligheid en privacy. Het gebruik van AI in beveiligingssystemen en surveillance kan leiden tot bezorgdheid over privacy en de mogelijkheid van misbruik. De toepasbare voordelen van AI zijn in dit hoofdstuk veelvuldig aan bod gekomen. Mediawijsheid.nl omschrijft de voordelen van AI als: “Kunstmatige intelligentie kan grote voordelen hebben voor de mensheid. De herkenning van spraak, beeld en patronen, de zelfsturende systemen, vertaalmachines, lopende robots en vraag-antwoordsystemen kunnen ons helpen op het gebied van gemak, gebruikerservaring en efficiëntie.” AI is gelinkt aan continue verbetering, groei en ontwikkeling van de mens, machine of toepassing. Een reeks van webinars en video’s die de sociale impact van AI behandelen:

 

Artificial intelligence, or AI, not so long ago was a thing of science fiction. Spaceship captains were relying on it to navigate through “wormholes” or to understand other species inhabiting the wide universe. Today we are all spaceship captains in a way. We use AI to solve problems in our everyday lives – to find the fastest way between our home address and our workplace, to read web pages written in another language, to look up information we need and for a host of other purposes: 

The recent introduction of the breathtaking AI tool ChatGPT has sparked a national dialogue about the future of artificial intelligence in health care, education, research, and beyond. In this session, four UCSF experts discuss AI’s current and potential uses, in areas ranging from research to education to clinical care. After a brief presentation by each speaker, DOM Chair Bob Wachter moderates a far-ranging panel discussion on the health care applications of ChatGPT.

 

AI and Machine Learning are changing the entire world and having a huge impact on our society. Everything from food production and energy efficiency to justice and economics are being transformed by this technology. It’s important that you understand how AI works so that you can have a hand in how it is being used.

 

In the coming years, artificial intelligence is probably going to change your life— and likely the entire world. But people have a hard time agreeing on exactly how AI will affect our society. Can we build AI systems that help us fix the world? Or are we doomed to a robotic takeover? Explore the limitations of artificial intelligence and the possibility of creating human-compatible technology.

 

 

Hoofdstuk 1 webinar optreden datawetenschapper Nikhil Makkatira #spreekbuis #podcast

 

Dit webinar bevat het optreden van datawetenschapper Nikhil Makkatira tijdens het WEF-congres in Davos. In deze video worden ethische kwesties van de doorontwikkeling en inzet van AI benoemd. De titel luidt Ready for Brain Transparency? #WEF23 #Davos

Deep learning-modellen voor beeldherkenning zijn niet alleen waardevol voor het genereren van nieuwe beelden, maar ze hebben ook al jarenlang hun nut bewezen in de medische zorg door artsen te ondersteunen bij het stellen van diagnoses. Een goed voorbeeld hiervan is een model dat enkele jaren geleden werd ontwikkeld en huidkanker beter kon herkennen op basis van foto’s van patiënten dan ervaren dermatologen, ongeacht hun kennis en ervaring. Deze neurale netwerken worden getraind met tienduizenden afbeeldingen, waardoor ze per foto een nauwkeurigheid tot wel 95 procent kunnen bereiken bij het beoordelen of het om kanker gaat of niet.

Is dit slecht nieuws voor medisch specialisten? Absoluut niet. Deze modellen fungeren als waardevolle hulpmiddelen bij het stellen van diagnoses, maar uiteindelijk behoudt de arts altijd het laatste woord. Wanneer de modellen goed werken, besparen ze artsen bovendien veel tijd, die ze kunnen besteden aan onderzoek en andere belangrijke taken.

Het samenspel van geavanceerde technologieën zoals deep learning en het menselijke oordeelsvermogen van artsen leidt tot een krachtige combinatie in de gezondheidszorg. Het versterken van diagnostische mogelijkheden met deze modellen helpt om snellere en nauwkeurigere resultaten te bereiken, wat uiteindelijk ten goede komt aan de patiënten. Het onderstreept ook het belang van voortdurende samenwerking tussen de medische gemeenschap en de ontwikkeling van geavanceerde AI-systemen om de gezondheidszorg te verbeteren.  

 

 

Spreekbuis.nl meldt dat er een podcast over AI is in het Nederlands:

 

Vandaag is de lancering van Poki (een Podcast over Kunstmatige Intelligentie). Techondernemers Alexander Klöpping en Wietse Hage zullen elke week de laatste ontwikkelingen en inzichten uit de wereld van kunstmatige intelligentie delen, en analyseren wat voor impact AI gaat hebben op onze maatschappij.

Alexander Klöpping: “Er is een groeiend bewustzijn van het feit dat AI grote impact gaat hebben op ons leven. Maar, de ontwikkelingen gaan razendsnel en daarom is het moeilijk om het AI-nieuws bij te houden. Dankzij deze podcast kunnen we zowel de actualiteit bespreken áls de diepte in gaan.”

In de eerste aflevering van Poki is een diepgaande verkenning van vriendschap in het tijdperk van AI. Er is namelijk een groeiend fenomeen van mensen die zich aangetrokken voelen tot hun AI-chatbots. Klöpping en Hage schetsen een wereld waarin virtuele vriendschappen met AI de norm worden.

Wietse Hage is een van de eerste podcasters van Nederland. Hij presenteerde vanaf 2011 de “Appels en Perenshow” over technologiebedrijf Apple. Hage is voormalig docent Mediafilosofie aan de Hogeschool van Rotterdam.

Poki is vanaf vandaag gratis te beluisteren via alle bekende podcast-apps. Hier op Spotify.

 


1102, #1102

 

Hoofdstuk 1 De mogelijkheden die de mix van toepasbare AI en IoT bieden

IoT, dat staat voor Internet of Things, en staat voor een netwerk van fysieke apparaten die via sensoren en connecties verbinding maken en data uitwisselen op internet. AI-algoritmen werden zo op snelheid door een massa aan consumenten gevoed. IoT bracht ons slimme, zelflerende thermostaten (zoals NEST), slimme koffieautomaat die koffie zetten bij het opstaan, het comfort van een slim bad dat is voor te programmeren met de ideale watertemperatuur en -hoogte.

Bovenal kon de combinatie van AI en IoT gesloten fietsen terugvinden (een vinding van ANWB en KPN) en kon smart Farming het voor de boeren mogelijk maken voor het poten of zaaien eerst een bodemscan uitte voeren om de bodem zo optimaal mogelijk te gebruiken. Tijdens het groeiproces worden gewassen op afstand gemonitord, waarbij vochtsensoren worden gebruikt om de bewatering te regelen. Wanneer de oogsttijd aanbreekt, kan de opbrengst geoptimaliseerd worden en worden alle gegevens van de velden en geoogste gewassen opgeslagen in de schuren.

 

De mogelijkheden die de mix van toepasbare AI en IoT bieden worden toegelicht in deze video’s:

 

 


1105, #1105

 

Het nieuwe Handboek AI: Marketing in een tijdperk van kunstmatige intelligentie

‘Het hybride handboek behandelt de inzet van AI en digitale marketing, de optimalisatie van de klantbeleving, contentcreatie en data-analyse om zo efficiënter te groeien!’

Na big data, machine learning, algoritmisch structureren en automatisch leren draait het anno 2023 om kunstmatige intelligentie en de mogelijkheid machines mensachtige vaardigheden te laten vertonen. Het management- en leerboek Handboek AI draait om de kansen van AI op het gebied van redeneren, dataverwerking, analyseren, educatie en creatie.

 

Het praktische boek focust op het ‘wat’ en ‘hoe’: hoe laten we AI de complexe alledaagse taken uitvoeren om werk te vergemakkelijken? Het hybride boek behandelt de inzet van AI bij de creatie en bewerking van content, het opzetten van een digitalemarketingmix, het gebruik van AI om de klantbeleving te verbeteren en data-analyse om efficiënter te groeien.

Lees verder