HCC Artificiële Intelligentie interessegroep (HCC!AI)


Bijeenkomsten gehouden in 2002

In 2002 zijn op de volgende data bijeenkomsten gehouden:

Toelichting op de oriëntatiedagen voor beginners

Op 26 januari en 30 november zijn zgn. "oriëntatiedagen" gehouden, om met name mensen die op de HCC-dagen (eind november) lid waren geworden een beetje wegwijs te maken, zowel binnen de AI gebruikersgroep als op het gebied van de Artificiële Intelligentie. De programma's van deze dagen leken sterk op elkaar; om onnodige herhaling te voorkomen zijn ze in dit overzicht achteraf "in elkaar geschoven". De "beginnerscursus", die in afleveringen verspreid over de rest van het jaar werd gegeven, was een logisch vervolg op de eerste oriëntatiedag (die van 26 januari).
(GV 08-03-2012)

Inleiding, door Jo Brants Enkele deelgebieden, door Dolf Eijkelboom Neurale netwerken, door Peter Uilenreef (alleen op 30 november)

Relatie tussen menselijke en kunstmatige intelligentie, door Rob Langeveld (alleen op 30 november)

Doe het zelf, door Jan Dur (op 26 januari) en Patrick Molenaar (op 30 november) Met elkaar, door Dolf Eijkelboom

Toelichting op de lezing "Robot navigatie en lokalisatie", door Ing. Bas Terwijn (Centrum voor Wiskunde en Informatica, Universiteit van Amsterdam)

Een robot moet te weten kunnen komen waar hij is en waar hij naar toe moet. Door technische beperkingen geven zijn sensoren onzekere waarnemingen door. Een moderne techniek om met onzekere gegevens om te gaan is de Bayesiaanse kansberekening, gebaseerd op een zeer eenvoudige formule die door de Engelse dominee/wiskundige Bayes 250 jaar geleden was opgeschreven.

Bas Terwijn beschrijft, hoe, met behulp van de Bayesiaanse kansberekening, een robot kan zien waar hij is, door de onzekere waarnemingen te vergelijken met in het geheugen opgeslagen informatie over mogelijke posities in de omgeving.


Figuur 1: De helm beperkte het waarnemingsvermogen van een middeleeuwse ridder. Ook moderne robots kunnen maar beperkt kijken. Nieuwe ontwikkelingen van het 250 jaar oude Bayes-algoritme helpen robots om toch nauwkeurig te bepalen waar ze zijn.

Toelichting op het projectvoorstel "Computer en menselijke interactie-patronen" van Ed Perelaer

De klassieke computertournooien van Axelrod, waarin de succesvolle 'Tit for Tat' strategie naar voren kwam uit de voortdurende beproevingen van het prisoners-dilemma, hebben laten zien hoe win-win oplossingen de overhand krijgen in een uit egoïsten bestaand sociaal systeem. Als het gaat om menselijke interacties spreekt men bij begrippen als 'oog-om-oog...' en 'wat gij niet wilt dat u geschiedt...' ook wel van 'regels' in het sociale gedrag.

Of het nu op de schaal van een gezin of van de wereldpolitiek is: de regels zijn talrijk en worden veelal onbewust toegepast. Bij groepen die zich eenmaal onderscheiden door de aanwezigheid van een belhamel is te zien dat een nieuwe belhamel ontstaat wanneer de eerste er uit verdwijnt. Het is moeilijk een juist beeld te krijgen van de regels die bij zulke processen betrokken zijn; ook onderzoekers hebben nu eenmaal vooroordelen. Ed Perelaer, psycholoog, en voor zijn pensionering werkzaam aan de universiteit van Leiden, zal in zijn inleiding dit - direct aan menselijke communicatie rakende - onderwerp nader uitleggen.

Daarna legt hij de vraag voor in hoeverre de computer kan bijdragen tot een scherper inzicht in dit vakgebied. Eerst op dit punt verplaatst het zoeklicht zich van psychologie (waar AI permanent naar verwijst) naar AI. Vanuit de AI-sfeer moet het mogelijk zijn goede antwoorden op de vraag te bedenken. Niet alleen worden computermodellen van levende en sociale systemen in AI toegepast; tot het terrein van de AI behoort met name ook de ontwikkeling van instrumenten die zelfstandig, en zonder reeds bestaand vooroordeel, patronen kunnen analyseren.

Toelichting op de lezing "A.I. en de financiële markt", door J.van den Berg

Winst maken op de aandelenmarkt vereist een waakzaam oog voor uitzonderingen op normale koers-schommelingen. Onderzoekers aan de Erasmus Universiteit zijn er kort geleden in geslaagd een methode te ontwikkelen voor het detecteren van zulke uitzonderingen via de computer. Zoals het een geïnspireerde uitvinding past is de methode, die de naam 'Exception Learning' gekregen heeft, eerst succesvol getest en pas daarna beter begrepen, en wel met behulp van de theorie van lerende machines.

Bij Exception Learning gaat het lerende systeem uit van fuzzy logic. Bijkomend voordeel daarvan is dat - desgewenst - het systeem in voor iedereen begrijpelijke taal zijn bevindingen over de normale en uitzonderlijke gang van zaken zou kunnen weergeven. Het onderzoek naar grenzen en toepassingsmogelijkheden van het principe is nog maar net begonnen; de belegger zal tevergeefs bij het softwarehuis op de hoek naar een kant en klaar Exception Learning pakket vragen.

De gebruikersgroep Artificiële Intelligentie prijst zich gelukkig op de bijeenkomst uit de eerste hand uitleg te krijgen over de werking en achtergronden van het systeem.

GV 07-03-2012


Terug naar de AIgg bijeenkomstenpagina