Zonder de ambitie te hebben van compleet (of zelfs inhoudelijk helemaal correct) te zijn bevat deze pagina een overzicht van enkele temen rond AI die je kan ontmoeten in de Happy 2 Change artikelen of als je met Artificiële Intelligentie bezig bent. 

Agents: Software die bepaalde taken zelfstandig en proactief kan uitvoeren zonder de noodzaak van menselijke tussenkomst, vaak met behulp van een reeks tools zoals rekenmachines of webbrowsing. Voorbeeld: Google Assistant die automatisch je agenda beheert en herinneringen instelt.

Algoritme: Een reeks instructies of procedures die zijn ontworpen om een bepaald probleem op te lossen of een specifieke taak uit te voeren. In de context van AI en machine learning worden algoritmen gebruikt om modellen te trainen, data te analyseren, en voorspellingen of beslissingen te maken. Deze kunnen variëren van eenvoudige sorteeralgoritmen tot complexe machine learning-methoden. Voorbeeld: Het gebruik van het K-means algoritme in datawetenschap om klantsegmenten te identificeren in een dataset.

Artificiële Intelligentie (AI): Een tak van de informatica die zich richt op het creëren van systemen die taken kunnen uitvoeren die normaal menselijke intelligentie vereisen. Deze taken kunnen variëren van spraakherkenning en beeldanalyse tot besluitvorming en vertaling tussen talen. AI maakt gebruik van verschillende methoden en technologieën, zoals machine learning, neurale netwerken en natural language processing, om mensachtig gedrag en denkprocessen na te bootsen. Voorbeeld: Siri of Google Assistant, die gesproken vragen kunnen begrijpen en beantwoorden, of Tesla’s Autopilot, een AI-systeem voor autonoom rijden.

Artificial General Intelligence(AGI):  AGI verschilt van traditionele AI doordat het de capaciteit heeft om te leren, te redeneren en beslissingen te nemen over een breed scala aan onderwerpen, vergelijkbaar met menselijke intelligentie. Deze mogelijkheid brengt ongekende kansen met zich mee, maar ook aanzienlijke risico’s.

AutoML (Automated Machine Learning): Een proces dat de automatische selectie en tuning van machine learning-modellen faciliteert. Voorbeeld: Tools zoals Google’s AutoML die automatisch het beste model voor een bepaalde taak kiezen.

Bias: In de context van AI en machine learning verwijst dit naar het fenomeen waarbij een algoritme oneerlijke of onnauwkeurige uitkomsten produceert door een onevenwichtige dataset of ontwerpfouten. Voorbeeld: Een gezichtsherkenningssysteem dat slecht presteert bij het identificeren van mensen met een donkere huidskleur.

Chatbot: Een computerprogramma ontworpen om menselijke gesprekken na te bootsen via tekst- of spraakinteracties.Voorbeeld: De klantenservice-chatbot van bol.com  die vragen over bestellingen en retouren beantwoordt.

ChatGPT: Een grootschalig AI-taalmodel ontwikkeld door OpenAI dat mensachtige tekst genereert.

CLIP (Contrastive Language–Image Pretraining): Een AI-model ontwikkeld door OpenAI dat afbeeldingen en tekst met elkaar verbindt, waardoor het beschrijvingen van afbeeldingen kan begrijpen en genereren. Voorbeeld: Een systeem dat automatisch tags genereert voor een grote database met afbeeldingen.

Computer Vision: Een deelgebied van artificiële intelligentie en informatica dat zich richt op het in staat stellen van machines om visuele informatie uit de wereld te interpreteren, net zoals menselijke visie dat doet. Dit omvat het automatisch identificeren en categoriseren van objecten, het volgen van bewegingen en zelfs het begrijpen van scènes. Computer Vision maakt gebruik van verschillende technieken zoals beeldverwerking, patroonherkenning en machine learning om deze taken uit te voeren. Voorbeeld: De gezichtsherkenningstechnologie in smartphones, of autonome voertuigen die hun omgeving begrijpen via camera’s en andere sensoren.

Data Augmentation: Technieken om de diversiteit van de trainingsdata te vergroten zonder daadwerkelijk nieuwe data te verzamelen. Voorbeeld: Het roteren, schalen of bijsnijden van afbeeldingen in een beelddataset.

Data pipeline: Een set van data verwerkingsstappen die betrokken zijn bij het verplaatsen van data van de bron naar de bestemming. Voorbeeld: ETL-processen in datawetenschap.

Datascience / datawetenschap: Een interdisciplinair veld dat zich richt op het extraheren van kennis en inzichten uit gestructureerde en ongestructureerde data. Datascientists maken gebruik van een breed scala aan technieken, waaronder statistische analyse, machine learning, en big data-infrastructuur om data te begrijpen, visualiseren en in te zetten voor het nemen van geïnformeerde beslissingen. Voorbeeld: Een datawetenschapper bij een e-commerce bedrijf die klantgedrag analyseert om de productaanbevelingen te verbeteren.

Deep Learning: Een deelgebied van machine learning dat zich richt op het trainen van neurale netwerken met veel lagen, waardoor het leren van complexe patronen mogelijk is. Voorbeeld: Google’s DeepMind die het spel Go heeft geleerd en wereldkampioenen heeft verslagen.

Diffusion: In AI en machine learning, een techniek gebruikt voor het genereren van nieuwe data door te beginnen met een stuk echte data en willekeurige ruis toe te voegen. Voorbeeld: Het genereren van nieuwe muziektracks die lijken op bestaande genres.

Ensemble Learning: Het combineren van meerdere modellen om de algehele prestaties te verbeteren. Voorbeeld: Random Forest, een ensemble van beslissingsbomen.

Expert systeem: Een toepassing van artificiële intelligentietechnologieën die oplossingen biedt voor complexe problemen binnen een specifiek domein. Voorbeeld: Een medisch diagnosesysteem dat artsen helpt bij het identificeren van zeldzame ziekten.

Federated Learning: Een methode waarbij een machine learning-model wordt getraind over meerdere gedecentraliseerde apparaten zonder dat data naar een centrale database hoeft te worden gestuurd. Voorbeeld: Gebruik in mobiele toepassingen waar privacy belangrijk is.

Fine-tuning: Het proces van het nemen van een vooraf getraind machine learning-model dat al is getraind op een grote dataset en het aanpassen voor een iets andere taak of specifiek domein. Voorbeeld: Het aanpassen van een algemeen beeldherkenningsmodel om specifieke soorten vogels te identificeren.

Foundation model: Grote AI-modellen getraind op brede data, bedoeld om te worden aangepast voor specifieke taken. Voorbeeld: GPT-3, dat kan worden aangepast voor verschillende toepassingen zoals chatbots, tekstgeneratie en meer.

GAN (Generative Adversarial Network): Een klasse van AI-algoritmen die worden gebruikt in ongecontroleerd machine leren, bestaande uit twee neurale netwerken die tegen elkaar “vechten”. Voorbeeld: Het creëren van realistische afbeeldingen of kunstwerken.

Generative AI: Een tak van AI gericht op het creëren van modellen die nieuwe en originele inhoud kunnen genereren. Voorbeeld: Een AI die nieuwe muziekcomposities kan maken.

GPT (Generative Pretrained Transformer): Een grootschalig AI-taalmodel ontwikkeld door OpenAI dat mensachtige tekst genereert. Voorbeeld: Het schrijven van nieuwsartikelen of het genereren van code.

GPU (Graphics Processing Unit): Een gespecialiseerd type microprocessor ontworpen om snel beelden te renderen. Voorbeeld: NVIDIA’s GeForce RTX 3080, gebruikt in zowel gaming als AI-toepassingen.

Hallucineren: In de context van AI verwijst hallucinatie naar het fenomeen waarbij een model inhoud genereert die niet is gebaseerd op feitelijke data. Voorbeeld: Een beeldherkenningsmodel dat een object in een afbeelding verkeerd identificeert.

Hyperparameter Tuning: Het proces van het systematisch kiezen van de beste hyperparameters voor een model. Voorbeeld: Het gebruik van grid search of random search om de optimale leerfrequentie te vinden voor een neuraal netwerk.

Jupyter notebook: Een Jupyter Notebook is een open-source webtoepassing die het mogelijk maakt om interactieve documenten te creëren en te delen die zowel live code, vergelijkingen, visualisaties als beschrijvende tekst bevatten. Data-analisten gebruiken Jupyter Notebooks om data te verkennen, analyses uit te voeren en de resultaten te visualiseren, allemaal binnen één document dat gemakkelijk kan worden gedeeld met anderen.

Large Language Model (LLM): Een type AI-model dat mensachtige tekst kan genereren en is getraind op een brede dataset. Voorbeeld: GPT-4, dat wordt gebruikt voor een verscheidenheid aan taken, van tekstgeneratie tot vraag-en-antwoord-systemen.

Machine learning: Een type artificiële intelligentie dat systemen de mogelijkheid biedt om automatisch te leren en te verbeteren zonder expliciete programmering. Voorbeeld: Een aanbevelingssysteem van een online winkel dat leert van het koopgedrag van gebruikers.

Model (AI-model): Een computationele structuur die is ontworpen om taken uit te voeren die normaal menselijke intelligentie vereisen, zoals voorspellingen maken, besluitvorming, beeld- en tekstherkenning, en meer. Het model is meestal getraind met behulp van een dataset en algoritmen, en kan variëren van eenvoudige lineaire modellen tot complexe neurale netwerken. Voorbeeld: Een sentimentanalysemodel dat de toon van klantbeoordelingen op een e-commerce website analyseert.

Multimodal Learning: Modellen die informatie uit verschillende soorten data of modaliteiten kunnen integreren. Voorbeeld: Een AI-model dat zowel visuele als tekstuele informatie gebruikt om een taak uit te voeren.

Natural Language Processing (NLP): Een deelgebied van AI gericht op de interactie tussen computers en mensen via natuurlijke taal. Voorbeeld: Siri of Google Assistant, die spraakcommando’s kunnen begrijpen en uitvoeren.

Neuraal netwerk: Een type AI-model geïnspireerd door het menselijk brein, bestaande uit verbonden eenheden of knooppunten. Voorbeeld: Een diep neuraal netwerk gebruikt voor gezichtsherkenning in beveiligingssystemen.

Overfitting: Een modelleerfout die optreedt wanneer een functie te nauw aansluit op een beperkte set datapunten. Voorbeeld: Een aandelenprijsvoorspellingsmodel dat perfect presteert op historische data maar slecht op nieuwe data.

Parameters: In machine learning zijn parameters de interne variabelen die het model gebruikt om voorspellingen te maken. Voorbeeld: De gewichten en biases in een neuraal netwerk.

Prompt: De initiële context of instructie die de taak of query voor het model instelt. Voorbeeld: Het invoeren van “Vertel me een grap” in een chatbot om een humoristisch antwoord te krijgen.

Prompt Engineer: de menselijke kracht achter AI, de persoon die de instellingen van tools zoals ChatGPT beheert en optimaliseert. Hoewel AI krachtig en veelzijdig is, vereist het deskundige afstemming om relevante en kwalitatieve output te produceren. Prompt engineers zijn niet alleen technisch onderlegd maar moeten ook creatief zijn, ze moeten de doelgroep begrijpen, en ze moeten zich kunnen verplaatsen in de behoeften van de doelgroep​​.

Regularization: Technieken om overfitting in machine learning-modellen te verminderen. Voorbeeld: L1 en L2 regularisatie in lineaire regressie.

Reinforcement learning: Een type machine learning waarbij een agent leert beslissingen te nemen om een beloning te maximaliseren. Voorbeeld: Een AI-agent die leert hoe hij een spel zoals schaken of Go kan winnen.

RLHF (Reinforcement Learning from Human Feedback): Een methode om een AI-model te trainen door te leren van feedback gegeven door mensen. Voorbeeld: Een autonoom rijdend voertuig dat wordt bijgestuurd op basis van menselijke input.

Self-Supervised Learning: Een paradigma waarbij modellen worden getraind om gelabelde voorbeelden uit ongelabelde data te genereren. Voorbeeld: Een model dat de volgende woord in een zin voorspelt als onderdeel van het trainingsproces.

Singulariteit: In de context van AI verwijst de singulariteit naar een hypothetisch toekomstig punt waarop technologische groei oncontroleerbaar en onomkeerbaar wordt. Voorbeeld: Het idee dat AI op een dag zo geavanceerd zou kunnen worden dat het zichzelf kan verbeteren zonder menselijke tussenkomst.

Supervised learning: Een type machine learning waarbij het model wordt voorzien van gelabelde trainingsdata. Voorbeeld: Een spamfilter dat is getraind op een dataset met gelabelde e-mails als ‘spam’ of ‘geen spam’.

Swarm Intelligence: Collectieve intelligentie die ontstaat uit de samenwerking van meerdere agents. Voorbeeld: Optimalisatie-algoritmen gebaseerd op het gedrag van bijen of mieren.

TensorFlow: Een open-source machine learning-platform ontwikkeld door Google.

Training data: De dataset die wordt gebruikt om een machine learning-model te trainen. Voorbeeld: Een dataset met afbeeldingen van katten en honden om een classificatiemodel te trainen.

Transfer learning: Een methode in machine learning waarbij een vooraf getraind model wordt gebruikt voor een nieuw probleem. Voorbeeld: Het gebruik van een algemeen beeldherkenningsmodel om een specifiek model voor huidkankerdiagnose te trainen.

Transformer: Een specifiek type neurale netwerkarchitectuur gebruikt voor het verwerken van sequentiële data. Voorbeeld: Gebruikt in moderne NLP-taken zoals vertaling en samenvatting.

Underfitting: Een modelleerfout waarbij een statistisch model de onderliggende structuur van de data niet adequaat kan vatten. Voorbeeld: Een lineair model dat wordt gebruikt voor een duidelijk niet-lineair probleem.

Unsupervised Learning: Een type machine learning waarbij het model niet wordt voorzien van gelabelde trainingsdata. Voorbeeld: Een clustering-algoritme om klantsegmenten te identificeren.

Word Embedding: De conversie van tekst naar een vorm die door machine learning-algoritmen kan worden gebruikt. Voorbeeld: Word2Vec of GloVe.

XAI (Explainable AI): AI-systemen ontworpen om mensvriendelijke verklaringen te geven voor hun beslissingen. Voorbeeld: Een medisch diagnosemodel dat uitlegt welke symptomen tot een bepaalde diagnose hebben geleid.

YOLO (You Only Look Once): Een populaire techniek in computer vision voor objectdetectie die een beeld in één keer doorloopt. Voorbeeld: Gebruikt in realtime video-analyse.

Zero-shot Learning: Een type machine learning waarbij het model voorspellingen maakt voor omstandigheden die het tijdens de training niet heeft gezien. Voorbeeld: Een taalmodel dat vragen kan beantwoorden in een taal die het tijdens de training niet heeft gezien.