Category Archives: AI Term van de Dag

Padding in deep learning, vooral in convolutional neural networks (CNN), is het toevoegen van extra rijen en kolommen (meestal nullen) rond de inputgegevens. Dit wordt gebruikt om de grootte van de output te controleren en informatie aan de randen van afbeeldingen te behouden.

Er zijn twee soorten: zero padding (toevoegen van nullen) en andere vormen van padding. Padding helpt ook het model robuuster te maken omdat het randpixels explicieter behandelt.

AI watermarking is een techniek om subtiele, onzichtbare “handtekeningen” in AI-gegenereerde content in te voegen zodat je kunt bewijzen dat iets door AI is gemaakt. Dit is steeds belangrijker naarmate AI gegenereerde afbeeldingen, audio en video moeilijker te onderscheiden worden van echte inhoud.

Je kunt watermarks op verschillende manieren toevoegen: in de afbeelding zelf (micropatronen die voor mensen onzichtbaar zijn), in de gegevens (metadata), of via statistische kenmerken van het gegenereerde materiaal. Het doel is tweeledig: de AI beschermen tegen copyright-inbreuk, en de publiek helpen om AI-gegenereerde inhoud te identificeren.

Watermarking helpt tegen misinformation en deepfakes, en kan helpen bij copyright-handhaving. Het is echter ook een wetenschappelijk uitdaging: watermarks moeten robuust zijn tegen manipulatie (kan iemand ze verwijderen?), onzichtbaar voor mensen, en niet de kwaliteit van de gegenereerde content aantasten.

Hallucinations zijn foute of verzonnen informatie die LLMs genereren. Hallucination Mitigation zijn technieken om dit te verminderen: retrieval-augmented generation (RAG), fine-tuning op factcheck, confidence scoring, en expliciete grounding.

RAG is populair: het model zoekt relevante feiten op uit een kennisbank voordat het antwoord genereert. Dit helpt grotendeels hallucinations te voorkomen.

User intent verwijst naar wat een gebruiker werkelijk probeert te bereiken of wil bereiken wanneer zij een vraag stelt of een commando geeft aan een AI-systeem. Het gaat verder dan de letterlijke woorden: het gaat om het onderliggende doel.

Soorten user intent omvatten:

1. Informatief: De gebruiker wil informatie vinden (‘Hoe werk je machine learning?’)
2. Transactioneel: De gebruiker wil iets doen (‘Boek een vlucht’)
3. Navigatief: De gebruiker wil naar een plek gaan (‘Breng me naar de website’)
4. Lokaal: De gebruiker zoekt naar plaatselijke informatie (‘Restaurants in Amsterdam’)

AI-assistenten die user intent goed begrijpen, geven relevantere antwoorden. Moderne taalmodellen gebruiken context en nuance om te bepalen wat gebruiker echt willen, niet alleen wat zij zeggen. Dit is essentieel voor goed werkende zoekmachines, chatbots en andere conversationele AI systemen.

Guardrails zijn veiligheidsmaatregelen die ervoor zorgen dat AI-systemen geen schadelijke output produceren. Dit kan via prompt-filtering, output-validatie en fine-tuning gebeuren.

Guardrails voorkomen dat LLMs misbruikt worden voor desinformatie, scams of illegale activiteiten. Ze zijn essentieel voor verantwoorde AI-implementatie.

Object Detection is een computer vision-taak die objecten in afbeeldingen localiseert en classificeert door bounding boxes rond elk object te tekenen. Dit is voorbij classificatie, waar je alleen weet wat er in een afbeelding staat, niet waar.

Populaire object detection-modellen zijn YOLO, R-CNN en SSD. Ze worden gebruikt in autonome voertuigen, beveiligingscamera’s, gezichtsherkenning en veel meer. Speed is kritiek in realtime toepassingen.

Weak supervision is een machine learning-techniek waarbij een model wordt getraind met “zwakke” labels – labels die niet volledig nauwkeurig zijn, maar beter dan niets. Dit is nuttig wanneer je geen tijd of budget hebt om hand matig hoge-kwaliteit labels aan te maken voor al je trainingsdata.

In plaats van dat domeinexperts elk voorbeeld handmatig labelen, kun je weak supervision gebruiken: schrijf heuristische regels, gebruik een ander imperfect model, crowdsource onnauwkeurige labels, of gebruikmaken van impliciete signalen. Het model leert van deze imperfecte labels en kan vaak toch redelijk goed functioneren.

Weak supervision is vooral waardevol op schaal: als je honderdduizenden records hebt en je kunt ze onmogelijk allemaal handmatig labelen, kan weak supervision je helpen om toch een bruikbaar model te bouwen. Het handelt een verlies aan nauwkeurigheid in voor een grote hoeveelheid trainingsdata.

GANs bestaan uit twee concurrerende neurale netwerken: een generator die nep-data creëert, en een discriminator die het verschil tussen echt en nep probeert te detecteren. Via dit proces verbetert de generator.

GANs kunnen realistische afbeeldingen, audio en video genereren. Ze worden gebruikt in deepfakes, data augmentation en kunstmatige inhoudscreatatie.

Negative Sampling is een technieken in machine learning waarbij in plaats van alle negatieve voorbeelden te gebruiken, je een willekeurige steekproef van negatieve klassen selecteert. Dit is vooral nuttig in problemen met veel klassen of ongebalanceerde datasets.

Het maakt training veel efficiënter omdat het model niet alle negatieve labels hoeft te verwerken. Dit wordt bijvoorbeeld gebruikt in Word2Vec embeddings en aanbevelingssystemen.

Upsampling is het proces waarbij een AI-model een laag-resolutie of klein-dimensionaal beeld, signaal, of gegeven omzet naar een hoger-resolutie of groot-dimensionaal versie. Dit is het tegenovergestelde van downsampling.

Upsampling wordt gebruikt in:

1. Computer vision: Het vergroten van lage-resolutie afbeeldingen naar hogere resolutie
2. Super-resolutie: Het verbeteren van afbeeldingskwaliteit door meer pixels toe te voegen
3. Generatieve modellen: Progressief meer details toevoegen tijdens gegenereerden inhoud
4. Audio: Hogere bemonsteringsnelheden voor geluid

Technieken voor upsampling omvatten interpolatie (lineaire, bilineaire, of meer geavanceerde methoden), transposed convolutions in deep learning, en generatieve modellen zoals generative adversarial networks (GANs) die realistisch gedetailleerde versies kunnen cre ren.