En

Dit is een beetje waar ik mijn. Werkweken spendeer universiteit utrecht twente en telekids. En daar hou ik me bezig op het gebied van kunstmatige intelligentie en taal- en spraaktechnologie het komend halfuur wil ik jullie iets vertellen over wat er allemaal gebeurt op dit moment. Wat de ontwikkelingen zijn en wat jullie kunnen verwachten dat de komende jaren gaat gebeuren. Als introductie nou zo zo creatief is niet maar ik vond het een mooi voorbeeld om jullie even te laten zien wat tegenwoordig mogelijk is

Is geofysicus van huis uit het zoeken naar olie en aardbevingen dat soort zaken daarnaast studeerde hij italiaans en in een wonderlijke combinatie van beide ging hij zich bezighouden met audio technologie en spraaktechnologie in het bijzonder hij werkte onder meer bij het bekende belgische bedrijf lernout en hauspie dat een pionier genoemd mag worden op het gebied van synthese. Tegenwoordig werkt arjan van hessen. In enschede een bedrijf dat zich bezighoudt met de klantencontact. Daarnaast is hij verbonden aan de universiteiten van utrecht en twente. Spraaktechnologie is zijn specialiteit. En over die spraaktechnologie gaan we met hem hebben. Want de ontwikkelingen staan niet bepaald stil. Een aantal weken geleden werd in het museum een dag georganiseerd voor blinden en slechtzienden en daar was arjan van hessen ook bij betrokken. Mirjam te brake zocht arjan van hessen op nou

Los los even van de inhoud dit was een een radio interview zeg maar voor de oog vereniging. Mensen die heel slecht kunnen zien of blind zijn en die hebben natuurlijk enorm veel baat bij taal- en spraaktechnologie praten met je koffiezetapparaat en dat soort dingen ik hoeft u niet uit te leggen. Wat hier. Goed gaat is eigenlijk alles op een paar dingen na hij herkent geen zinnen je ziet nergens een hoofdletter wel bij de namen maar geen hoofdletter en geen punt geen komma. En wat nog meer fout gaat is twee woordjes. Telecomwet en museum nou telen cats dat staat er dus gewoon hun bedrijfsnaam wat staat niet in de grote van dale dus dat werd niet herkend hebben kunnen om een idee te geven tweehonderdzesenvijftigduizend woorden herkennen. Maar daar stond er niet bij. Hetzelfde geldt voor museum natuurlijk een soort grapje dat is een museum voor mensen die niet kunnen zien dat heet museum nou dat staat er ook niet in dat zijn jullie hier ook maar verder is dit feilloos nou is het ook als jullie goed geluisterd hebben een. Bijna of een hele mooie opnamen geen achtergrond lawaai. Geen selinger de wordt nergens gezegd van ik arjan de nee zo gaat dat niet het is één vloeiend grammaticale uiting. Maar dan kun je die bijna honderd procent halen. En dat is eigenlijk dankzij de a i

Goed hè. Geofysicus van nee

Niet nog een keer. Even kort wat over artificial intelligent boek gaat er geen college over geven maar even twee. Of of of paar kernpunt je kunt kunstmatige intelligentie eigenlijk onderverdelen in sterk en zwak. Zwak is wat jullie altijd die nu in het nieuws lezen dat zijn trucjes heel goed kunnen schaken heel goed kunnen go spelen fotos interpreteren poesjes op fotos herkennen. Van alles en nog wat dus eigenlijk alle a i. Die we tegenwoordig in het nieuws zien is zwakke. Die kan één ding en dat kan ik ontzettend goed dikwijls beter dan mensen maar. Een engineer die heel goed kan spelen kun je niet vraag van by the way hoe maak ik een pizza iets wat jullie als het goed is wel kunnen. Of de zeggen jullie nou dat weet ik ook niet precies maar dan weet je in ieder geval dat je het niet weet. Maar bij mensen hebben dus een sterke algemene kennis. Al die a i die we nu zien die is eigenlijk nog zwak. En ook alle bedreigingen zo van ze gaan de wereld over nemen. Dat gaat voorlopig niet lukken met die zwakke. Tegelijkertijd zien we ook twee soorten nou ja data waarop het losgelaten wordt. Sterke. Tekst gebaseerde i een patroon gebaseerde. En het meest wat eigenlijk nu in het nieuws is is die patroon gebaseerde. Dat is sensorische informatie het aantal autos wat ergens rijdt mensen dat loopt. Luchtdruk daar kunnen we een hele mooie dingen mee doen. En één van de dingen die je hier ziet. En die zal ik straks laten zien is het herkennen van fotos dat is dus eigenlijk zwakke a i. Met patroonherkenning pakt gewoon een foto en die is duizend bij duizend pixels nou dan heb je één miljoen pixels. En dat stop topje in zo'n neuraal netwerk en dan ga je zeggen hier staat een een hond of iets in die richting. Iets anders dat is meer de watson benadering ik ga er vanuit jullie wat ze allemaal wel een keer hebben gezien ongeveer begrijpen hoe dat werkt. En dat is gebaseerd niet op de echte harde werkelijkheid hierbuiten maar op jullie op mensen op jullie. Op jullie op wat jullie schrijven de inmiddels de boeken al dat soort zaken moet jullie zeggen gezichtsuitdrukkingen. Ambigue informatie. Die hoort bij de mens en dat laatste is heel erg belangrijk en ook. Gegeven dat verhaal die vraag net van maarten over tolken gaat dat lukken ja en nee als het echt ambigu wordt komt er nog heel veel bij kijken naar zo ver zijn we nog niet. Dus nogmaals die hele nou ja bedreigende i op het laatst. Die is er niet. Voorlopig en dat duurt. Goed niemand weet dat maar tussen de vijftig en honderd jaar dus voorlopig hoeven daar niet bang voor te zijn. Bij autos zien we dat het een beetje die richting opgaat die zelfrijdende autos. Die moeten straks ook talige informatie en nieuwe regels verkeersregels of wat dan ook kunnen interpreteren. Maar goed hoe snel dat gaat dat weten we ook niet. Een voorbeeldje van die meer sensorische. A i. Is dit een ontzettend mooi voorbeeld een volkomen nutteloos voorbeeld want je hebt er niks aan maar het is wel heel erg knap. Je maakt scans van zes maanden oude babys en je gaat kijken voorspellen gaan deze kinderen autisme ontwikkelen ja of nee. Dat hebben ze met een grote trainings said gedaan duizenden fotos van kinderen en dan later gekeken naar vijf zes jaar gaan deze kinderen autisme ontwikkelen ja of nee. Dat is een hele duidelijke ja nee vraag. Nou ik weet niet hoe het met jullie zit maar ik kan het hier helemaal niks mee. En een goeie specialist ook niet dit is echt te complex. Maar i is in staat om met zesennegentig procent waarschijnlijkheid te kunnen voorspellen jullie zien het nummer hier of dit kind dat zes maanden is over vijf jaar autisme gaat ontwikkelen. Nou mijn zusje is arts en zij heel erg knap om wat doe je er dan aan niks want er is geen geen middel tegen autisme. dus voorlopig heb je daar nou niet zover hoewel het waarschijnlijk voor heel veel ouders. Norm prettig is om dat op tijd te weten. Maar dit is dus echt die sensorische kunstmatige intelligentie pixels op een foto en een antwoord. Hetzelfde geldt eigenlijk voor dit spelletje go. Negentien of tweeduizend zestien heeft google een a i algoritme gemaakt. Wat de wereldkampioen heeft verslagen. Nou niemand in onze wereld had gedacht dat dat zo snel zou gaan nou dat was echt wel een break toe. Maar daarna hebben ze nog een slim trucje gedaan dat wel wil ik even laten zien. Dit is wat er gebeurde ze hebben namelijk a i gemaakt die a i gaat maken. En dan kom je in de richting van een vorm van creativiteit en dat is toch wel scary. En die a i hebben ze tegen deze winnaar van go laten spelen. Nou je ziet het al na drie dagen was de eerste. Die echt de hele wereld tenminste i wereld platgooiden was al verslagen. Na eenentwintig dagen. Was het eigenlijk al versloeg hij de beste zestig mensen in de wereld. En na veertig dagen en dan natuurlijk best lang. Was ie gewoon absoluut de allerbeste go spelen ooit op deze planeet. En dat is dus een hele simpele truc

Wat hebben ze d'r ingezet. Waar blijft die daar dit

Werkt goed. Gekeken wat hebben ze ingezet even nog één stapje terug wat hebben ze hier ingezet gewoon dit zijn de regels van het spelletje go een

Beetje met schaken mag je dode go de regels zijn heel simpel het aantal zetten is gigantisch. Dit mag je doen ga maar spelen. En waarom dit nou succesvol is geworden. Is omdat dit een heel mooi voorbeeld is dat er een winnaar aan te reiken valt aan te wijzen valt. de zullen straks zien daar waar de mens in vraag u komt is dat lastig. Je kunt zeggen dat is een mooi meisje dat is niet zo mooi meisje een leuke jongen een niet zo leuke jongen dat zijn allemaal menselijke interpretatie daar valt niks eigenlijk hard over te zeggen. Het winnen van een spelletje go is dat wel je wint of je wint niet dan verlies je. Dus die beloningsstructuur is heel erg duidelijk. En wat ze hebben gedaan. Heeft dat spel gemaakt die weet de regels en die is gaan spelen tegen andere programmas geen geen historie geen andere informatie daarin dit zijn de regels en als je wint krijg je een beloning als je verliest kan je straf. Probeer die winst te optimaliseren en na veertig dagen was u dus de beste speler van universe. Maar dat was toch wel en dat is ook wel om meerdere redenen is dit best wel eng of eng interessant. Omdat dit dus a i is die arie maakt en heb je geen mensen meer nodig die die regels gaan mijn die slimme dingen gaan. Goed toen kregen we ibm ook alweer een aantal jaren geleden. Iemand een idee. Wat de vraag was bij dit antwoord

Het staat er wel. Het

Amerikaanse spelletje werd net iets anders dan bij ons een quiz daar krijg je een vraag moet antwoord geven je krijgt antwoord hoe je de vraag verzinnen. Maar wat was hier de vraag

Die. Is agatha christie. En hoe kan dat nou. Mystery

Otter nou lijkt me logisch detectiveschrijver schrijfster. Haar man archeoloog zij was getrouwd met een bekende archeoloog en van tweeëntwintig tot zesentwintig. Is zij in syrie geweest. En hebben ze samen gezocht naar die stad. En deze informatie is het dus niet door de programmeurs van ibm ingegooid. Dit staat in wikipedia als in de financial times in de alle encyclopedieën dit is tekstuele informatie die beschikbaar is. Watson lelystad en watson weet het verschil tussen arjan slaat maarten. En martin slaat arjan dezelfde woorden dezelfde afstand van die woorden. Toch denk ik dat we het erover eens zijn dat er een verschil in zit. En. Ibm watson kan dit doen die kan dus die taal van ons kan die. Zoals heet ontleden en zeggen dit is het onderwerp en dat is het lijdend voorwerp of andersom. Met al die kennis kan die dus dit soort dingen eruit halen. Nou dit is alweer een aantal jaren geleden. Ibm zich toe gaan storten op leo en elf. Nou en hier zie je iets van van dokters en ook dit is alweer een paar jaar geleden. En ze hebben aan vijf specialisten gevraagd van nou wat moeten we met. Deze kankergevallen doen. En dat ook aan wat ze gevraagd en je ziet dat in negenennegentig procent van de gevallen ze tot hetzelfde oordeel kwamen. En opnieuw watson heeft u al die medische informatie al die wetenschappelijke papers tot zich genomen en kan daarover redeneren. Iemand een idee hoeveel wetenschappelijke pepers er per dag op het gebied van medicijnen en gezondheid en zo uitkomen

Best veel idee gokje. Gaan niet slaan als je de nasleep. Veertigduizend. Dus

Als er veertigduizend per dag uitkomen dat kan niemand lezen dus er is geen enkele arts die kan zeggen ik ben over het hele veld helemaal up to date dat dat gaat gewoon niet. Watson kan dat net wel. Daarmee kan ie dus dit soort. Dit soort dingetjes doen. Goed samenvattend over a i we kunnen dus zeggen we hebben aan de ene kant de patroonherkenning classificatie discriminatie en voorspelling. Dat is meer dat patroon gebaseerd. Daarnaast hebben we. Noemen het cognitieve begrijpen antwoordde emoties die zitten daar ook in meer de mens achtige a i. En uiteraard daar zit heel veel overleg tussen heel veel overeenkomst tussen. Het is niet zo dat dat twee gescheiden werelden zijn maar het is denk ik voor het begrip van a ie. Wel goed om je te realiseren dat er nogal verschil zit. Tussen die sensorische input wat harder input is en die meer vaag inboeten die van jullie van mij van ons mensen komt en daar zit heel veel ambiguïteit in. Voorbeeldje

Patroonherkenning. En wat zien jullie hier. Ja. Best knap. Als je dit nog wel een marsmannetje zou vragen wat zou die dan zien. marthijn geen onder geen boom. Wordt lastig

Waarom kunnen jullie dit zien want als je echt goed gaat kijken zie je alleen maar witte en zwarte pixels. maar dit is jullie geest die dit trucje doet jullie zien hier opgeven de hond in dat je zegt van ja dat vind ik. Eigenlijk staat die hond er niet dat is echt flauwekul. Als je dit dan een pygmee zou zien laten zien die nog nooit een dalmatiër heeft gezien goeie kans dat je het niet ziet. Nou dit is een mooi voorbeeld van de zoals ze dat noemen van bottom up namelijk jullie ogen nemen dit waar jullie ogen zijn ook een soort raster daar komt die informatie binnen dat gaat de hersenen in. Daar wordt het geprotesteerd. Maar jullie hebben context jullie hebben waarschijnlijk ooit zo'n hond gezien en je kunt je met enige fantasie voorstellen van oh daar praat je dat lijkt er eigenlijk wel op een soort celebrity berekenen. En dan zeggen van nou het is ook wel logisch want dit is niet een hond achter een computer of in hun auto nee die loopt op de grond een normale habitat voor een hond. Dus dan kun je zeggen deze vlekken die classificeren ik als een dalmatiër in het bos. Nou hier moet je aan denken als je gaat denken aan die kunstmatige intelligentie. En dan hebben we de term. Burning deep learning en ik heb een paar kreten voor jullie opgeschreven. Het is een methode van data analyse die analytische modelbouw automatiseerder dus het idee is dat je straks heel dat je geen als dan regels meer gaat maken maar je geeft dat over aan de. Er is een algoritme en die gaan zich actief in die leren van de data die stopt dus je stopt er allemaal dingen in een daarvan gaat ie leren daar zit heel groot gevaar in maar daar komen we straks. En in wezen is het een methode om de computers te leren voorspellingen te maken of te verbeteren op basis van die data dus je hebt data en je gaat dus die. Dat is een beetje waar het voor gebruikt worden. Zijn meer definities maar goed ik neem aan dat jullie het een beetje begrijpen wat het is. Hoe is die ontwikkeling gegaan dit te z'n. In netwerk uit de jaren tachtig. Toen computers nog niet zo snel waren er niet niet zoveel data was en die hadden een input laag daar stopt ie iets in bijvoorbeeld de pixels van een handgeschreven acht of iets dergelijks. En de output was de cijfers nul tot en met. Negen. En dan moest die gewichtjes in het midden zo instellen zodat je zo goed mogelijk van die pixels naar dat cijfer acht ging. Dat lukte maar heel beperkt. Dat was geen groot succes. Dus eigenlijk had iedereen gedacht van nou ja dat dat gaat het niet worden zijn ze op andere dingen gaan richten. Tot er ergens in de jaren tweeduizend vijf tweeduizend zes. In amerika een aantal mensen opstonden die zeiden we gaan meer lagen toevallig. Als jullie willen weten waar die term diep neuraal netwerk vandaan komt en dan is dat gewoon puur vanwege het feit dat hier heel veel lagen inzitten tientallen lager zitten daarin. Bijvoorbeeld om die plaatjes die herkennen op juli telefoons zit er geloof ik tweeëndertig lagen tussen de input en output. En wat je doet zegt dit is een foto van tante mies. Die sleepbootje afstand de mis met je schrijft onder verjaardag met tante mies is dan denkt de computer dan tante mies en dan gaat die al die gewichtjes die hierin zitten gaat ie op een bepaalde manier instellen en uiteindelijk als je voldoende trainingsmateriaal heeft kan hij straks alle fotos van. Herkennen op jouw telefoon. Daar komt u maar wat kan het nou dit is middelbare school wiskunde dat kennen jullie allemaal wel kleinste kwadraat de methode hij is je kunt gewoon een rechte lijn trekken hier tussen en dat werd behoorlijk goed. Maar niet perfect. Goed tot heel lang was dit gewoon wat we konden hebben. Dit is i die kan dit soort patronen die kan er dus echt beter doen dan de oude manier. Alleen wat we hier daarboven zien zo'n mooie lineaire vergelijking we hebben geen idee wat je doet. En dat is een heel groot probleem wettelijk is dat een probleem op wereldschaal europa in ieder geval kom ik straks nog op. Maar het is een heel groot probleem. Dat we straks voorspellingen gaan doen waarvan we eigenlijk niet weten waar die op gebaseerd zijn hij doet het hij doet het goed maar waarom dat weten we niet. Nou dan de verschillende vormen van het trainen van dit soort a ieder zijn eigenlijk drie methodes. Een vast. En wie een vorst. Een. Is heel simpel je hebt heel veel data en je zegt tegen de computer doelen maar wat mee. Kan die clusters dingen kan groepjes vinden dat is een vrij simpele manier. Heel gevaarlijk maar werkt soms ook heel erg goed ik zal straks een voorbeeld laten zien. Waart gierend uit de klauwen

maar dit is echt van je kunt je voorstellen ik heb dat ooit zelf is gaat toen het italiaans studeren kwam ik in italië. Daar waren ze met een spelletje bezig andere kaarten andere regels en ik sprak geen italiaans dus ik had geen enkele feedback het enige wat ik kon doen was kijken wat men deed om proberen die regels. Eruit te halen. Lastig maar wel naar. Dit is een bekendere manier dit is dat trainer van onder andere de fotos stopt er heel veel fotos in ervoor waar van je van tevoren gezegd. Door mensen dit is een poos dit is een hond en de dit is tante mies ik in die richting dat zeg je tegen de computer en dan gaat die zo goed mogelijk proberen die klassers uit elkaar te halen. En de derde manier en dat kennen jullie waarschijnlijk wel iedereen met een kind en of een huisdier kent dit. Als een kind of huisdier iets goed doet krijgt het een beloning werden mag het naar de disco of krijgt een koekje als het fout is moet je je telefoon inleveren of krijg je geen koekje. En dit is. Dat wil zeggen er zit een bepaald patroon in en wat je doet door die beloning daaraan te koppelen goed of fout train je het systeem als het ware om zich beter te gaan gedragen dat is het minste wat je hoort. De laatste en de één na laatste worden allebei gebruikt bijvoorbeeld in een callcenter wereld om allerlei dialogen gaan straks nog even over hebben die binnenkomen op de juiste afdeling af te leveren of eventueel een antwoord te geven. Heus je belt met aegon. Je zegt ik gaan nieuwe auto kopen ik wil autoverzekeraar nou dan ga je naar de afdeling autoverzekering dan kom je toevallig uit bij de afdeling. Iets anders gezondheid. En daar zegt iemand is niet goed niet verbind je door met autoverzekering dan krijg je dus een strafpunt. En als je wel goed doorverbonden krijg je bonuspunten dat is eigenlijk wat je hier ziet en daarmee wordt het systeem zeg maar vanzelf beter. Maar niet zonder menselijke ingrijpen

Goed

Het taal- en spraaktechnologie taal- en spraaktechnologie kun je eigenlijk niet meer uit elkaar halen toen ik begon was dat nog echt wat anders je had taaltechnologie dicht ging met schrift die had spraaktechnologie dat ging met woorden met met spraak. Maar nu zien we eigenlijk naarmate die spraakherkenning beter wordt. Dat je dat niet meer uit elkaar kunt halen dat is eigenlijk één veld geworden het gaat om het begrijpen. Maar toch we kunnen even kijken naar de taaltechnologie en wat willen we daarmee. Lezen als een mens

Maar is dat zo willen we lezen als een mens nee. We willen begrijpen als er mensen wat is eigenlijk wat we willen het is wat die watson doet die leest al die teksten nadat lezen gaat vrij simpel maar daarna moet die daarover redeneren moet die begrijpen wat er gezegd wordt. Nou deze stond een paar weken geleden. Oh nee die komt zo. En dit is ook wel belangrijk voor jullie om te onthouden want iedereen denkt altijd aan een taal welke taal spreek je ja engels frans duits dat dat soort dingen maar taal is iets wat in jullie hoofd zit het is dus echt een mentaal proces. En dat is heel erg belangrijk en spraak en schrift zijn uitingen daarvan maar het werkelijke het kunstje dat gebeurt in ons hoofd. Heb jij een idee wat nog meer een echte taal is in dit als een uiting van taal

Hè. Allemaal goed. En

Dat is niet hetzelfde als lichaamstaal maar gebarentaal is echt een consistente taal je kunt dus net zo goed jezelf uitdrukken in spraak als in gebarentaal. En het knappe is als ik. Naar jullie zijn te oud. Maar jullie kinderen of kleinkinderen. Die dump ik ergens op een eiland ik snijden stembanden door ze kunnen dus niet mee praten dat is lullig. En dan zul je zien dat binnen een halve generatie die kinderen op dat eiland zich schiermonnikoog. Helemaal zelfstandig een eigen taal gaan ontwikkelen. En daar zijn heel veel voorbeelden van waarin dit kunnen zien laatst was in nicaragua na de revolutie werden heel veel kinderen uit de jungle gehaald want daarvoor werd er niks aan gedaan. Bij elkaar gezet maar dat was niet voldoende geld niet voldoende expertise. En binnen één twee jaar hebben die kinderen een eigen nicaraguaanse gebarentaal ontwikkeld dat is dus geen spaans maar gewoon hun eigen taal en dan kunnen ze alles in in in vertellen als je de filmpjes ziet enthousiaste jongelui die daar vertellen over. Feestjes en andere dingen dat is echt. Geweldig maar dat is dus iets in onze

Geest en dat is ook de reden dat kinderen naar school moeten. Want als jullie boven de zestien zijn dan leer je het eigenlijk uitzonderingen daargelaten nooit meer. Om nee te een andere taal te leren. juli we zijn allemaal wel goed engels maar waarschijnlijk ook te laat begonnen nogmaals uitzonderingen daargelaten. Dat ga je nooit meer leren laat staan. Arabisch of chinees. Dat dat is gewoon beter laat maar pak je nu dat kind van vijf jaar en je zet 'm in beijing bij een aantal chinese ouders en die zegt kom over een half jaar terug over een half jaar spreekt dat kind goed chinees. En wij leren dat nooit meer en dat heeft gewoon echt te maken met hoe onze ja hoe wij hardware matig. Geprogrammeerd zei. Dat en dat is staal dat vermogen in ons hoofd. Om daar iets mee te kunnen doen. Dan gaan we weer terug naar het lezen. In deze ook wel heel erg gaaf. De chinese internet gigant alibaba en microsoft amerikaans hebben intelligentie ontwikkeld. Zeg maar die talige informatie waarin ze een test een hele beroemde test van de stemvork voort. Getest. Beter beantwoorden dan mensen. Gemiddeld en er zijn mensen die beter doen maar als je kijkt over de laatste twintig jaar en dan zitten mensen op wat is het tweeëntachtig punt drie. En ali baba of vier en microsoft zelfs op acht. En dat geeft en dat is dus de hele simpele dingen waar komt fidel castro vandaan wat is er regen. Wat is het verschil tussen een auto en een vrachtauto het zijn echt vrij simpele ervoor voor kinderen. Maar wat je ziet is dat die technologie in staat is beter antwoord te geven dan wij mensen nogmaals het verschil is heel erg klein. Maar het is de eerste stap in die richting is deze lasertechnologie die gaat er gewoon komen. De spraaktechnologie zien eigenlijk hetzelfde. Horen als een mens dat was onze eerste. Opgave ik zeg appel en dan wil ik op de computer appel zien in tekst. Dat trucje werkt jullie hebben het net in het begin gezien. En nu gaan we eigenlijk de volgende stap doen niet wat wordt er gezegd maar wat wordt bedoeld ik wil begrijpen zeker natuurlijk in allerlei klantcontacten. Is dat essentieel je wilt begrijpen wat iemand aan de andere kant zegt. Niet een honderd procent transcriptie dat is op zich niet zo boeiend. Ontwikkelingen spraaktechnologie nou je ziet hier eigenlijk dat. In 't begin. Was het echt een ingenieur benadering voor degenen die niet weten vast voor j transform dat is er echt een rekenmethode. Kwam je redelijk ver mee maar niet echt heel ver. Jaren negentig tot tweeduizend vijf zes was het hele markov models dat zijn statistische modellen waarmee onder andere het weer wordt voorspeld. En vanaf tweeduizend tien dat was microsoft peper op internet conferentie. Die liet zien wat ze konden doen met die diep nu wel networks. Als je gaat kijken naar de resultaten dan zie je dit. Zeker in die jaren nou ja negentig tweeduizend was dat heel frustrerend kon je op zo'n conferentie in dan was er één of andere groep ergens vandaan. Die scoorde een half procent beter waal. Dat was echt gaaf weet je wel drie woordjes beter herkent deze standaardtest. En daarna ging het heel hard omhoog en wat jullie hier dus zien. Is dat voor het eerst twee jaar geleden. De herkenning beter was dan die van de mens. En dat is niet de herkenning die we hier hebben jullie gezellig buiten babbelend nee zover zijn we nog niet een standaardtest met allerlei commander van amerikaanse navy maar die werd sinds de jaren zeventig ergens hier gebruikt. Een soort benchmark hoe goed werkt dat nou je ziet hier de cijfers. En hier voor het eerst. Vier komma zes procent fouten door de machine vier komma acht procent door de mensen dus nogmaals heel dicht bij elkaar maar het is wel voor het eeeerst. Dat in geconditioneerde om. Omgeving spraakherkenning het beter doet dan de mensen dit is alweer twee jaar geleden dus dit dit gaat komen. Straks vraag je niet meer aan je buurvrouw van wat zei die nou precies maar vraagt aan je computer want die doet dat beter. Goed. Zijn wij mensen zo goed dat is ook altijd de vraag er zijn wij mensen nou zo geweldig goed in spraakherkenning. Nou

Het wordt die is nee. Het wel even laten zien wat ik daarmee bedoel. Wat staat hier. Nou ik hoor een beetje twijfel in zal. Twee verschillende dingen ik kan dit fonetisch uitschrijven. Wanneer krijg ik deze. Of ik krijg deze. En welke is het. bedoelde zit best veel verschil

Wat je opgeven kunt doen en dat is een heel leuk experiment daar ga je met die pauzes tussen vorst en in een in gevallen ga je net zolang fröbelen tot de helft van de studenten zegt het is vorst ingevallen en de andere helft zegt vorstin gevallen dan heb je een soort evenwicht bereikt

Dat je zegt nou als ik de pauze zo maakt. Dan zit men op tot kantelpunt je weet het eigenlijk niet fifty fifty. En dan noem je dit. Laten we dat zien. En dan zie je dus een enorme verschuiving richting vorstin gevallen. Of je doet dit en dan gaat het de andere kant op. Maar dit geeft te denken. Dus wij mensen horen hetzelfde geluid dat dat heb je netjes getest. En dan laat je een plaatje zien en dan gaan mensen plotseling heel wat anders worden. Nou dit is best wel lastig. wij horen bij denken dat we heel goed zijn in spraakherkenning maar dat is vooral omdat wij kennis hebben van de wereld. En ik denk dat jullie dat allemaal herkennen als je een andere taal leert. Een meter naarmate je die taal beter leert maar ook het land beter kent ik herken je die taal herken je wat er gezegd wordt steeds beter eigenlijk omdat je begrijpt de waren waarschijnlijk overgaat. Nou dat is een statistisch proces. Dat wij proberen na te willen maken en dat. Noemen wij een taal model. De man stapt in zijn mevrouw hier maak je in die zin is af

Goh. Goed gegokt

Iedereen namelijk iedere nederlander ik heb het één keer gehad met een meisje die kwam in oost europa niet oekraïne maar

Uit oost europa. En die sprak nederland

Met een accent maar ze sprak goed nederlands en die zei heel wat anders is hij geloof ik bed of zo. Toen heb ik dat later gevraagd ja in mijn taal is dat eigenlijk het meest waarschijnlijke maar wat je hier ziet is dat jij gewoon je je taal model gebruik je bent gewoon nederlander dit dit ben je gewend. Dus je hebt een statistische waarschijnlijkheid hoor je dit dan weet je eigenlijk al wat er gezegd wordt en zo werkte de taal en daarom is ook een taal die we niet zo goed kende lijkt moeilijker maar vooral langzamer of sneller te gaan. Als ik tegen jullie gisteren ben ik op het politiebureau. Dan weten jullie wel wat ik wil zeggen dat ze zeggen dat jullie hersenen een time out nemen ja achteroverleunen zeggen hadden komt bureau want ik kan eigenlijk niks anders kon. Gisteren stapte een man in zijn en dan denk je oh ja auto dus je stopt even met luisteren ik denk dan moet ik weer aandacht aan besteden zo werkt onze geest. Nog beter wijn taal kennen hoe beter kunnen voorspellen en hoe langzamer een logischer een taal in onze oren verloopt. Nou dit willen we maken hoe noem je dat. Dit is van dat de fiod spraak project. Maar het werkt voor alle projecten eigenlijk hetzelfde we gaan heel veel. Tekstuele informatie naar binnenhalen en leren wat het woordgebruik is van dit geval de fiod maar voor aegon is dat weer anders voor de overheid is dat weer anders et cetera dus eigenlijk wat we leren is hetzelfde als een nieuwe medewerker bij jullie op kantoor. In het begin is dat lastig die kent alle producten niet alle regels niet die moet leren welke dat zijn. Hoe beter die leerling dat leert hoe makkelijk waar straks de gesprekken aan de telefoon gaat en dus dit is echt een cruciaal is dat taal model dat moeten we goed hebben en als we dat kunnen zo ziet mentaal model daaruit. Kunnen we redelijk voorspellen wat iemand gaat zeggen. Als jullie nou straks in de koffiepauze je buiten zijn en je gaat het hierover hebben. Kun je plotseling. Dan ga je het hebben over max verstappen of iets anders iets wat helemaal buiten. Portee van deze bijeenkomst valt. Dan zul je ook zien dat mensen even moeite hebben om je te herkennen zeven kijken max max verstappen ja die aha erlebnis is dan switch jij context en ga je naar het één model.

Zo te zeggen. Nou dat is wat we doen goede spraakherkenning heeft dit vooralsnog nodig moeten dat echt trainen. Weet je in de praktische richting wat zien we nou in het klantcontact. Gebeurt daar hebben we. Ja. Bestaande tunnels worden beter spraakherkenning dialoog voering spraak generaties dus dat de computer dingen gaat voorlezen. Dat zien we dat die onder ja of met hulp van beter en beter worden maar wat we ook zien dus allerlei dingen die eigenlijk vroeger niet kunnen voorspellen het analyseren van die hele datastroom ook daar wordt hiervoor gebruikt u dit is echt iets wat we zien dat in alle mens machine interactie callcenters binnenkomt en dit is een aardig voorbeeld. Jullie kennen dit waarschijnlijk wel je je medewerkers en je kunt je klanten verdelen in goud zilver en brons de wat je daarvan vindt dat is wat anders maar dat kun je doen. En we hadden deze vraag. Ik heb een iemand die belt ik weet het kanaal ik weet het klant beeld algemene klant beeld van jou ik weet de historie van degenen die contact opneemt. En ik weet de inhoud ja want de spraakherkenning is meer dan voldoende goed om die boodschap. Min of meer goed te herkennen. Ik heb hier de medewerker die heeft hard speelster die spreekt engels en nederlands en duits. Soft skills is een heel empathisch iemand. En er is ook een historie en dat zou dus bij voorkeur de historie met de klant zijn misschien dat deze jongen die jongensmeisje. Dat is met die heeft gesproken nou dat zou interessant kunnen zijn. Wat we nu aan proberen tussen deze twee en dat gaat met de hulp van machine learning is het volgende we hebben mps en en handeling time al dat soort dingen. Maar we gaan ook aan de beller vragen wat wil je nou precies door je snel geholpen worden goed geholpen worden of plezier geholpen worden. Hè. Het liefst alle drie tegelijk dat begrijp ik ook wel maar je moet dan denken aan het volgende. Ik had een probleem met zich ook. Nog modem deed het niet en ik lag onder de grond en de jongen had me ontzettend goed geholpen en moest dat doen en dat doen stekkertje. Vijf minuten wachten stekkertje daarin knopje drukken met een zo'n dingetje nou ontzettend gedoe na een kwartier was ie klaar deed het niet. Wel weer op want dat had ie gezegd nou als nu werkt belde effe terug ik bel terugkrijgen een heel ander iemand aan de lijn en kan ik het hele verhaal opnieuw doen. Dus voor mij dat versta ik onder plezier zou dit eigenlijk heel erg prettig zijn als het systeem herkent o je hebt net met. Jaap gesproken ik geef jaap staat nu nog in de wachtrij wil je wachten ja moet ik drie minuten wachten maar dat heb ik met liefde over hoef ik niet dat hele verhaal opnieuw te doen. Dat al een paar keer anders zijn maar dat is wat we hier aan het uitzoeken zijn en dat gaat ook met behulp van machine learning hoe kun je nou verschillende klanten zo goed mogelijk. Hiermee helpen. De laatste ontwikkelingen op dit gebied is emotie kunnen we emotie in spraak herkennen ja. Dat kan maar niet alles deze kunnen we redelijk herkennen de grote de big five verdriet boosheid angst en vreugde. Maar denkt eraan emotie is enorm cultuurgebonden het maakt heel veel uit dat ze ook vaak wat fout gaat in onze maatschappij mensen van verschillende culturen daar gaan we doen alsof dat allemaal hetzelfde is maar dat geeft heel vaak gedoe. Emotie is heel erg lastig ding als sarcasme ironie dat is voorlopig eigenlijk nog te ver daar wordt aan gewerkt maar voorlopig is dat niet de productie rijdt. Maar deze kunnen we redelijk meten en teruggeven en dan krijgen we dus medewerkers een callcenter. Die de boodschap hebben d'r is herkent wat er gezegd wordt ze hebben die hele kenners graaf zoals het heet tot hun beschikking over alles wat er in het verleden gebeurd is een vorm van emotie meneer. Of juist heel erg vrolijk. En daarmee kunnen we voor een deel zelf servers doen we kunnen. Mensen makkelijker doorverbinden verslaglegging. En niet op één gesprek maar over alles die analyse en die predik zie die ik net ook bij het laten zien maar dit is dus wat we echt wel zien wat er in het callcenter nu gaat gebeuren. Dat met name. Door dit en dit deze twee. Eigenlijk die mensen veel beter. Beslagen ten ijs komen als het gesprek of nemen dan dat dat in het verleden was. Dan ga ik daar snel doorheen één van de dingen waar we dat toepassen dat misschien wel een leuk voorbeeld ik moet daar straks ook nog een verhaal over houden maar ik wou het wel even laten zien. Van spraak naar informatie dit is de één één twee centrale zijn nieuwe één en twee centrale maken samen met kpn aan de radboud universiteit. We hebben daarvoor zestig uur één één twee gesprekken dat is behoorlijk heftig. Opgenomen en die zijn we nu helemaal aan het uitwerken echt letterlijk uitschrijven met alle eus en aarzelingen vloeken alles wat je maar wilt wat er gezegd wordt dat wordt uitgeschreven. Daar gaan we straks ook emotionele cues aan gooien. Maar met het idee dat we in de nabije toekomst volgend jaar medewerkers in de één en twee centrale gaan ondersteunen met dit systeem. En dan zeg je ik ben hier op de high tech campus in eindhoven en de plus een moord gepleegd. Dan weet je waar het over gaat ergens een moord gepleegd high tech campus eindhoven dat lukt ook wel en die medewerker van één één twee ziet dus gelijk op boobytraps waar die high tech campus ligt. D'r is moord dat is een zwaar delict. En tegelijk worden allerlei andere diensten geactiveerd want hier is iets aan de hand dus dit is echt een ondersteuning van die medewerkers van wat kunnen we nou doen en dan gaat het en dat is de titel van het project. Van herkennen naar begrijpen het gaat er dus niet omdat we honderd procent herkennen maar wel dat we honderd procent begrijpen toen ze zo goed mogelijk. En dit zijn jullie dus ook dus zo als we het kunnen noemen de de praatpalen nog niet in het nederlands google zegt nu einde van het jaar dat ze met nederlands komt en de zones niet niet duidelijk. Maar deze gaan straks ook met jullie bedrijf communiceren ik straks ga je dus echt aan de keukentafel zeggen van goh wat is mijn premie of wat moet ik nog doen of wat ook maar voor vragen gaan stellen daar gaat het dus buiten de callcentra zon. Maar dan is het rechtstreeks van praatpaal naar jullie bedrijf. En hier zie je de ontwikkeling in amerika het aantal huishoudens maar je ziet dus tot twintig procent van de huishoudens in amerika zo'n ding heeft. Niet mensen maar huishoudens. Valt heel veel op af te dingen zo populair zijn ze ook weer niet maar het is wel een ontwikkeling waar je goed over na moet denken. Nou dat gebeurt op deze open voice hij is er nog de zijn nog plaatsen. En over twee weken gaan hier aantal mensen in amsterdam over praten van wat moet je nou precies met die open voice of met die die dingen doen. Dit is denk ik dan de laatste laat ik een aantal. Verhaaltjes zitten het ethisch gedeelte hebben ik

Weet niet of jullie deze hebben gehoord maar kwam toch even. Laten horen meubel duplex

De. Heer. Aan

Zo

Er wordt himer you waar ging. Het. Fout

Denk. Daar vooral via. De. Met een. Verhaal. Van. De. Heb

Goed de vraag dan wie is de computer en wie is dement. Degene die de afspraak maakte zie je de computer die klinkt eigenlijk beter in het engels zijn nog andere voorbeelden waar het nog duidelijker is. Maar dit is dus een een combinatie van dat begrijpen interpreteren en een menselijk gedrag is op de juiste manier een zeggen en dat maakt het heel erg menselijk. En je hoort eigenlijk geen verschil meer tussen de computer en de mensen hier uit de valt nog wel wat op af te dingen zo maar. Dit is wel een ontwikkeling die de komende jaren gaat spelen dat wil zeggen dat je straks tegen alex zelf of wat dan ook zegt van maak een afspraak bij de kapper. En dan gaat ie dat voor je regelen. dus dit komt er aan. Heel kort

Ethische dilemmas. De wil ik het even deze vraag stellen wat was de vraag de zoekvraag achter dit resultaat. En dat er wel iets goed om over na te denken over. Nee geen zwarte tieners geef mij witte tieners

En dit is natuurlijk niet wat we willen ook al zou je kunnen zeggen en dat was de reactie van google van ja luister is. Dit ja dit weerspiegelt eigenlijk wat wij vinden in de maatschappij is zwaar. dat is ook zo d'r zijn heel veel fotos blijkbaar van zwarte tieners in in gevangenissen omstandigheden. En bij die witte zie allemaal van idealen hockey. Gezelschappen met een truitje en dat soort dingen. Dus google vindt dat op het net en dan staat erbij witte teenagers aan het soccer player en en hier dit. Maar dat is wat je krijgt en dit is dus wel het gevaar van a i als je dat een superfly een ertegenaan ie zegt joh zoek het maar uit. Dan krijg je dit soort dingen ga maar zoeken optie eeuw. Oudere witte mannen ook al verschuift dat tegenwoordig maar dat zijn de fotos die je krijgt. Hetzelfde en dat is een voorbeeld van het. Burning. Deze bot microsoft had hem neergezet werkt ontzettend goed na vierentwintig uur was er nou jullie kunnen lezen en hitler loving seksrobot en wat die over vrouwen en joden zei dat wil je niet weten. En dat was gewoon omdat daar een soort geen stijl maar dan de amerikaanse versie daar. Naartoe zat te sturen is hij leerde van die ging dus echt een suppoost. Zelf leren. Dan krijg je dit. Is dat een hele mooie techniek maar alsjeblieft weet wat je doet dat is gewoon heel gevaarlijk. Nou dan ga ik het hiermee afsluiten dit is ook i ik denk dat jullie allemaal je rijbewijs hebben allemaal als het goed is geleerd hebben dat als ik hier een doorgetrokken witte streep. En daar een gestippelde witte streep. Mogen autos van die baan wel hierop maar niet terug. Nou dat kun je programmeren dat zet je daarin die regels. Doet dat heel goed zo'n test zal niet zomaar die streek over rijden. En dan krijg je dit. En in het filmpje wat erbij hoort kon deze auto dus niet meer weg die reikt naar voren die reis naar achter en ziet steeds van ja een barrière van ik mag hier niet uit. En ik denk dat de onder jullie niemand is die naar huis belt zegt ja sorry schat ik ben erg laat maar ik kan niet wegrijden. Dat doe je niet. En het is natuurlijk heel erg grappig maar het geeft wel aan dat als we a i echt zo in de maatschappij gaan doen dan krijg je dit soort situaties. dus denkt daar goed over na hoe gaan we die gebruiken maar gaat het wel gebruiken na deze sla ik over dat is de europese gemeenschap die ook zegt denkt eraan a i mag je gebruiken. Maar ex plain of gebruik het niet. En gaat dan is er nog een toekomst voor a i voor de mensen ja maar en dat is echt wel een serieuze boodschap aan jullie gaat alsjeblieft gebruiken ga daarmee spelen en ik sprak zo een headhunter en die zei gooi je aan die techniek van jou nog goed. En die gaat ervoor zorgen dat ik mijnbedrijf kan op doeken ze ja dat klopt het goed zoeken naar mensen dat gaat echt boel heeft het nu al voor de amerikaanse markt maar dat gaat echt beter met die technologie. Maar hij zei heel slim ik ga mijnbedrijf omgooien ik ga a i gebruiken om te zoeken en ik ga bedrijven helpen met het definiëren van de zoekvraag wat voor soort mensen wil je nou in je bedrijf en daar zijn mensen natuurlijk nog wel heel goed in. Maar die strijd met i die ga je veeleer ga je verliezen doet dat dus niet. Volvo als voorbeeld. Gebruikt dit ook. En dit is echt de laatste slide ik wil een beetje een stip op de horizon en nogmaals. Ik weet dus niet of we zo gaan of zo gaan hoelang het precies dat kun je niet doen. Maar deze technologie komt op sneltreinvaart onze maatschappij in ook jullie bedrijven in. Ga daarmee spelen gaan met universiteiten of of start ups praten ga kijken wat je samen kunt doen we niet bang en als je denkt van nou het van mijn tijd wel duren of mensen zijn toch beter mee dan ga je het echt verliezen. Goed ik moet zo wel weg ik ben er nog eventjes maar ik hou daar helemaal niet van hem gelijk weg te gaan maar het is niet anders want we hebben zo een workshop. Op de politieacademie in apeldoorn. En dat gaat hierover en die vond ik ook wel leuk. Seminar technologie en criminaliteitsbestrijding wat kun je met al die die technologie die ik een beetje hebt laten zien doen in nou ja de criminaliteit. Beschrijving. Dat was een


Praatje_innosurrance_Arjan.mp4
 0.0
TijdsindexBetrouwbaarheidSpreker