Conformiteitsbeoordeling, brain computer interfaces en GPT-3
Op donderdag 8 juli 2021 vond de zesde editie van de TAISIG Talks plaats. TAISIG is de Tilburg University Artificial Intelligence Special Interest Group: een onderzoeksgemeenschap die zich inzet voor Artificial Intelligence (AI). Irene Kamara, Maryam Alimardani en Emiel Krahmer deelden hun inzichten.
Conformiteitsbeoordeling in de EU AI-regulatie
Dr. Irene Kamara is onderzoeker bij het Tilburg Institute for Law, Technology and Society. Haar onderzoek richt zich op conformiteitsbeoordeling en standaardisatie op het gebied van gegevensbescherming, cyberveiligheid en non-discriminatie. Conformiteitsbeoordeling is het aantonen dat al dan niet aan gespecificeerde eisen wordt voldaan. Het wordt toegepast op producten, processen, diensten en personen. De wet kan bijvoorbeeld voorschrijven dat speelgoed veilig moet zijn. Conformity assessment organisaties definiëren en specificeren wat "veilig" betekent, in samenwerking met de Europese Commissie en andere regelgevende overheidsinstanties. Publiek recht verzamelt en baseert zich op informatie van particuliere regel- en wetgevers. Het nieuwe EU-voorstel voor AI-regulatie is in feite gebaseerd op wetten uit de jaren '80. Conformiteitsbeoordeling speelt een centrale rol in het voorstel, waarover Irene uitweidt in haar lezing.
Brain Computer Interfaces gebruiken om het leerproces te begrijpen
Dr. Maryam Alimardani doet onderzoek rondom Brain Computer Interfaces (BCI). BCI zijn systemen die opnames van hersenactiviteit verzamelen en deze gebruiken om te begrijpen wat de gebruiker ervaart bij het uitvoeren van taken. Door deze systemen toe te passen, kunnen onderzoekers de intentie, emotionele status en cognitieve status van de gebruiker meten. De media tonen BCI meestal als invasieve systemen zoals exoskeletten of chirurgisch geïmplanteerde elektroden. Maryams onderzoek verschilt hiervan omdat zij een niet-invasieve BCI-methode gebruikt. Concreet gezegd, gebruikt zij een draadloze EEG cap of headset om hersenactiviteit te meten. Eén van haar onderzoeksthema's is neurofeedback en augmented learning. Op dit moment is er nog niet veel bekend over het leerproces en de ervaringen van gebruikers. In de video hieronder legt Maryam uit wat de voordelen zijn van inzicht in het leerproces en hoe BCI kan worden toegepast om dit te meten.
Problemen en vooruitzichten van GPT-3
Prof.dr. Emiel Krahmer werd eind jaren '80 opgeleid tot computationeel linguïst aan Tilburg University. Sindsdien richt zijn onderzoek zich op data-naar-tekst generatie. Dit zijn systemen die data als input nemen en daar nieuwe, coherente verhalen over genereren. In zijn lezing gaat Emiel in op de problemen en vooruitzichten van GPT-3, één van de baanbrekende AI-modellen van 2020, gecreëerd door OpenAI. Het basisprincipe van het GPT-3 model is woordvoorspelling. De meeste mensen zijn bekend met woordvoorspelling via WhatsApp. Het verschil is dat WhatsApp een voorspelling doet op basis van één of twee van de laatst gebruikte woorden. GPT-3 is een complex deep-learning model met 96 lagen en houdt rekening met grote contexten bij het doen van voorspellingen. Deze complexiteit helpt bij het maken van samenhangende teksten, maar de teksten blijken niet gebaseerd op de werkelijkheid en bevatten onwaarheden.
