Voordrachten en sprekers
Prof. dr. Max Welling
Machine Learning om de volgende pandemie te voorkomen
Het is op zijn zachtst gezegd merkwaardig dat we ons, direct na een grote pandemie, geen zorgen lijken te maken over hoe we ons moeten verdedigen tegen een volgende, mogelijk dodelijkere, pandemie. Bij afwezigheid van een vaccin in het eerste jaar, lijkt onze krachtigste verdedigingslinie contact-tracering met behulp van informatietechnologie. In deze lezing zal ik een nieuwe methode presenteren die in staat is om het maximale infectiepercentage van een pandemie aanzienlijk te verminderen door slechts zeer weinig informatie uit te wisselen tussen subgroepen van individuen. De methode is gebaseerd op statistische gevolgtrekkingen in een grafisch model voor de verspreiding van infecties. Als deze berichten worden gebruikt om te beslissen wie moet testen en wie in quarantaine moet, wordt het infectiepercentage sterk geremd. Daarnaast zijn wij van mening dat deze protocollen privacy-beschermend kunnen worden gemaakt. Presentatie (pdf), PPT inclusief videos
Prof. dr. Bart Verheij
Wiskunde voor goede kunstmatige intelligentie: een persoonlijke zoektocht
Er is tegenwoordig veel aandacht voor kunstmatige intelligentie, en dan niet alleen voor de spannende nieuwe technische mogelijkheden, maar ook voor de risico's van het gebruik ervan. Om risico's te beperken geeft regelgeving in de EU burgers bijvoorbeeld al een `recht op uitleg' van geautomatiseerde beslissingen. Tegelijk staat de EU experimenten toe met auto's die zelfstandig rijden terwijl de bestuurder niet oplet (voorlopig tot 60 km/u).
In de geschiedenis van de kunstmatige intelligentie heeft de wiskunde van begin af aan een fundamentele rol gespeeld, juist ook om de mogelijkheden en beperkingen van de techniek te begrijpen. Wel is die rol van wiskunde in de loop van de tijd flink veranderd. Aanvankelijk stond de wiskundige logica aan de basis van de kunstmatige intelligentie. Formele specificatie van een intelligent systeem in een transparante, voor mensen begrijpelijke vorm was de standaard. Geleidelijk aan groeide het inzicht dat de klassieke logica niet afdoende was voor de ontwikkeling van kunstmatige intelligentie. Dat leidde tot nieuwe wiskundige modellen (zoals niet-monotone logica en Bayesiaanse netwerken) die kunnen omgaan met onzekerheid, onvolledige informatie en inconsistentie. Tegenwoordig wordt gezocht naar wiskundige methoden die het verantwoord gebruik van data-gedreven kunstmatige intelligentie (machine leren) ondersteunen.
In deze lezing vertel ik over mijn persoonlijke tocht door wiskunde en kunstmatige intelligentie. Wat heeft de onvolledigheidsstelling van de logicus Gödel met kunstmatige intelligentie te maken? Wat heeft de niet-monotone logica ons gebracht? Kunnen we met Bayesiaanse netwerken causale kennis ontdekken? Is de wiskunde klaar voor het tijdperk van machine leren?
Ik zal betogen dat nieuwe wiskunde nodig is voor de ontwikkeling van hybride systemen waarin mens en machine elkaars kwaliteiten versterken, en dat argumentatielogica een goede kandidaat is. Presentatie.
Prof. dr. Sander Bohté
Rekenen met biologische neuronen
Moderne AI systemen zijn bijna allemaal gebaseerd op kunstmatige neurale netwerken. Deze neural netwerken zijn losjes geïnspireerd op de werking van neuronen in het brein. Hoewel deze netwerken tegenwoordig verrassend effectief zijn, weten we ook uit de neurowetenschappen dat deze abstractie belangrijke aspecten van de werking van echte, biologische neuronen weglaat. In deze lezing ga ik in op hoe we kunnen rekenen met meer gedetailleerde modellen van biologische neuronen, wat ons dat verteld over hoe brein werkt, hoe we daar bijvoorbeeld zuinigere AI chips mee kunnen maken, en wat op dit moment nog belangrijke open vragen zijn. Presentatie.
Dr. Jasmin Blanchette
Finding Mathematical Proofs Using Computers
Voordracht in het Engels.
In the 1960s, researchers were dreaming of the day where mathematicians would simply type in the formulas they want to prove and computers would do the rest. This day has not come to pass yet, but there has been a lot of progress in the past six decades on finding mathematical proofs automatically, using computer programs called automatic theorem provers. In this talk, I will give an introduction to these automatic provers, explaining how they work via small examples. I will focus on two technologies called resolution and superposition. I will also explain how automatic provers can be used in tandem with so-called interactive theorem provers to allow a fruitful collaboration between humans and computers. Presentation.