Hi lezer 👋,

Vorige week stelden we dat je AI moet beschouwen als een creatieve compagnon. Als je dat accepteert ben je klaar voor de volgende stap: elkaar beter leren kennen. Daarvoor moet je, met al je menselijke vermogens, even de tijd nemen om deze nieuwe, ontluikende mens-machinevriendschap uit te diepen. #AIQT🥰

Conceptueel, nieuw dier

Benader AI niet alleen technisch of transactioneel. Je moet er vooral conceptueel mee leren omgaan. Zie machinelearningmodellen als nieuwe soorten organismen. Raar idee? MIT-onderzoeker Kate Darling schreef er een heel boek over!

Ieder model kent zo zijn eigenaardigheden. Het maakt dan niet uit of het model pre-trained is (door een andere partij of persoon) of eentje die je met eigen data hebt ontwikkeld.

Startpunt of suggestie

Hoe je ML of AI ook inzet, zie het als een ‘aangever’ bij je creatieve proces. Zet AI-toepassingen en -modellen in om je ideeën uit te dagen en creatieve processen op te schudden. Dat gaat niet zonder slag of stoot. Niet alles zal meteen werken of raak zijn. Schuif sommige resultaten gerust terzijde. We spreken niet voor niets van 'leren' en 'trainen' in deze context, toch?!

Laat de uitkomsten van je natural language processing- (NLP) of computer vision- (CV) modellen dan ook niet het eindresultaat zijn van creatief werk, maar juist een startpunt of suggestie.

Het AI-ambacht

Werken met AI is een nieuw ambacht dat je door te doen onder de knie krijgt. Net zoals luchtvochtigheid effect heeft op het opdrogen van verf of het rijzen van brood, zo hebben server-instellingen, ML-algoritmekeuzes, cloud-omgevingen, voorbeelddata en gekozen labels allemaal onvermoede invloed op de werking van een AI-toepassing.

Zelf de eigenaardigheden verkennen?

Ervaar de quirks en het organische van AI en ML eens zelf, door te oefenen met de satellietfotobeelden van het Oekraïense Texty.org waarop je illegale amber mining kunt detecteren. Gebruik de gratis downloadbare afbeeldingensets als oefendata om je eigen single label image classifier mee te trainen.

Verkenningstool #1: Teachable Machine

Start eerst met Teachable Machine van Google (dat gewoon in je browser draait) om je model onderscheidt te leren maken tussen de negatieve en positieve 'gevallen' in die satellietfoto's.

Verkenningstool #2: Lobe

Probeer daarna een vergelijkbaar model te trainen met andere software: Lobe van Microsoft dat je op je pc of laptop installeert (beschikbaar voor Windows en Mac).

Verkenningstools #3, 4 en 5: tekstgeneratoren

Ander experiment: geef dezelfde tekst aan Rytr.me, Headlime.com of Copy.ai en kijk welke verschillende suggesties de tools geven voor nieuwsbrieftitels of online advertenties.

Veel plezier met je eigenaardige nieuwe vriend, 😉 Laat weten wat je hebt ontdekt.

Ps. Vorige week schreven we hier over DALL-E 2. Die toepassing blijkt voor een heel specifiek doel toch niet zo geweldig: het genereren van fotorealistische gezichten. Lees in dit Wired-artikel waarom je die er (nog) niet mee kunt maken.

Uit het netwerk

Internet ‘algospeak’ is changing our language in real time — www.washingtonpost.com

Een andere dimensie aan het leren kennen van AI-systemen, is hoe TikTok-creators omgaan met machinelearninggebaseerde contentcuratie en -moderatie bij de 'For you'-sectie. Door bepaald taalgebruik te vermijden en door nieuwe woorden uit te vinden stemmen ze hun content allereerst af op het onderliggende AI-systeem (in plaats van het beoogde publiek). Via nieuwsbrief #handpicked

Kendrick Lamar - The Heart Part 5 — www.youtube.com

In deze deepfakevideoclip van Kendrick Lamar nemen verschillende bekende Amerikanen zoals o.a. Kanye West en Will Smith zijn raps af en toe over. Saillant detail: een van de creatieve partijen die hiervoor is ingehuurd is DeepVoodoo, waar de bedenkers van South Park achter zitten. Via nieuwsbrief Real Fake.

✅ Dat was 'm weer.

Tot volgende week. Dan delen we tip #3: AI gaat over mensen; stel de eindgebruiker centraal.