4: Live @ De AI Parade - Hoe beïnvloedt AI jouw dagelijks leven?

Rijk Mercuur

AI Voor Moraalridders

Hoi lieve moraalredder, Rijk hier. Op 21 april hadden we een live opname van de podcast als

Hi dear moral guardian, Rijk here. On April 21, we had a live recording of the podcast as

onderdeel van de AI-parade bij de bibliotheek in Utrecht. In een zaal met uitzicht op het

part of the AI parade at the library in Utrecht. In a room with a view of the

neuden en een klein maar fanatiek publiek hielden we een interessante discussie over

"With a small but enthusiastic audience, we held an interesting discussion about..."

verantwoorde AI, aanbevelingssystemen en vooroordelen in AI. Ik nam zelf deze keer de

responsibility for ensuring that AI is responsible, recommendation systems, and biases in AI. This time I took the

rol van expert en René van Gasteren begeleidde deze live sessie. Sinds kort helpt René ons

role of expert and René van Gasteren guided this live session. Recently, René has been helping us

bij Hero met inclusieve AI. En dat kwam goed uit, want hij kon gelijk het project op zich

at Hero with inclusive AI. And that worked out well because he could immediately take on the project.

nemen. Dat deed hij met verven. René begeleidde de sessie en wisselde af tussen vragen aan

to take. He did that with colors. René led the session and alternated between questions to

het panel met experts en vragen of opmerkingen uit het publiek. René introduceert zichzelf

the panel with experts and questions or comments from the audience. René introduces himself

het format en de experts. En omdat het publiek wat lastig te verstaan was, hebben we een

the format and the experts. And because the audience was a bit difficult to understand, we have a

voice-over gekozen die de opmerkingen uit het publiek samenvat. Ik wens jullie heel veel

voice-over chosen that summarizes the comments from the audience. I wish you all a lot of

plezier met luisteren.

enjoy listening.

Welkom bij AI voor Moraalridders live. Mijn naam is René van Gasteren en ik ben jullie

Welcome to AI for Moral Knights live. My name is René van Gasteren and I am your...

host voor vandaag. We gaan spreken over een paar thema's en voordat ik de experts introduceer

host for today. We will talk about a few themes and before I introduce the experts

zal ik eerst even vertellen wat het format is, wat we gaan doen en met wat we gaan doen.

Let me first explain what the format is, what we are going to do, and with what we are going to do it.

We bedoel ik niet alleen ons, bedoel ik ook jullie. We hebben een paar thema's uitgekozen

I don't mean just us, I also mean you. We have chosen a few themes.

waar we het dit uur over gaan hebben. Ik zal elk thema kort introduceren. Aanwaar ik een

what we are going to discuss this hour. I will briefly introduce each theme. Where I have a

vraag in de pool van experts werp en zij hun licht laten schijnen op het geheel. Aan het

Ask in the pool of experts and let them shed light on the whole. At the

einde van elk thema mogen jullie vragen stellen, jullie licht laten schijnen en hopelijk ontstaat

At the end of each theme, you may ask questions, share your thoughts, and hopefully, something will emerge.

er zo een mooie discussie.

It's such a beautiful discussion.

Het panel.

The panel.

Ja, voor iedereen links. Rijk Mercuur, onderzoeker AI en ethiek bij Hiro. Rijk, wat is de missie

Yes, everyone to the left. Rijk Mercuur, researcher in AI and ethics at Hiro. Rijk, what is the mission?

van Hiro?

from Hiro?

Wat is de missie van Hiro? We willen verantwoordelijke AI voor iedereen. En dat heeft eigenlijk twee

What is Hiro's mission? We want responsible AI for everyone. And that actually has two

betekenissen. De eerste is dat het dus rekening houdt met iedereen. En de tweede is dat we

meanings. The first is that it takes everyone into account. And the second is that we

bij iedereen de kennis willen brengen zodat ze kunnen omgaan met kunstmatige intelligentie.

to bring knowledge to everyone so that they can deal with artificial intelligence.

Bijvoorbeeld met chattyp.

For example with chattype.

Zodat je een beetje begrijpt wat chattyp is en hoe je dus ook verstandig mee om kan gaan.

So that you understand a bit what chattyp is and how you can wisely deal with it.

Dank je wel. In het midden Koert van Geemeren, onderzoeker computer vision en AI. Koert,

Thank you. In the middle Koert van Geemeren, researcher in computer vision and AI. Koert,

jij bent betrokken bij het DRAMA project. Kun je daar iets over zeggen?

You are involved in the DRAMA project. Can you say something about it?

Jazeker. Ja, ik ben als onderzoeker begonnen bij de Hoogschool Utrecht, waar ik in het DRAMA

Certainly. Yes, I started as a researcher at the University of Applied Sciences Utrecht, where I was in the DRAMA

project terecht ben gekomen. Dat is een afkorting. Het staat voor Designing Responsible AI for Media

I have come across the project. It is an abbreviation. It stands for Designing Responsible AI for Media.

Applications.

Toepassingen.

Waar we in een consortium met andere hogescholen en Media Perspectives eigenlijk de bedrijven op

Where we are in a consortium with other universities of applied sciences and Media Perspectives actually the companies on

Mediapark, mediabedrijven helpen om eigenlijk AI te ontwerpen die ook rechtdoekt aan de ethische

Mediapark, media companies help to actually design AI that also adheres to ethical standards.

vragen die zij hebben over het gebruik van AI in media. Dus dan kun je denken aan als zij

questions they have about the use of AI in media. So you can think of if they

videobewerking doen, daar zitten steeds meer geautomatiseerde algoritmes in. Maar houden die

doing video editing, there are increasingly more automated algorithms involved. But do they keep?

algoritmes ook rekening met diversiteit en afkomst? Als er gekozen wordt van dat is een heel goed

Do algorithms also take diversity and background into account? If that is chosen, then that is very good.

shot. Daar staan mensen met verschillende achtergronden op. Op wat voor manier komt zo'n

shot. There are people from different backgrounds in that. In what way does such a

algoritme tot zijn keuzes? En wij helpen die bedrijven om die algoritmes beter te begrijpen en

algorithm for their choices? And we help those companies to better understand those algorithms and

om betere keuzes te maken bij het gebruik van dat soort systemen.

to make better choices when using that kind of systems.

Dank je wel. En tot slot Marieke Peters, onderzoeker,

Thank you. And finally, Marieke Peters, researcher,

Responsible Applied AI. Kun jij uitleggen wat is Responsible AI?

Responsible Applied AI. Can you explain what Responsible AI is?

Ja, Responsible AI is, ja, dat gaat eigenlijk over dezelfde dingen als die net ook al genoemd werden.

Yes, Responsible AI is, yes, it actually concerns the same things that were just mentioned.

Hoe maak je nou gebruik van kunstmatige intelligentie op zo'n manier dat het ook

How do you utilize artificial intelligence in such a way that it also

voldoet aan de normen en waarden die wij als samenleving hanteren. En dat is dus voor een deel

meets the standards and values that we as a society uphold. And that is therefore partly

cultureel bepaald. En dat kan ook over tijd veranderen. Dus dat kan ook over tijd veranderen.

culturally determined. And that can also change over time. So that can also change over time.

Dus verantwoorden AI vandaag hier is misschien niet hetzelfde als verantwoorden AI in China over 10 jaar.

So justifying AI today here may not be the same as justifying AI in China in 10 years.

Dus dat moet je eigenlijk met elkaar bepalen.

So you actually have to determine that together.

Allright. Dan gaan we naar het eerste thema. Dat is aanbevelingssystemen. Ja, dus we zien eigenlijk

Alright. Then we'll move on to the first theme. That is recommendation systems. Yes, so we actually see

dat het op sociale netwerken, dat het op streamingdiensten is, maar bijvoorbeeld ook op websites waar jij dingen koopt.

that it is on social networks, that it is on streaming services, but also on websites where you buy things.

Dat we eigenlijk heel veel aanbevelingen krijgen. En die zijn voor een min of meer gedeelte geautomatiseerd.

That we actually receive a lot of recommendations. And those are partially automated.

Kurt, vraag aan jou. En dan gooi ik het in de pool. Hoe kunnen deze aanbevelingssystemen de consument, de kijker, helpen?

Kurt, a question for you. And then I'll put it in the poll. How can these recommendation systems help the consumer, the viewer?

Ja, dat is een hele goede vraag. Ik zou hem ook nog een klein stapje terug willen zetten, ook naar

Yes, that is a very good question. I would also like to take a small step back, also towards

hoe kunnen wij als experts op het gebied van AI de powers van dit soort aanbevelingssystemen helpen,

How can we as experts in the field of AI help harness the powers of this type of recommendation systems?

zodat de resultaten van die systemen de consument beter bedienen. En wat doe ik daarmee?

so that the results of those systems serve the consumer better. And what do I do with that?

Nou, wat ik vaak hoor is, ik hou me heel erg veel bezig met computer vision, daar komt beeldverwerking bij te pas.

Well, what I often hear is that I am very much involved with computer vision, where image processing comes into play.

En die beeldverwerkingssystemen, ja, die maken algoritmische keuzes.

And those image processing systems, yes, they make algorithmic choices.

En daar ontstaat bias uit. Sommige groepen mensen zien zichzelf vaker gerepresenteerd als er op een automatische manier beelden gekozen worden dan andere groepen mensen.

And that is where bias arises. Some groups of people see themselves represented more often when images are chosen automatically than other groups of people.

Nou, dan moeten we gaan kijken van, is dat een probleem? En zo ja, hoe kunnen we dan die algoritmes veranderen zodat die groepen mensen die gebruik maken van die aanbevelingssystemen zichzelf beter gerepresenteerd zien als resultaat van het gebruik van zo'n systeem.

Well, then we need to see if that is a problem. And if so, how can we change those algorithms so that the groups of people who use those recommendation systems see themselves better represented as a result of using such a system?

Waarbij we eigenlijk dus de mediamakers proberen te helpen om şey eerlijke systemen te maken.

Whereby we are actually trying to help the media creators to create fair systems.

Dus ik hoorde net het voorbeeld van Netflix. Ik werk samen met RTL. morgens kijken we grote wetten

So I just heard the example of Netflix. I work with RTL. In the mornings we watch big laws.

Zij hebben Videoland. Bij Videoland worden thumbnails gekozen voor series of afleveringen. Ga zo maar door.

They have Videoland. In Videoland, thumbnails are chosen for series or episodes. Keep going like this.

Daar komt vaak een editor aan te pas. Maar we willen die editor helpen om betere keuzes te maken.

Often an editor is involved. But we want to help that editor make better choices.

gegeven een aflevering welk welke thumbnail moet hij kiezen of hij of zij en als hij een

Given an episode, which thumbnail should he or she choose, and if he a

beter betere aanbeveling krijgt die die eerlijker is dan zal dat recht doen aan de diversiteit die

better better recommendation receives the one that is more honest will do justice to the diversity that

de consumenten wat consument weer terug ziet aanvullingen rijk marieke nou waar ik had te

The consumers see what consumer Marieke is now returning, well where I had to.

denken en kom ook door twitter voorbeeld is ook bij dat het aanbevelingssysteem is het vaak zo

Thinking and also coming through Twitter, for example, it is often the case that the recommendation system is مثل ذلك.

dat er een soort domino effect is waardoor steeds meer je dezelfde berichten krijgt op twitter of

that there is a kind of domino effect where you keep getting the same messages on Twitter or

dezelfde aanbevelingen krijgt en ik vind dat een interessant punt van technologie hoe het eigenlijk

the same recommendations and I find that an interesting point about technology how it actually

plat slaat dus hoe er eerst heel veel diversiteit is in meningen en visies en hoe technologie

So it indicates how there is initially a lot of diversity in opinions and perspectives and how technology

eigenlijk een bepaalde visie of mening versterkt

actually reinforces a certain vision or opinion

hoe we eerst misschien op twitter of in een gesprek in ieder geval het leuk vinden als er heel veel

how we first might like it on Twitter or in a conversation if there are a lot of

verschillende meningen zijn we misschien ook heel veel verschillende doelen hebben van een gesprek

Different opinions may also mean that we have many different goals for a conversation.

we willen nader tot elkaar komen of we willen op de lange termijn onze onze mening veranderen

We want to come closer to each other or we want to change our opinions in the long term.

maar twitter slaat het ook weer plat het zorgt ervoor dat we alleen maar gaan letten op likes

but Twitter also flattens it again, it ensures that we only pay attention to likes

en reposts en op een soort korte termijn status ja daarop aanhaken

and reposts and to connect to that on a sort of short-term status yes

je hebt het nu heel erg over de doelstellingen van degene die twitter gebruikt maar eigenlijk de

You are now very much talking about the goals of those who use Twitter, but actually the...

invloed die als gebruiker hebt hoe twitter werkt en hoe twitter jouw aanbevelingen doet of nieuwe

influence you have as a user on how Twitter works and how Twitter makes recommendations to you or new ones

informatie aanreikt heb je als gebruiker best wel weinig invloed op en dus een van de problemen denk

As a user, you have very little influence on the information provided, and I believe this is one of the problems.

ik is dat de de intenties of de belangen van degene die zo'n platform in de lucht houdt of dat nou een

I is that the intentions or the interests of those who keep such a platform running, whether it is a

webshop is of inderdaad een social media platform of een streamingdienst zij hebben allemaal als

A webshop is indeed a social media platform or a streaming service; they all have in common that

doel om jou zo lang mogelijk op dat platform te houden en ervoor te zorgen dat je terugkomt en

goal to keep you on that platform as long as possible and to ensure that you come back and

op het moment dat ze merken dat jij vaker terugkomt op het moment dat ze jouw bepaalde informatie of

At the moment they notice that you come back more often when they have certain information of yours or

bepaalde content aanbieden dan zullen ze dus daar meer van gaan aanbieden ook al wil je misschien

if they offer certain content, then they will provide more of that even if you might not want it

zelf ook een stukje variëteit maar dat kun je nergens meer terugkoppelen er is nergens een soort

a bit of variety for yourself but you can't get any feedback on that anymore, there is nowhere a kind

ik wil zoveel variatie in het aanbod of ik wil af en toe een soort verrast worden of serendipity

I want so much variety in the offerings or I want to be surprised from time to time or serendipity.

een soort willekeur in mijn aanbod krijgen dus dat ten eerste en je gaf net ook aan het heeft

getting a kind of arbitrariness in my offer, so that's the first thing, and you just indicated that it has...

het heeft een gebrek aan lange termijn visie eigenlijk dus het is allemaal heel erg op wat

it lacks a long-term vision actually so it's all very much based on what

ga ik nu aan deze persoon aanbieden maar het kijkt niet naar wat heb ik de persoon hiervoor aangeboden

I am now going to offer this person, but it doesn't look at what I offered the person before.

en wat ga ik hierna aanbieden een heel goed voorbeeld daarvan was laatst een artikel van de

And what I am going to offer next, a very good example of that was a recent article from the

amsterdammer waarbij ze hebben gekeken van wat gebeurt er nou moment dat je als gebruiker gaat

Amsterdammer where they have looked at what happens at the moment you as a user go.

zoeken naar dingen rondom dieet en afvallen en sporten en blijkbaar kom je dan heel snel een

looking for things related to diet and weight loss and exercise, and apparently you quickly come across a

soort fuik terecht van content die alsmaar erger wordt dus het wordt het gaat op begin met gaat

Type of trap rightly for content that keeps getting worse, so it’s going to start with goes.

het helemaal richting pro-ana dus pro anorexia achtige content en je tuin moet helemaal zo'n

it is completely heading towards pro-ana so pro-anorexia type content and your garden should be completely like that

konijnenhol in maar dat algoritme heeft zich dus helemaal in die hand gehaald en dat is heel erg

rabbit hole in but that algorithm has completely taken control of that hand and that is very bad

belangrijk want ik heb daar geen weet van dat ik houd niet bij wat heb ik hiervoor laten zien en

important because I have no knowledge of that I don't keep track of what I have shown before and

wat komt hierna en wordt dat inderdaad steeds erger wordt dat steeds meer een ja eenheidsworst van

What comes next, and does it indeed get worse, becoming more and more like a uniform product of...?

content waarmee ik iemand ben aan bombarderen dus die context die verdwijnt helemaal het kijkt alleen

Content with which I am bombarding someone, so that context completely disappears; it only watches.

maar dit ene filmpje voor deze gebruiker op dit moment dat optimaliseert het meer niet dus het is

but this one video for this user at this moment does not optimize it more so it is

gewoon een gebrekkig ontwerp ook ze hadden eigenlijk een heleboel andere waarden en dan kom je op dat

just a flawed design too they actually had a whole bunch of other values and then you arrive at that

is sensitive design hoe neem je nou verschillende waarden ook mee dat iemand zowel variatie wil

Is sensitive design how do you incorporate different values when someone also wants variety?

als iets wat bij iemand interesse past en dat iemand niet van kwaad naar erger wil gaan in

as something that fits someone's interest and that someone does not want to go from bad to worse in

een soort ja polariserende mening of een heel verheftigend effect van content ja en dat zie

a sort of yes polarizing opinion or a very intense effect of content yes and that you see

je dus ook echt als resultaat van vaak zijn dit al dit soort algoritme als met algoritmes eigenlijk

So you really are the result of often being these kinds of algorithms, just like with algorithms actually.

een onderzoekslab een start-up ingerold en dat is die start-up had maar één doel geld verdienen

a research lab rolled into a start-up and that start-up had only one goal to make money

groot worden en zonder dat ze stil is gestaan bij of nou ja gedegen onderzoek gedaan is vanuit die

growing up and without her having considered or well, conducted thorough research from that

druk om te presteren als bedrijf we hebben de nieuwste algoritmes nodig en nou ja wat ik wel

Pressure to perform as a company, we need the latest algorithms and well, what I do.

eens denk is dat een bedrijf als open ai toch wel het hele internet als soort van lab gebruikt

Sometimes I think a company like OpenAI uses the whole internet as a kind of lab.

van nou we zien wel wat er uitkomt en of het werkt en wat de resultaten daarvan zijn

Well, we'll see what comes out of it, whether it works, and what the results are.

openaars van chat gpt ik weet niet of iedereen dat gelijk weet hoe gaat het bij rtl hoe voel ik me

Chat GPT operators, I don't know if everyone knows that, how is it going at RTL, how do I feel?

ook af nou dat is ook een commercieel bedrijf ja niet net zo goed vooral mensen op hun platform

Well, that's also a commercial company, yes, not just as good, especially for people on their platform.

krijgen zonder ja mensen op een lange termijn misschien kennis bij te brengen ja dus die

getting without yes people might bring knowledge in the long term yes so those

discussie hebben ook echt wel gevoerd en wat ik heel erg terug krijgen van rtl is van zij lopen

We have really had a discussion and what I am getting back a lot from RTL is that they are leaving.

ook met met dat soort vragen maar wat zij heel erg hebben is van ja wij kunnen de algoritmes zelf niet

"Also with that kind of questions but what they really have is that yes, we cannot do the algorithms ourselves."

ontwerpen dus wij moeten de algoritmes zelf ontwerpen dus wij moeten de algoritmes zelf ontwerpen dus wij moeten

we need to design the algorithms ourselves so we need to design the algorithms ourselves so we need to

iets ergens vandaan halen en dan kom je hebt loopt het risico dat je in het soort algoritmes

bringing something from somewhere and then you run the risk that you get into the kind of algorithms

terecht komt waar waar marieke het over heeft maar daar willen zij wel wat mee zij willen dat we wel

"Right comes where Marieke is talking about, but they do want something with it; they want us to."

voorkomen en en daar denken we dus samen over na wat moet wat moet je dan doen wat moet je dan

preventing and then we think about what needs to be done, what should you do then, what should you then?

vooral niet doen en dat is een open discussie die we die we voeren over zo'n zo'n konijnenhol hoe

especially not to do that, and that is an open discussion we are having about such a rabbit hole how

blijf je er weg nou denk ik dat bij een aantal diensten zoals bijvoorbeeld videoland of netflix

Are you staying away? Well, I think that with a number of services like Videoland or Netflix...

heb je dat niet heel erg omdat mensen

don't you find that very upsetting because people

eigenlijk een abonnement nemen dus ze zijn lid van het van het platform en hoeven niet per se in

Actually taking a subscription means they are a member of the platform and don't necessarily have to be in.

een bepaalde serie zo lang mogelijk te blijven hangen want ze hebben toch een maand abonnement

to stay subscribed to a certain series for as long as possible since they have a monthly subscription anyway

dus rtl wil daar ook echt weg blijven en dan komt het ook de vraag rond ze er terecht wat moeten we

So RTL really wants to stay away from there, and then the question arises about what we should do.

dan doen om daar weg te blijven ze zouden ze niet naar mpo sturen ja maar het is wel interessant dat

then do to stay away from there they wouldn't send them to mpo yes but it's interesting that

waar we begonnen over oké wat doet de technologie dat je al heel snel ziet van oh we hebben het ook

Where we started about okay what does the technology do that you quickly see, oh we have that too.

over ingekocht het techniek die door weer iemand anders is ontwikkeld en waar bepaalde ja assumpties

about purchased the technology that has been developed by someone else and where certain assumptions apply

in zitten die dan gratis ook erbij krijgt en heb je daar nog invloed op ook als inkoper van technologie

You then get that for free as well, and do you still have any influence on it as a technology buyer?

van een ander bedrijf wordt heel snel wordt eigenlijk veel meer dan alleen maar die ene

From another company, it is actually much more than just that one very quickly.

technologie in de technologie en de beheersen sorry ik denk dat technologie en kapitalisme of

technology in technology and management sorry I think that technology and capitalism or

economische winst heel erg dezelfde assumpties of waarden die je in de technologie moet beheersen en

economic profit very much the same assumptions or values that you need to manage in technology and

daarin kunnen hebben efficiëntie soort van korte termijn visie zat er echt wel overlappen in

There could be efficiency in that, a sort of short-term vision really had overlaps.

zitten en dat technologie dus ook vaak ja gebruikt wordt in termen van commercialisatie het is moeilijk

Sitting and that technology is often used in terms of commercialization, it is difficult.

om niet commercieel te zijn met met met met technologie ja staat allebei plat en zo geeft

to not be commercial with with with technology yes both are flat and so it gives

allebei misschien het menselijke of het lange termijn en nooit de filosofisch maar nee maar

Both perhaps the human or the long term and never the philosophical but no but

die zie ik ook wel en ik denk dat het dat het kijk voor bedrijfs RTL is absoluut geen start-up meer

I see that too, and I think that for RTL the look is absolutely not a startup anymore.

dus zij hebben de wel de ruimte om aandacht te besteden aan de wat wat langere termijn vragen

So they do have the opportunity to pay attention to the somewhat longer-term questions.

maar wat ik wat ik zelf in mijn eigen ontwikkeling heb meegemaakt ik heb ook voor start-ups gewerkt

But what I have experienced in my own development is that I have also worked for start-ups.

daar is het toch van zo'n start-up moet de hoofd boven water houden dus we moeten zo snel mogelijk

That's what it's all about, a start-up has to keep its head above water, so we need to move as quickly as possible.

iets neerzetten met een wauw factor en dan heb je gelijk dan dan ga je dingen plat slaan

Putting something down with a wow factor, and then you immediately start to crush things.

ja ik laat hem even hierbij ik

Yes, I’ll just leave him here for now.

alright jullie zijn uitgesproken ik kan me haast niet voorstellen ik kan nog langer praten over

Alright, you have spoken out; I can hardly imagine I can talk longer about

technologie en over kapitalisme mijn laat we dat zijn plaatje niet denk ik ja vraag uit publiek

Technology and over capitalism, I don't think that's what the picture is, yes, a question from the audience.

koert jij zit bij RTL en je wilt het algoritme beten

Koert, you are at RTL and you want to understand the algorithm better.

en eerlijke maken

and make it fair

maar wat RTL beter en eerlijker vindt is waarschijnlijk niet wat ik beter en eerlijker

But what RTL thinks is better and fairer is probably not what I think is better and fairer.

vindt het gaat er dus in essentie om wat je er in het systeem stopt hoe ga je hiermee om

It's essentially about what you put into the system and how you handle it.

nee maar heeft u heeft u helemaal gelijk in we zijn in de kunstmatige intelligentie de manier

No, but you are absolutely right, we are in artificial intelligence the way.

waarop deze deze techniek werkt hij is heel erg afhankelijk van wat je erin stopt en dan moet je

on which this technique works, it is highly dependent on what you input, and then you have to

ook Cal sitten dat ben je om dat bunları resultaten gaan opleveren de vorigeㅠㅠ

Also, Cal, you sit there because these will yield results compared to the previous ones.

veio en natuurlijk eens heel erg bedankt aan de voorbeelden van opnieuw de als ik wel dat je

"Veio and of course thank you very much for the examples of again the if I do that you."

het,

it,

dat vertel ik gaat doen is heel erg is om iemand te uitleggen,

What I'm going to tell you is very difficult to explain to someone.

als jij deze data op deze manier verzamelt,

if you collect this data in this way,

dan kan ik je garanderen dat.

then I can guarantee you that.

Dat dit niet gaat lukken op deze manier,

That this is not going to work this way,

dat dit heel erg ontwikkeld is en waarschijnlijk uitleggend is vanuit mijn expertise aan iemand kan uitleggen van nou als je deze data op deze manier verzameld dan kan ik je garanderen dat dat dit niet gaat lukken op deze manier,

that this is very well developed and probably can be explained from my expertise to someone by saying well if you collect this data in this way then I can guarantee you that this is not going to work this way,

Dan kun je die discussie voeren van, oké, wat willen jullie, als RTL, wij willen meer diversiteit.

Then you can have that discussion of, okay, what do you want, as RTL, we want more diversity.

Nou, wat betekent dat dan?

Well, what does that mean then?

Nou, dat ook minderheden zichzelf gerepresenteerd zien in de aanbevelingen die de systemen die ze gebruiken geven.

Well, that minorities also see themselves represented in the recommendations provided by the systems they use.

En dan kun je gaan zeggen, oké, dan is het waardeoordeel van goed.

And then you can say, okay, then the value judgment is good.

Het gaat dus over een gelijke verdeling over alle groepen die zich gerepresenteerd willen zien.

It is therefore about an equal distribution among all groups that want to be represented.

En dan kun je die data gaan aanpassen en die leersystemen verbeteren, zodat dat ook eruit komt.

And then you can start adjusting that data and improving those learning systems, so that will also come out.

Ik wil nog even kort reageren.

I want to respond briefly once more.

Wij bij Hero werken samen met NPO om eigenlijk dezelfde problematiek.

We at Hero work together with NPO to address the same issues.

En een praktische oplossing die we daar proberen is om diversiteit te hebben, of op het onderwerp, of op de omroep.

And a practical solution we are trying there is to have diversity, either on the subject or on the broadcaster.

Dus stel je bent geïnteresseerd in Indonesië, dan krijg je misschien eerst van de ene omroep.

So imagine you are interested in Indonesia, then you might first hear from one broadcaster.

Een programma over Indonesië, daarna vanuit een reisprogramma van, ik weet niet, van een andere omroep, krijg je ook iets over Indonesië.

A program about Indonesia, then from a travel show, I don't know, from another broadcaster, you'll also get something about Indonesia.

Dan heb je dus wel die diversiteit, maar je blijft bij hetzelfde onderwerp.

So you do have that diversity, but you stick to the same topic.

Maar je kan ook vanuit dezelfde omroep verschillende onderwerpen krijgen.

But you can also receive different topics from the same broadcaster.

Dus dat is een hele praktische invulling om te proberen aan de ene kant dus wel mensen iets aan te raden waar ze geïnteresseerd in zijn.

So that's a very practical way to try to recommend something to people on one hand that they are interested in.

En aan de andere kant, op een beetje objectieve manier, want daar gingen we vragen over, van hoe doe je dat, toch diversiteit erin te brengen.

And on the other hand, in a somewhat objective manner, because that was what we were questioning, how do you manage to bring diversity into it.

Door, nou ja.

Well, door.

Ja, die omroepen te gebruiken voor de diversiteit.

Yes, to use those broadcasters for diversity.

Ik durf het bijna niet te zeggen, maar dat is wel gebaseerd op de aanname dat meer diversiteit goed is.

I can hardly say it, but that is based on the assumption that more diversity is good.

Dat mag je best zeggen hoor.

You can definitely say that.

En daar, dat vind ik niet zomaar waar.

And there, I don't simply find that to be true.

Kijk, dat is natuurlijk precies ook de identiteit of de cultuur waar een bedrijf dan op een gegeven moment voor kiest.

Look, that is of course exactly the identity or culture that a company eventually chooses.

Vandaar dat ik eerder ook zei, van wat het normen en waarden kaart.

That's why I said earlier about the norms and values map.

En dat het normaal dus ook een schade is, waar je aan wil voldoen.

And that it is normally also a damage that you want to comply with.

Dat verschilt per regio, maar het verschilt dus ook misschien wel per organisatie.

That depends on the region, but it may also vary by organization.

De meeste organisaties hebben al een aantal bedrijfswaarden waar ze voor staan.

Most organizations already have a set of corporate values that they stand for.

En je zou dan willen dat de manier waarop hun AI wordt ingezet, dat dat hun bedrijfswaarden ondersteunt en onderschrijft.

And you would want the way their AI is deployed to support and endorse their business values.

Je kan het dan niet eens zijn met de bedrijfswaarden van die organisatie en dan haal je dus je spullen ergens anders.

You may not agree with the corporate values of that organization, and then you'll take your belongings elsewhere.

Maar zo'n bedrijf wil zichzelf vooral gerepresenteerd zien...

But such a company primarily wants to see itself represented...

die genomen worden met ondersteuning van AI.

those taken with the support of AI.

En ik denk dus dat het niet zozeer gaat over wat is absoluut goed of slecht.

And I think it's not so much about what is absolutely good or bad.

Daar kan een organisatie zelf zijn eigen keuzes in maken.

There, an organization can make its own choices.

De een is daarin commerciëler, de andere is daarin wat maatschappelijker verantwoord.

One is more commercial in that regard, the other is more socially responsible.

Weer een ander heeft een bepaalde politieke voorkeur.

Again, another one has a certain political preference.

Dat is allemaal helemaal prima.

That's all perfectly fine.

Maar zij willen natuurlijk wel op zo'n manier controle uitoefenen over de systemen die ze inzetten.

But they obviously want to exercise control over the systems they deploy in such a way.

Dat die systemen niet ineens keuzes of besluitvormingen gaan bespoedigen.

That those systems will not suddenly accelerate choices or decision-making.

Die niet in lijn zijn met dat waardekader wat ze voor zichzelf hebben opgesteld.

Those that are not in line with the value framework they have set for themselves.

En ik denk dat dat nu de voornaamste insteek is van verantwoorden is het van AI.

And I think that the main approach to accountability for AI is now.

Volgende vraag.

Next question.

Je vertelde net dat er toch een menselijke maat moet worden gebruikt.

You just mentioned that a human scale should be used after all.

Neem bijvoorbeeld ProA.

Take ProA, for example.

Anna, stel, ik ben een 14-jarig meisje en ik wil dat wel vinden.

Anna, let's say I'm a 14-year-old girl and I want to find that.

Kom ik daar dan gewoon niet?

Am I just not going there?

Wordt het me niet aangeraden?

Am I not being advised to do it?

Of heeft iemand het gelabeld als dat mag niet gezien worden?

Or did someone label it as not to be seen?

Er moet altijd iemand bepalen wat wel en niet mag in die zin.

There always needs to be someone to determine what is allowed and what is not in that sense.

Ja, nee, dat klopt. Zeker.

Yes, no, that's correct. Certainly.

Als iemand daar actief naar op zoek gaat.

If someone is actively looking for that.

Ik bedoel, ook hier zeg ik niet dat iets absoluut goed is.

I mean, I'm not saying that something is absolutely good here either.

Of fout is alleen op dit moment heeft niemand het door, dus het gebeurt op dit moment zonder dat iemand daar een bewuste beslissing of keuze heeft gemaakt.

The mistake is that at this moment no one has noticed it, so it is happening at this moment without anyone making a conscious decision or choice.

Die persoon die zoekt naar sport en dieet filmpjes was niet van plan om op ProA-achtige content uit te komen, maar toch gebeurde het en TikTok heeft het zelf ook niet door dat dat gebeurt, dus op de een of andere manier gaat het een eigen leven leiden.

The person searching for sports and diet videos did not intend to end up with ProA-like content, but it happened anyway, and TikTok itself is not aware that this is happening, so somehow it is going to take on a life of its own.

En ik denk dat dat vooral een hele kwalijke zaak is.

And I think that is especially a very serious matter.

Natuurlijk moet techniek voor iemand werken, maar in dit geval vraag ik me af voor wie het dan precies werkt, niet voor die eindgebruiker.

Of course, technology should work for someone, but in this case, I wonder for whom it actually works, not for that end user.

En ik kan me niet voorstellen dat TikTok er heel veel baat bij heeft.

And I can't imagine that TikTok benefits from it very much.

Ga even maar door.

Just keep going.

We werken nu al zo'n tien, vijftien jaar in de digitale wereld met aanbevelingen.

We have been working in the digital world with recommendations for about ten to fifteen years now.

En jullie vertellen dat het deze beter gemaakt moet worden.

And you tell them that it needs to be improved.

Jullie doen een onderzoek na, maar is het ook mogelijk om algoritmes te maken die dit kunnen?

You are conducting research, but is it also possible to create algorithms that can do this?

Kan het? Ja, een hele goede vraag en ik denk dat het zeker kan, maar we moeten nog, denk ik, in de techniek leren op wat voor manier het ook op een efficiënte manier kan, want

Can it be done? Yes, a very good question and I think it definitely can, but I think we still need to learn in terms of technology how it can also be done efficiently, because

ik wil, ik probeer niet te technisch te worden, maar om dus dit soort systemen te, AI werkt altijd door het trainen van patronen in data en je hebt er helaas heel veel data voor nodig en hoe specifieker je doelgroep, hoe waarschijnlijker is dat er heel weinig data beschikbaar is om een goede representatie van die doelgroep te krijgen.

I want, I’m trying not to get too technical, but to explain these kinds of systems, AI always works by training patterns in data, and unfortunately, you need a lot of data for that, and the more specific your target audience is, the more likely it is that there is very little data available to get a good representation of that audience.

En we leren wel steeds beter om het steeds minder data.

And we are getting better at using less and less data.

Betere resultaten te genereren, maar dat is ook een proces en daarom heb ik wel wat twijfels bij hoe sommige AI bedrijven het aanpakken als soort van het internet als proeftuin te gebruiken.

Generating better results, but that is also a process, and that is why I have some doubts about how some AI companies are approaching it by using the internet as a kind of experimental ground.

Veel van dit soort onderzoek moet ook gewoon in onderzoeksgroepen en op universiteiten en hogescholen plaatsvinden.

Much of this type of research must also take place in research groups and at universities and applied sciences universities.

Voordat je dan een soort van zo'n algoritme maar loslaat en we zien wel wat er gebeurt.

Before you just let loose a kind of algorithm like that and we'll see what happens.

Maar ik denk zeker dat het mogelijk is en er wordt ook heel veel onderzoek naar gedaan op wat voor manier met weinig data, met specifieke data.

But I definitely think it is possible, and a lot of research is being done on how to do it with little data, with specific data.

Goede aanbevelingen kunt geven.

You can give good recommendations.

Alles staat of valt ook een beetje met probleemdefinitie.

Everything stands or falls a bit with problem definition.

Hoe goed ben je in staat om het probleem goed te definiëren?

How well are you able to define the problem?

En je succescriteria.

And your success criteria.

Ja, en je succescriteria.

Yes, and your success criteria.

Maar dat is onderdeel eigenlijk van je probleem.

But that is actually part of your problem.

En dat kan voor sommige problemen makkelijker dan voor anderen.

And that can be easier for some problems than for others.

En dat maakt ook juist verantwoorde inzet van AI voor sommige gebieden een stuk ingewikkelder dan voor anderen.

And that makes the responsible deployment of AI in some areas a lot more complicated than in others.

Als dingen heel zwart-wit zijn.

When things are very black and white.

Bijvoorbeeld een potje schaak.

For example, a game of chess.

Iemand heeft gewonnen of iemand heeft verloren.

Someone has won or someone has lost.

Iemand heeft zijn stuk op de juiste manier verzet.

Someone has moved their piece correctly.

Ja of nee.

Yes or no.

Iemand staat schaak of iemand staat niet schaak.

Someone is in check or someone is not in check.

Dat is heel recht toe recht aan.

That is very straightforward.

Dat bord is heel overzichtelijk.

That board is very clear.

Het aantal zetten wat je kan doen is heel overzichtelijk.

The number of moves you can make is very clear.

En dat geldt voor een heleboel vraagstukken waar wij het nu hierover hebben niet.

And that applies to a whole lot of issues we are discussing right now, it does not.

En daardoor is het ook heel lastig om te bedenken welke informatie moet je nou aan het systeem geven om te kunnen optimaliseren.

And as a result, it is also very difficult to determine what information you need to provide to the system in order to optimize.

Een heel bekend voorbeeld is van Robert Babushka.

A very well-known example is from Robert Babushka.

Die had een PhD student en die wilde een robot leren lopen.

He had a PhD student, and he wanted to teach a robot to walk.

En die had een reward function.

And it had a reward function.

Dus dat is de manier waarop je zo'n algoritme kan trainen.

So that's how you can train such an algorithm.

Het krijgt dan punten en hoe meer punten het verzamelt hoe beter het het doet.

It then earns points, and the more points it collects, the better it performs.

En je moet dan dus definiëren waarvoor je dat systeem punten gaat geven.

And then you need to define what you will award points for in that system.

Zodat het gaat optimaliseren naar het juiste gedrag.

So that it optimizes towards the right behavior.

Toen hadden ze punten gegeven iedere keer op het moment dat hij met zijn voet de grond raakte.

Then they gave points every time he touched the ground with his foot.

En dat is een heel bekend voorbeeld.

And that is a very well-known example.

Maar daardoor ging hij niet lopen.

But that didn't make him walk.

Hij ging op de plaats heel hard trappelen.

He started to stomp very hard in the spot.

Dus definiëren wat je precies gaat belonen om het juiste gedrag uit te lokken.

So, define what exactly you are going to reward in order to elicit the right behavior.

Dat is heel vaak de uitdaging.

That is very often the challenge.

Dus de juiste probleemdefinitie en de juiste informatie meegeven.

So, providing the correct problem definition and the right information.

Zodat als het dan gaat optimaliseren het ook optimaliseert richting het gedrag wat je zou verwachten.

So that when it comes to optimizing, it also optimizes towards the behavior you would expect.

Dat is heel ingewikkeld.

That is very complicated.

Dus willen we dat een aanbevelingssysteem...

So we want a recommendation system...

...zolang mogelijk de aandacht vasthoudt en de klant vasthoudt.

...keeps the attention as long as possible and retains the customer.

Of willen we dat het zorgt dat mensen op een andere mening kunnen komen.

Or do we want it to enable people to come to a different opinion?

En kunnen we dat dan ook evalueren en als reward function in je systeem krijgen.

And can we then evaluate that and incorporate it as a reward function in your system?

Volgens mij wil Frank wat vragen.

I think Frank wants to ask something.

Ik kom zo nog bij jou. Dan doen we nog twee vragen.

I'll be with you in a moment. Then we'll do two more questions.

Bol.com en andere online shoppingwinkels werken ook met recommendations.

Bol.com and other online shopping stores also work with recommendations.

En daar kun je richting de feestdagen bijvoorbeeld een vinkje aanzetten.

And there you can check a box, for example, as the holidays approach.

Wordt bezorgd voor 5 december.

Will be delivered by December 5th.

Dat is dan een keiharde prestatie eis die je kan stellen.

That is a tough performance requirement that you can set.

En wat ik mis bij Netflix recommendations.

And what I miss in Netflix recommendations.

Is dat het past zich nooit aan.

Is that it? It never adapts.

Bijvoorbeeld chat GPT past zich wel aan.

For example, chat GPT does adapt.

Dan kun je vragen om andere opties.

Then you can ask for other options.

Dus een combinatie van een recommendersysteem...

So a combination of a recommendation system...

...met een contactsysteem zoals chat GPT.

...with a contact system like chat GPT.

Zou dat kunnen werken bij bijvoorbeeld Netflix.

Could that work at, for example, Netflix?

Dat je kan vragen om iets minder dan...

That you can ask for something less than...

...een aflevering van iets minder dan 25 minuten.

...an episode of just under 25 minutes.

Zo vlak voor het slapengaan.

Just before going to sleep.

Zou dat een optie zijn?

Could that be an option?

Dat denk ik wel.

I think so.

Het is wel zo dat...

It is true that...

Dus de technologie waar in ieder geval de basis van chat GPT op gebaseerd is.

So the technology on which at least the foundation of chat GPT is based.

Is vrij nieuw.

Is fairly new.

Die bestaat ongeveer 5 jaar.

It has existed for about 5 years.

En is echt tekst gebaseerd.

And it is really text-based.

Dus chat GPT.

So chat GPT.

Iedereen die er wel eens mee gewerkt heeft weet.

Anyone who has ever worked with it knows.

Je moet wat tikken.

You need to type something.

Maar hij snapt wat je tikt.

But he understands what you're typing.

En hij gaat met je in discussie.

And he will debate with you.

Er zitten nog allerlei andere dingen bij.

There are all sorts of other things included.

Maar de basis is tekst gebaseerd.

But the foundation is text-based.

De vraag is nu natuurlijk.

The question is now, of course.

Hoe ga je van tekst naar beeld?

How do you go from text to image?

En hoe ga je ervoor zorgen dat dat recommendersysteem wat daaronder zit.

And how are you going to ensure that the recommendation system underneath it.

In chat GPT.

Van toepassing wordt.

Will be applicable.

Op de manier waarop beelden bekeken kunnen worden.

In the way images can be viewed.

En verwerkt kunnen worden.

And can be processed.

Daar wordt heel hard aan gewerkt.

A lot of hard work is being done on that.

Er zijn ook al wat voorbeelden van.

There are already some examples of that.

Hoe snel dat in systemen als Netflix of Videoland gaat doordringen.

How quickly that will penetrate systems like Netflix or Videoland.

Durf ik niet te zeggen.

I dare not say.

Maar ik denk wel snel eerlijk gezegd.

But I do think quickly, to be honest.

Want we zien wel.

Because we will see.

Het gaat allemaal heel erg snel op het moment.

Everything is moving very quickly at the moment.

Met die ontwikkeling.

With that development.

En dit nieuwe algoritme.

And this new algorithm.

Is nu op alle vlakken van media.

Is now present in all areas of media.

Dus van tekst tot geluid tot beeld.

So from text to sound to image.

Om zich heen aan het grijpen.

Grabbing around itself.

Alle onderzoekers zien.

All researchers see.

Hoe goed dit algoritme werkt.

How well this algorithm works.

Niet alleen voor tekst maar ook beeld en geluid.

Not only for text but also for images and sound.

Dus we gaan dit zeker zien.

So we will definitely see this.

Dat dat beter wordt op die manier.

That it will get better that way.

Laatste vraag.

Last question.

Zou ik hier nog iets meer over mogen zeggen?

May I say a little more about this?

Vooruit.

Forward.

Chat GPT is eigenlijk een combinatie van.

Chat GPT is actually a combination of.

Enerzijds GPT 4 inmiddels.

On the one hand, GPT-4 by now.

En Instruct GPT.

And Instruct GPT.

Waarbij dus.

Whereby.

GPT het.

GPT it.

Large language model is.

Dus dat genereert inderdaad die taal.

So that does indeed generate that language.

En Instruct GPT is eigenlijk een soort.

And Instruct GPT is actually a kind.

Mens in de loop achtige functionaliteit.

Human in the loop-like functionality.

Waarbij je inderdaad.

Whereby you indeed.

Aanvullingen kan geven.

Can provide additions.

Voorbeelden kan geven.

Can give examples.

Waar dat model dan weer van leert.

What that model then learns from.

In de interactie.

In the interaction.

En dat human in the loop learning.

And that human in the loop learning.

Dat is volgens mij iets wat inderdaad.

In my opinion, that is indeed something.

In de toekomst veel meer.

In the future, much more.

Gebruikt zal gaan worden.

Will be used.

En waar ook heel veel.

And where there is also a lot.

Startups op ontstaan.

Startups are emerging.

Dus die maken enerzijds gebruik van explainability.

So they make use of explainability on one hand.

Zodat je snapt.

So that you understand.

Wat de uitkomst is.

What the outcome is.

En anderzijds hebben ze een feedback loop.

And on the other hand, they have a feedback loop.

Waarbij je als mens aanvullende informatie kan geven.

Where you, as a person, can provide additional information.

Die het systeem dan weer kan absorberen.

That can then be absorbed by the system.

Om nieuwe informatie.

For new information.

Of aanpassende.

Or adapting.

Nieuwe verbanden te leggen enzovoort.

To establish new connections, etc.

En dat is echt wel een soort.

And that is really a kind.

Ja.

Yes.

Nieuwigheid die.

Novelty that.

Waarschijnlijk veel meer terug zal komen.

Probably will come back much more.

Jullie hebben het over.

You are talking about it.

De organisatie.

The organization.

Van een bepaald recommendersysteem.

From a certain recommendation system.

En de voordelen.

And the benefits.

En de gevaren die hij met zich meebrengt.

And the dangers he brings with him.

Dat het niet voor ieder.

That it's not for everyone.

Dat het voor ieder individu.

That it is for every individual.

Verschillend kan zijn.

It can be different.

Zou het dan een oplossing kunnen zijn.

Could it then be a solution?

Voor een bedrijf.

For a company.

Om een drietal algoritmes te geven.

To provide a few algorithms.

En de gebruiker zelf.

And the user themselves.

Te laten kiezen.

To let choose.

Bijvoorbeeld zoals twitter.

For example, like Twitter.

Het algoritme openbaar maken.

Make the algorithm public.

Zodat je de gebruiker zelf kan tweaken.

So that the user can tweak it themselves.

En de parameters.

And the parameters.

Kan aanpassen.

Can adjust.

Wat denken jullie dat de toekomst heeft?

What do you think the future holds?

Ik vind het wel mooi van alles te vragen.

I think it's nice to ask everything.

Dat het allemaal gaat over meer.

That it all comes down to more.

Participatie vanuit de gebruiker.

Participation from the user.

En ik blijf een beetje terugkoppelen.

And I’ll keep providing some feedback.

Aan hetzelfde punt.

At the same point.

Maar wat heel mooi daaraan is.

But what is very beautiful about that is.

Denk ik dat de waarde van de gebruiker.

I think that the value of the user.

Uiteindelijk een grotere rol gaat spelen.

Ultimately, it will play a larger role.

In zo'n model.

In such a model.

Ik vind het nog moeilijk om het helemaal voor me te zien.

I still find it difficult to fully visualize it.

Kan je kiezen voor een algoritme met meer diversiteit.

Can you choose an algorithm with more diversity?

Die je meer verrast.

That surprises you more.

In plaats van een algoritme dat alleen maar.

Instead of an algorithm that merely.

De beste clickbait voor jou geeft.

The best clickbait for you provides.

Maar dat vind ik heel mooi.

But I find that very beautiful.

Aan beide punten eigenlijk.

At both points actually.

Wat algoritmes betreft.

As for algorithms.

En het aan elkaar koppelen van algoritmes.

And linking algorithms together.

Wat we weten is dat.

What we know is that.

De keten is.

The chain is.

Zo zwak als de zwakste schakel.

As weak as the weakest link.

Dus als we algoritmes aan elkaar gaan knopen.

So if we start linking algorithms together.

Wat je dan vaak ziet gebeuren.

What you often see happen then.

Dat het zwakste algoritme gaat.

That the weakest algorithm is used.

De resultaten domineren.

The results dominate.

En dat is eigenlijk niet wat we willen.

And that's not really what we want.

Met AI.

With AI.

Wat ze noemen met een technisch woord.

What they call it with a technical term.

End to end leren.

End-to-end learning.

We hebben de input van de gebruiker.

We have the user's input.

Direct.

Via de AI.

Via the AI.

Komt daar de gewenste output uit.

Is the desired output coming from there?

Zonder dat er meerdere algoritmes aan te pas komen.

Without the involvement of multiple algorithms.

Het zit allemaal in één systeem.

It's all in one system.

Wat in één keer geleerd kan worden.

What can be learned in one go.

Dat werkt vaak toch wel het beste.

That often works best.

Maar dat is technisch gezien een grotere uitdaging.

But that is technically a greater challenge.

Dan verschillende algoritmes aan elkaar.

Then connect different algorithms to each other.

Knopen in een keten.

Knots in a chain.

Voordeel nadeel.

Advantage disadvantage.

Ik denk dat het ene gaat sneller.

I think that one goes faster.

Algoritmes die bestaan aan elkaar knopen.

Algorithms that connect to each other.

Maar als je echt bepaalde doelen wil bereiken.

But if you really want to achieve certain goals.

Waardes die je van te voren defineert.

Values that you define in advance.

Dan zal je dat toch end to end moeten doen.

Then you will have to do that end to end.

Dank jullie wel.

Thank you very much.

We gaan naar het volgende thema.

We are moving on to the next theme.

Hoi lieve moraalridder.

Hi dear moral knight.

Rijk hier van Hiro.

Rich here from Hiro.

Een korte onderbreking.

A short interruption.

Voor de noodzakelijke schaamtevolle zelfpromotie.

For the necessary shameful self-promotion.

Ik voel me daar altijd ongemakkelijk bij.

I always feel uncomfortable about that.

Maar toen ik dat aan chat GPT vertelde.

But when I told that to chat GPT.

Zei hij.

He said.

Dat begrijp ik helemaal.

I completely understand that.

Het kan soms ongemakkelijk voelen.

It can sometimes feel uncomfortable.

Om te vragen om steun.

To ask for support.

Maar het is belangrijk om te onthouden.

But it is important to remember.

Dat het delen van jouw kennis.

That sharing your knowledge.

Over AI en ethiek.

About AI and ethics.

Een waardevolle bijdrage levert.

Makes a valuable contribution.

Aan het vergroten van het bewustzijn.

To raising awareness.

En begrip over dit onderwerp.

And understanding about this subject.

Als podcastmaker investeer je tijd.

As a podcast creator, you invest time.

Moeite en middelen in het maken van deze aflevering.

Effort and resources in making this episode.

En het verspreiden van kennis.

And the dissemination of knowledge.

Het is daarom logisch om te willen.

It is therefore logical to want to.

Dat jouw werk zoveel mogelijk mensen bereikt.

That your work reaches as many people as possible.

En dat je ondersteund wordt door je luisteraars.

And that you are supported by your listeners.

Het is niet te bescheiden.

It is not too modest.

Om te vragen om steun en herkenning voor jouw werk.

To ask for support and recognition for your work.

Het is belangrijk en waardevol wat je doet.

What you do is important and valuable.

En het verdient de aandacht.

And it deserves attention.

En herkenning van een groter publiek.

And recognition from a larger audience.

Nou.

Well.

Als onze nieuwe AI god dat zegt.

If our new AI god says that.

Dan luister ik dus.

Then I listen.

Als je geniet van deze podcast.

If you enjoy this podcast.

Wil ik je vragen om ons te helpen groeien.

I would like to ask you to help us grow.

En meer mensen te bereiken.

And to reach more people.

Je kan mij helpen.

You can help me.

Door op jouw podcast platform.

Through your podcast platform.

Te volgen of te beoordelen.

To follow or to assess.

Of nog beter.

Or even better.

Deel de aflevering met vrienden, familie en collega's.

Share the episode with friends, family, and colleagues.

Zet bijvoorbeeld eens een linkje.

For example, set a link.

In je chat op werk.

In your work chat.

Als je wilt delen.

If you want to share.

Wat je van een aflevering vindt.

What you think of an episode.

Dan kan dat op de Hero LinkedIn.

Then it can be done on the Hero LinkedIn.

Of via rijkethero.nl

Or via rijkethero.nl

Op onze website.

On our website.

AI.hero.nl

Vind je meer informatie over onze missie.

Find more information about our mission.

En kun je ook ons aanbod van workshops bekijken.

And you can also take a look at our range of workshops.

Over verantwoorden AI voor iedereen.

About making AI accountable for everyone.

Dus bedankt voor het luisteren.

So thank you for listening.

Na deze podcast aflevering.

After this podcast episode.

En ik hoop dat ik nog.

And I hope that I still.

Vele interessante afleveringen.

Many interesting episodes.

Mag gaan maken en delen.

May make and share.

En nu weer door.

And now on we go.

Met de aflevering.

With the delivery.

We gaan naar het volgende thema.

We're going to the next theme.

En dat is vooroordelen in AI.

And that is biases in AI.

Ter introductie.

For introduction.

Ben ik weer bij jullie.

I'm back with you again.

Op zoek naar.

Looking for.

Voorbeelden van het dagelijks leven.

Examples from daily life.

Waar komt gezichtsherkenning.

Where does facial recognition come from?

Voor.

For.

Roep maar.

Just call.

Telefoon.

Phone.

Om het te unlocken.

To unlock it.

Andere voorbeelden.

Other examples.

Auto's detecteren.

Detecting cars.

Of je in slaap valt.

Whether you fall asleep.

Auto's detecteren of je in slaap valt.

Cars detect whether you are falling asleep.

Dus die houden je ook in de gaten.

So they keep an eye on you as well.

Google foto's.

Google Photos.

Ja inderdaad.

Yes indeed.

Detectie.

Detection.

Van wie er op foto's staat.

Of whom is on the photos.

Van Google of Facebook.

From Google or Facebook.

Een ander programma.

Another program.

Inderdaad.

Indeed.

Studenten om te kijken.

Students to watch.

Of je wel de persoon bent.

Whether you are the person.

Die op het papiertje staat.

That is written on the paper.

Goede voorbeelden.

Good examples.

Rijk ik wil naar jou gaan.

Rich, I want to come to you.

En het iets algemener trekken.

And make it slightly more general.

Dan alleen gezichtsherkenning.

Then only facial recognition.

Want zoals we zo zullen merken.

For as we will notice.

Komen daarin vooroordelen voor.

Do they contain prejudices?

Maar vooroordelen zijn natuurlijk.

But prejudices are natural.

Wijdverbreider.

Widespreader.

Maar mijn vraag is.

But my question is.

In een AI systeem.

In an AI system.

Ja.

Yes.

Ik kan het laatste voorbeeld gebruiken.

I can use the last example.

Over de proctoring.

About the proctoring.

Bij tentamens.

During exams.

Dus kijken of studenten hun tentamen maken.

So see if students are taking their exam.

Daar was het eigenlijk heel simpel.

It was actually very simple there.

Daar werd een dataset gebruikt.

A dataset was used there.

En in die dataset zaten.

And in that dataset were.

Vooral mensen met een witte huidskleur.

Especially people with white skin color.

Dus deze persoon die.

So this person who.

Robin Pocari heette.

His name was Robin Pocari.

Volgens mij.

According to me.

Die werd niet herkend.

That was not recognized.

Die had een zwarte huidskleur.

He had a black skin color.

En die had er een klacht in gediend.

And he had filed a complaint.

Bij de college van de rechten van de mens.

At the college of human rights.

Meer algemeen de vraag.