© 2025 SURF
In het boek komen 40 experts aan het woord, die in duidelijke taal uitleggen wat AI is, en welke vragen, uitdagingen en kansen de technologie met zich meebrengt.
Staatssecretaris Van Huffelen (Digitale Zaken) wil ambtenaren verplichten een ‘mensenrechten-impact-assessment’ uit te voeren bij nieuwe én bestaande algoritmes. Een goede ontwikkeling, vinden Quirine Eijkman en collega’s van het College voor de Rechten van de Mens. Maar dan met bindende discriminatietoets.
LINK
Ongeveer een derde van onze nationale energieconsumptie wordt gebruikt in gebouwen voor verwarming, koeling, verlichting en elektrische apparatuur. Milieuoverwegingen, voorzieningszekerheid en kosten maken dat wij slim met de energievoorziening in de gebouwde omgeving om moeten gaan. Maar alle slimheid, innovatie en creativiteit ten spijt is het gasverbruik van woningen gebouwd in 2010 niet lager dan van woningen gebouwd in 1995, zijn de woningen niet gezonder geworden, gebruikt de gebouwde omgeving ook nog ieder jaar meer elektriciteit en zijn er nauwelijks duurzame installaties die naar behoren werken. Wat leren wij daarvan? Hoe zorgen wij ervoor dat duurzaamheid meer dan een losse kreet wordt en onze hele energieketen echt duurzaam wordt? Naast innovatie en creativiteit zijn kennis en vakmanschap belangrijk. Systemen modelleren en simuleren, en het gebruiken van virtual environments om grip te krijgen op het ontwerp, regeling en onderhoud van complexe binnenklimaatinstallaties en energie-installaties zullen hierbij in de toekomst een steeds belangrijkere rol gaan spelen.
Met de historische goedkeuring van de EU-AI Act (AIA) door het Europees Parlement, staan we aan de vooravond van een nieuw tijdperk in de regulering van kunstmatige intelligentie binnen de Europese Unie.
LINK
Industrial robot manipulators are widely used for repetitive applications that require high precision, like pick-and-place. In many cases, the movements of industrial robot manipulators are hard-coded or manually defined, and need to be adjusted if the objects being manipulated change position. To increase flexibility, an industrial robot should be able to adjust its configuration in order to grasp objects in variable/unknown positions. This can be achieved by off-the-shelf vision-based solutions, but most require prior knowledge about each object tobe manipulated. To address this issue, this work presents a ROS-based deep reinforcement learning solution to robotic grasping for a Collaborative Robot (Cobot) using a depth camera. The solution uses deep Q-learning to process the color and depth images and generate a greedy policy used to define the robot action. The Q-values are estimated using Convolutional Neural Network (CNN) based on pre-trained models for feature extraction. Experiments were carried out in a simulated environment to compare the performance of four different pre-trained CNNmodels (RexNext, MobileNet, MNASNet and DenseNet). Results showthat the best performance in our application was reached by MobileNet,with an average of 84 % accuracy after training in simulated environment.
Melkveehouders beschikken over alsmaar meer data van hun dieren. De uitdaging is om die datastromen op de juiste manier te gebruiken. Het lijkt erop dat de crux zit in het combineren van verschillende gegevens.
MULTIFILE
De bedrijfsvoering in de landbouw moet zich steeds innoveren om aan te sluiten bij eisen aan producten en effecten op milieu. Kennis en gegevens van bedrijfsvoering zal bij die innovatie gebruikt moeten worden. Op de korte termijn zal een verbeterde overdracht van bestaande generieke kennishierbij een belangrijke rol spelen, omdat veel telers nog niet alle kennis en ervaringen goed gebruiken voor verbetering van kwaliteit, opbrengst en rendement. Op de langere termijn zal ook beter gebruikgemaakt moeten worden van situatiespecifieke gegevens. Hierbij zal aangesloten moeten worden bij ontwikkelingen in de Informatie en Communicatie Technologie (ICT), zoals toegepast in zelflerendesystemen. Dergelijke systemen passen gegevens en kennisregels toe om teeltadvies te genereren. Op basis van de geregistreerde resultaten die met gerealiseerd teelt management bereikt worden, wordendaarna de gegevens en kennisregels aangepast, waarmee in het volgende seizoen een nieuw advies wordt gegenereerd.Dit rapport beschrijft een aantal activiteiten die zijn verricht in het kader van het AgroBiokon project met als oogmerk om:1. te inventariseren wat voor benaderingen er nu al zijn t.a.v. al dan niet geautomatiseerde systemen voor kennisoverdracht (hoofdstukken 4 en 5)2. te inventariseren wat voor teeltregistratie nodig is voor zelflerende systemen (hoofdstuk 6)3. te bekijken welke generieke gegevensbestanden er zijn om te gebruiken als basis voor zelflerendesystemen (hoofdstuk 7)4. een aantal methoden te vergelijken die de basis kunnen vormen voor zelflerende systemen(hoofdstuk 8)5. voorbeelden te geven van toepassing van die methoden in bestaande situaties (hoofdstukken 9en 13)6. inzichten van partners te inventariseren over de mogelijkheden van nieuwe systemen voorteeltinnovatie (hoofdstuk 10)7. een beschrijving te geven van een project om innovatie in de (zetmeel) aardappelproductie testimuleren (hoofdstuk
MULTIFILE
