De werking van deep learning in voorbeelden

In deze serie artikelen behandelen we deep learning. Eerder gaven we al een definitie en in het vorige artikel gingen we in op de werking. Om de werking van deep learning te verduidelijken geven we in dit artikel een aantal voorbeelden van deep learning. Want hoe werkt deep learning nu precies?

Voorbeelden van deep learning – deep learning als kind

Om deep learning te begrijpen, stel je een peuter voor, waarvan het eerste woord “kat” is. De peuter leert wat een kat is (en wat geen kat is) door te wijzen op voorwerpen en het woord “kat” te zeggen. De ouder zegt “Ja, dat is een kat” of “Nee, dat is geen kat”. Naarmate de peuter op objecten wijst, wordt hij zich meer bewust van de eigenschappen die alle katten bezitten. Wat de peuter doet, is de complexe abstractie (het begrip “kat”) te verduidelijken door een hiërarchie te bouwen waarin elk niveau van abstractie wordt gecreëerd met kennis die is verkregen uit de voorafgaande laag van de hiërarchie.

Computerprogramma’s die gebruik maken van deep learning gaan door hetzelfde proces. Elk algoritme in de hiërarchie past een niet-lineaire transformatie toe op zijn input en gebruikt wat hij leert om een statistisch model als output te maken. Herhalingen blijven doorgaan totdat de output een acceptabel niveau van nauwkeurigheid heeft bereikt.

Voorbeelden van deep learning – deep learning in beeldherkenning

In het traditionele machine learning wordt het leerproces supervised uitgevoerd. De programmeur moet heel erg specifiek zijn wanneer hij de computer vertelt welke soorten dingen het moet zoeken bij het bepalen of een afbeelding een kat bevat. Dit is een moeizaam proces genaamd feature-extractie en de succesfrequentie van de computer hangt helemaal af van het vermogen van de programmeur om een featureset voor “kat” nauwkeurig te definiëren.

Het voordeel van deep learning is dat het programma zelf de featureset opbouwt, zonder toezicht. Dit is niet alleen sneller, het is meestal ook nauwkeuriger. Het programma maakt gebruik van de informatie in de trainingsdata om een featureset voor “kat” te maken en een voorspellend model op te bouwen. In dit geval kan het model in eerste instantie voorspellen dat alles met vier benen en een staart het label “kat” moet krijgen. Uiteraard is het programma niet bewust van de labels “vier benen” of “staart”, het zoekt simpelweg naar patronen in de data. Bij elke iteratie wordt het voorspellende model dat de computer maakt, complexer en nauwkeuriger.

Voorbeelden van deep learning – abstractieniveau’s van deep learning

Stel dat een diep neuraal netwerk foto’s interpreteert, waarvan sommige vogels tonen. De eerste laag eenheden zou kleine randen detecteren. Donker aan één kant, helder de andere kant. Het volgende niveau van neuronen, die gegevens analyseren die vanuit de eerste laag worden verzonden, zouden leren om dingen zoals hoeken te detecteren, waar twee randen zich bij een hoek aansluiten. Een van deze neuronen kan bijvoorbeeld sterk reageren op de hoek van een vogelbek.

Op het volgende niveau vind je meer ingewikkelde configuraties, zoals een stel randen die in een cirkel zijn aangebracht. Een neuron op dit niveau kan reageren op het hoofd van de vogel. Op een nog hoger niveau kan een neuron de terugkerende juxtapositie van snavelachtige hoeken in de nabijheid van hoofdvormige cirkels detecteren. En dat is een mooie cue dat het een vogelhoofd kan zijn. De neuronen van elke hogere laag reageren op concepten van grotere complexiteit en abstractie, tot een op het hoogste niveau overeen komt met ons concept van “vogel”.

Voorbeelden van deep learning – deep learning toegepast op andere data

Afbeeldingen zijn een goed voorbeeld van hoe dit werkt, omdat ze veel verschillende elementen bevatten. Het is niet makkelijk om te begrijpen hoe een computer ze op een zelfde manier kan interpreteren als een mens. Maar deep learning kan toegepast worden op elke vorm van data om conclusies te trekken die lijken alsof ze door mensen zijn genomen. Neem een systeem om te bepalen hoeveel voertuigen van een bepaald merk en model langsrijden. Dat krijgt toegang tot een databank van autotypen, waaronder hun vorm, grootte en motorgeluid. Vervolgens worden de gegevens die door camera’s en microfoons in de weg verzameld. Door deze gegevens te vergelijken met de gegevens die het geleerd heeft, kan het met een bepaalde waarschijnlijkheid voertuigen classificeren.

Naarmate het systeem meer ervaring opdoet, wordt de kans op een juiste indeling vergroot, door met deze nieuwe gegevens te trainen. Het kan bijvoorbeeld  onjuist beslissen dat een voertuig van een bepaald merk en model was, gebaseerd op hun gelijksoortige grootte en motorgeluid, omdat er een andere differentiator was, waarvan de kans dat het van belang was voor de beslissing als laag was bepaald. Door te leren dat deze differentiator in feite van vitaal belang is om het verschil tussen twee voertuigen te begrijpen, verbetert het de kans op een juiste uitkomst volgende keer.

Dit artikel is onderdeel van een serie.

Lees meer:

Deel 1 – Machine learning, neurale netwerken en deep learning uitgelegd
Deel 2 – Wat is deep learning: een introductie
Deel 3 – Hoe werkt deep learning – deep learning uitgelegd
Deel 5 – Toepassingen van deep learning – taal, beeld en zorg
Deel 6 – De toekomst van deep learning – technologie en investeringen
Infographic – Op weg naar echte AI met deep learning
Bronnen – Bronnen 3Bplus artikelen deep learning

Share This