Facebook heeft een Artificial Intelligence-algoritme ontwikkeld dat minder afhankelijk is van labels, zoals normaal gesproken gebruikelijk is bij supervised learning. Het gaat om een zogenoemd self-supervised learning-algoritme. Het niet meer hoeven labelen van afbeeldingen scheelt enorm veel werk.
Voordat we ingaan op dit nieuwe algortime doen we eerst even een stapje terug met wat algemene uitleg over de werking van dit type algoritmes.
Artificial Intelligence (AI) omvat een breed scala van technologieën waarmee computers problemen kunnen oplossen op een manier die (op zijn minst oppervlakkig) lijkt op het menselijke denken. Maar waar komt deze intelligentie vandaan? Machine learning is zo’n technologie. Met machine learning kunnen computers zichzelf (door middel van ervaring, oftewel: trainen) verbeteren bij het uitvoeren van taken.
Lees ook: Vier methoden van machine learning
Machine learning-systemen moeten dus getraind worden om tot betere antwoorden te komen. Dat trainen kan op verschillende manieren gebeuren, bijvoorbeeld met supervised learning. Hierbij wordt het systeem niet alleen gevoed met input, maar ook meteen met de juiste output. We noemen dit ook wel gelabelde voorbeelden: input waarvan de gewenste output bekend is.
Het systeem leert door zijn antwoorden steeds te vergelijken met de juiste output, waarbij het systeem zichzelf waar nodig aan kan passen. Het doel is dat het systeem zichzelf de regels leert die de gegeven input vertalen naar deze gewenste output. Het systeem leert dus verbanden te zien tussen de input en de output. Als het machine learning-proces goed wordt doorlopen, maakt het systeem steeds minder fouten en kan deze uiteindelijk op basis van nieuwe input de juiste output produceren.
Tekst gaat verder onder de afbeelding.
Het handmatig selecteren en labelen van data waarmee we kunstmatige intelligentie trainen, is een enorme klus. Facebook komt nu dus echter met een algoritme dat bij het herkennen van afbeeldingen veel minder afhankelijk is van die labels. Het AI-algoritme heeft de toepasselijke naam Seer (SElf-supERvised) meegekregen. Het gaat hier namelijk om een self-supervised learning-algoritme.
Seer werd getraind met meer dan een miljard afbeeldingen van Instagram om bijvoorbeeld alle beelden te selecteren waar snorharen, vacht en puntige oren in voorkomen (via AGConnect). Daarna waren er slechts nog een beperkt aantal gelabelde kattenplaatjes nodig. Uiteindelijk wist het algoritme kattenplaatjes toch even goed herkennen als een algoritme dat op duizenden gelabelde afbeeldingen werd getraind.
Lees ook: Hoe werkt Computer Vision (CV)?
Zoals gezegd is het handmatig labelen van data enorm veel werk. Ook kost het enorm veel stroom om kunstmatige intelligentie enorme hoeveelheden trainingsdata te laten verstouwen. Het self-supervised learning-algoritme van Facebook kan zodoende een mooie doorbraak betekenen. In het geval van het social mediaplatform kan het dan bijvoorbeeld gaan om het verwijderen van ongepast beeldmateriaal. De toepassingen zijn echter veel breder. Denk maar eens aan het beoordelen van foto’s en scans in de gezondheidszorg. Het is in dat geval niet langer nodig om al die beeldvorming eerst handmatig te labelen voordat het algoritme tot valide en betrouwbare conclusies komt.
Wil je meer weten over de slimme (telecom)oplossingen van 3Bplus? We hebben ons in de afgelopen jaren gespecialiseerd in de nieuwste innovaties op het gebied van telecom en de toepassing van smart-technologie, zoals in smart cities en smart homes. Wij laten u graag de mogelijkheden en de voordelen zien. Neem gerust contact met ons op voor meer informatie.
Meer lezen over dit onderwerp?
Misschien vind je deze artikelen ook interessant:
6 trends op het gebied van enterprise Artificial Intelligence (AI)
De rol van Artificial Intelligence-algoritmes bij de toeslagenaffaire
Machine learning-algoritme draagt bij aan langer thuis wonen
Zo werken slimme camera’s die smartphones in de auto detecteren
Mis nooit meer een artikel: volg ons op LinkedIn.
