Deze feestdagen blikken we terug op onze meest gelezen artikelen van het afgelopen jaar. We zetten er 9 voor jullie op een rijtje. Op nummer 7 vind je dit artikel waarin we dieper ingaan op deep learning.
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. Wanneer we AI-systemen de mogelijkheid te geven hun eigen kennis te vergaren door patronen uit data te halen, spreken we over machine learning. Met machine learning kunnen computers zichzelf (door middel van ervaring) verbeteren bij het uitvoeren van taken.
Machine learning bestaatdus uit algoritmes die leren dankzij data. Binnen machine learning vind je de subcategorie deep learning. Deep learning kenmerkt zich door de inzet van diepe neurale netwerken. Zoals de naam al doet vermoeden, onderscheiden deep neural networks zich van andere neurale netwerken door hun diepte. Een diep neuraal netwerk is een neuraal netwerk met meerdere lagen tussen de input- en outputlagen. Het grote aantal lagen maakt complexe transformaties mogelijk.
Bovenal zijn deep neural networks in staat om structuren te ontdekken binnen ongestructureerde en ongelabelde data; oftewel de overgrote meerderheid van alle gegevens ter wereld. Een van de problemen waar deep learning in uitblinkt, is het verwerken en bundelen van deze ruwe data. Oftewel: het onderscheiden van patronen in gegevens die geen mens ooit heeft georganiseerd of een naam heeft gegeven.
Lees meer: Hoe werkt Computer Vision (CV)?
Tekst gaat verder onder de afbeelding.
Neurale netwerken doen denken aan het menselijk brein. De neuronen in het netwerk vuren namelijk wanneer deze voldoende gestimuleerd worden. Op die manier wordt de input door de lagen heen gestuurd. Deep learning-netwerken eindigen in een outputlaag: een classificator die de kans geeft op een bepaald resultaat. Neem data in de vorm van een beeld: het netwerk kan bijvoorbeeld beslissen dat de input 90 procent waarschijnlijk een persoon toont.
Om te leren heeft het netwerk ook een manier nodig om te zien of het juiste resultaat gegeven werd. En zo niet, een signaal terug te sturen zodat alle neuronen zich kunnen afstemmen om de resultaten te verbeteren. Dit is het recept voor betere prestaties: hoe meer data een netwerk kan trainen, hoe nauwkeuriger het waarschijnlijk zal zijn. Het netwerk moet misschien wel miljoenen beelden zien om zichzelf af te stemmen, zodat het voortaan vrijwel altijd het juiste antwoord geeft. Het is op dat moment dat het neurale netwerk heeft geleerd hoe een persoon eruitziet.
Om een acceptabel niveau van nauwkeurigheid te bereiken, hebben deep learning-programma’s toegang nodig tot enorme hoeveelheden trainingsgegevens. Gelukkig is deep learning dus in staat om ook met ongelabelde data te werken, oftewel data die niet eerst geclassificeerd is door mensen.
Lees meer: Is het Internet of Things hetzelfde als AI?
Deep learning-technieken zijn op dit moment de state of the art voor het identificeren van patroonherkenning, zoals objecten in afbeeldingen en woorden in geluiden. We geven een voorbeeld: neem een systeem dat bepaalt 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.
Volg 3Bplus op LinkedIn om onze countdown met best gelezen artikelen te volgen.
Meer lezen over dit onderwerp?
Misschien vind je deze artikelen ook interessant:
Schiphol voorkomt vertragingen met video-analyse met deep learning
Historische figuren gefotografeerd met Artificial Intelligence (AI)
Artificial Intelligence ingezet bij detectie tumoren in longen en bloed
Deep fake-video’s kunnen onze mening over een persoon veranderen
