Deeplearning versus Machinelearning
Algoritmes verbeteren zichzelf door te leren van gegevens. Het initiële algoritmeontwerp, de keuze van het model en de architectuur worden meestal bepaald en bewaakt door menselijke technici. Computers "leren" vervolgens voorspellingen en/of beslissingen te maken door patronen van statistische herhaling te herkennen. Machinaal leren wordt gezien als een relatief nieuw gebied, maar het bestaat al tientallen jaren en is ontstaan uit de behoefte aan artificiële intelligentie. De term werd oorspronkelijk bedacht in 1959 door Arthur Samuel, een pionier in het onderzoek naar artificiële intelligentie die bij IBM werkte. Samuel ontwikkelde een computerprogramma om te dammen. Het programma had een functie om de posities van stukken op het spelbord te scoren. De scorefunctie maakte gebruik van machine learning om de kans te bepalen dat een van beide zijden zou winnen.
Hoe werkt machinelearning?
Machinelearning maakt voor patroonherkenning hoofdzakelijk gebruik van datamining (d.w.z. het extraheren van informatie uit grote hoeveelheden gegevens). Deze patronen worden vervolgens gebruikt om de analyse en algoritmes verder te verfijnen. Natuurlijk bepaalt de kwaliteit van de invoergegevens hoe nauwkeurig het model zal zijn. Onjuiste of verouderde gegevens zullen onnauwkeurige voorspellingen opleveren. Het trainen van de machine is de belangrijkste stap in machinelearning. De opgeschoonde gegevens worden verdeeld in twee sets: een trainingsset en een testset. De trainingsset wordt aan het machinelearning-model gevoerd en het wordt vervolgd, zodat het model patronen kan vinden en voorspellingen kan doen. Deze voorspellingen worden vervolgens vergeleken met de testset om de nauwkeurigheid van het model te controleren. Na verloop van tijd, met de juiste training, wordt het model beter in het voorspellen en kan het zelfstandig functioneren met minimale menselijke interventie.
Hoe werkt deeplearning?
Deep learning is een subset van machine learning waarbij geavanceerde algoritmemodellering wordt toegepast. Zoals reeds vermeld werkt machine learning door informatie uit grote hoeveelheden invoergegevens te halen en patronen te herkennen zonder daartoe expliciet geprogrammeerd te zijn. Deze computers denken en handelen echter nog steeds als machines (d.w.z. op een meer lineaire manier), en hun vermogen om complexere taken te leren en uit te voeren is nog steeds ver verwijderd van wat het menselijk brein kan.
Deeplearning-modellen daarentegen hebben een verfijndere algoritmische aanpak van machinelearning waarbij het model veel meer op het menselijk brein lijkt. Complexe en meerlaagse neurale netwerken (met soms duizenden lagen) zijn gebouwd om gegevens via zeer veel verbindingen tussen knooppunten door te kunnen geven, vergelijkbaar met hoe neuronen werken in het menselijk brein. Neurale netwerken worden ook wel artificiële neurale netwerken (ANN's) of gesimuleerde neurale netwerken (SNN's) genoemd. Deze aanpak vereist extreem grote hoeveelheden correct geconfigureerde gegevens, maar het kan onmiddellijk resultaten beginnen te genereren en er is relatief weinig behoefte aan menselijk ingrijpen zodra de data-infrastructuur is geïmplementeerd.
Machinelearning versus Deeplearning
Er zijn een aantal belangrijke verschillen tussen een machinelearning-programma en een deeplearning-programma. Ten eerste vereist machinelearning meer menselijke input om resultaten te behalen, terwijl het opzetten van deeplearning meer tijd vraagt. Dit kan echter wel onmiddellijk resultaten opleveren en vereist minimale menselijke interventie zodra het werkt.
Een machinelearning-programma gebruikt algoritmes die minder complex zijn dan de algoritmes die in een deeplearning-programma worden gebruikt. Ze kunnen op traditionele computerconfiguraties draaien en een netwerk trainen om bepaalde gegevens te detecteren. Voor systemen voor deep learning zijn daarentegen investeringen in complexere configuraties met grafische verwerkingseenheden (GPU’s) nodig, die breedbandig geheugen vereisen en tevens efficiënt meerdere bewerkingen tegelijk kunnen uitvoeren.
Machine learning heeft gestructureerdere gegevens nodig en gebruikt vaak eenvoudige algoritmes zoals lineaire regressie, een data-analysetechniek die de waarde van onbekende gegevens voorspelt met behulp van andere gerelateerde en bekende gegevenswaarden. Deep learning maakt daarentegen gebruik van neurale netwerken en kan grote volumes ongestructureerde gegevens verwerken.
In machinelearning-modellen draagt elke laag in het neurale netwerk bij aan de hiërarchische weergave van gegevens, waardoor een systeem gefundeerde voorspellingen kan doen of beslissingen kan nemen zonder een expliciet programma voor elk scenario. Machinelearning bestaat al tientallen jaren en is een van de toepassingen die vaak worden gebruikt door uw bank en de kliniek van uw arts. Deeplearning vertrouwt op neurale netwerken om complexe patronen te modelleren en te begrijpen. Hierdoor kunnen netwerksystemen ingewikkelde beslissingen nemen op basis van uitgebreide gegevensanalyse. Deze technologie maakt complexe en autonome taken mogelijk zoals computerlinguïstiek en robots die leren hoe ze ingewikkelde chirurgische ingrepen kunnen uitvoeren.
Praktijkvoorbeelden van machinelearning
Machinelearning wordt in ons dagelijks leven vaak gebruikt.
Beeldherkenning
Beeldherkenning is een wetenschappelijke benadering waarbij een computerprogramma wordt gebruikt om informatie uit een afbeelding te halen, die kan worden gebruikt om het beeld te reconstrueren. Dit kan helpen een persoon te identificeren aan de hand van een foto, wat vaak voorkomt bij identiteitsdiefstal.
Spraakherkenning
Een geweldig voorbeeld van moderne wetenschap is het getrainde gebruik van machinelearning met spraakherkenning. Het stroomlijnen van gebruikersinteracties door middel van spraakherkenningstechnologie kan handsfree controle over apparaten mogelijk maken, spraak in tekst voor documenten omzetten en spraakopdrachten voor virtuele assistenten faciliteren.
Fraude opsporen
Een andere toepassing van machinelearning is fraudedetectie. Criminelen die bijvoorbeeld creditcardfraude plegen, veranderen hun tactieken voortdurend, waardoor traditionele detectiemethoden in de loop van de tijd verouderd raken. Machinaal leren kan helpen dit probleem te overwinnen. Telkens wanneer een klant een creditcardtransactie uitvoert, onderzoekt het machinelearning-programma zorgvuldig hun profiel en hun eerdere transacties in het netwerk om ongebruikelijke patronen en fraude op te sporen. Met behulp van stream processing en realtime toegang tot gegevens kunnen creditcardbedrijven fraude detecteren en voorkomen, doordat machines steeds meer te weten komen over de gewoontes van de klant. Bij stream processing worden data bijvoorbeeld geanalyseerd terwijl ze door de lagen van het systeem stromen. Realtime toegang tot gegevens maakt proactieve identificatie van frauduleuze activiteiten mogelijk. Hierdoor is een onmiddellijk antwoord mogelijk en besparen consumenten en creditcardbedrijven tijd, moeite en daarnaast miljarden dollars.
Verkeer voorspellen
Machinelearning wordt ook gebruikt voor verkeersvoorspelling. Tegenwoordig is het gebruik van GPS in ons dagelijks leven een routine geworden. We gebruiken GPS in onze auto's, bijvoorbeeld om een restaurant te vinden, door een nieuwe stad te navigeren of om druk verkeer te ontwijken om op tijd bij onze bestemming aan te komen. Navigatietools zoals Google Maps tonen u de tijd die nodig is voor uw reis, berekenen uw geschatte aankomsttijd en creëren de efficiëntste routes op basis van de omstandigheden op de weg en het voorspelde verkeer. Ze kunnen u ook een beeld van uw bestemming tonen, waardoor u de omgeving beter herkent. Daarnaast vertrouwen logistieke bedrijven en transporteurs sterk op verkeersvoorspellingen om zowel tijd als geld te besparen. Verschillende typen machinelearning-algoritmes worden getraind voor het voorspellen van verkeer, waaronder regressie en tijdreeksanalyse. Gezien de hoeveelheid tijd die we in onze auto's doorbrengen naar allerlei bestemmingen, is alle tijd die we dankzij de wetenschap van verkeersvoorspelling besparen veel waard.
Praktijkvoorbeelden van deeplearning
Deeplearning omringt ons ook en wordt langzaam maar zeker een van de hoofdkenmerken van ons hedendaagse leven.
Natuurlijke taalverwerking
Natural Language Processing (NLP) of natuurlijke taalverwerking is een kennisgebied dat zich richt op de interactie tussen menselijke taal en computers. Mensen krijgen vanaf hun geboorte constant taaltraining en worden aan een groot aantal sociale omstandigheden blootgesteld. Hierdoor ontwikkelen ze passende reacties en persoonlijke uitdrukkingsvormen. Natuurlijke taalverwerking door middel van deep learning beoogt dezelfde resultaten te bereiken door machines te trainen taalkundige nuances te begrijpen om passende communicatie te formuleren. Een van de belangrijkste toepassingen van deeplearning in NLP is automatisch vertalen.
Deeplearning-modellen worden getraind op grote datasets met menselijke taal om tekst van de ene taal naar de andere te vertalen. Deze technologie heeft allerlei toepassingen, vooral voor internationale organisaties, waaronder het vertalen van marketingcommunicatie en websites, alsmede interne bedrijfscommunicatie. Vertalers hoeven niet langer te netwerken om het juiste begrip voor een woord te vinden. Machines zijn getraind om een breed vocabulaire voor hen te leren en de resulterende computerprogramma's kunnen hun productie enorm verhogen.
Een belangrijke functie van deeplearning in NLP is sentimentanalyse. Deze hoogontwikkelde wetenschap gebruikt algoritmes om tekstlagen te analyseren om houdingen, meningen en emoties van consumenten te kwantificeren. Deeplearning-modellen kunnen worden gebruikt om een tekstlaag nauwkeurig te classificeren als positief, neutraal of negatief. Hierdoor kunnen bedrijven waardevolle inzichten verwerven in het gevoel van klanten ten opzichte van hun producten en/of services. Dit kan hen weer helpen om beter geïnformeerde beslissingen te nemen, waardoor de klanttevredenheid en klantrelaties worden verbeterd. Hoewel deep learning soms nog steeds niet aan menselijke vaardigheden kan tippen, heeft het een hele nieuwe wereld aan mogelijkheden op basis van natuurlijke taalverwerking geopend. Hierdoor kunnen we menselijke taal op nooit eerder geziene wijze begrijpen en ermee omgaan.
Geneeskunde
Deep learning speelt ook een belangrijke rol in de geneeskunde. Chirurgen gebruiken bijvoorbeeld DL-applicaties om klinische diagnoses te stellen, besluitvorming te ondersteunen, chirurgische training te verbeteren, medische beelden te interpreteren en preoperatieve planning en intra-operatieve procedures voor te bereiden, waardoor ze de veiligheid van en de resultaten voor patiënten kunnen verbeteren. De verwachtingen zijn hooggespannen over de mogelijke verbeteringen in de patiëntenzorg, maar het kan ook moeilijk zijn om uit te leggen hoe een deeplearning-algoritme tot een bepaalde conclusie komt. Dit leidt soms tot een zekere mate van scepsis bij patiënten. Met uitleg kunnen vragen over de machinale output versus de menselijke output vaak succesvol worden beantwoord, naast het voortdurend delen van succesverhalen.
Inzake het toepassen van deep learning bij chirurgie besteden artsen gewoonlijk decennia aan het leren en verfijnen van hun vaardigheden, door deel te nemen aan honderden begeleide ingrepen om diverse methoden te perfectioneren en de beste technieken te leren.
Helaas zijn menselijke beperkingen vaak een struikelblok, zoals geheugen, de tijd die nodig is om data op te nemen en de realiteit van een beperkt aantal uren per dag. Een deeplearning-programma daarentegen kan een zee aan netwerkinformatie in luttele seconden verwerken. Chirurgische robots met bovenmenselijke precisie kunnen dan met deze informatie worden geprogrammeerd. Zonder beperkingen qua tijd of geheugen kunnen deeplearning-systemen een enorme laag gegevens verwerken en opnamen en foto’s van duizenden operaties in enkele seconden verwerken. Ze kunnen zich zowel de eerste als de laatst geziene ingreep herinneren en die informatie gebruiken bij het verfijnen van hun methoden. Bovendien zorgt het gebruik van deep learning-algoritmes door een gestroomlijnde patiëntenzorg en meer geautomatiseerde chirurgische procedures voor meer efficiëntie. Hierdoor hebben meer mensen toegang tot de gezondheidszorg en levensreddende chirurgische ingrepen.
De toekomst van machinelearning
Machinelearning is een subset van artificiële intelligentie die al sinds de jaren vijftig bestaat en die veel wordt toegepast in ons dagelijks leven. Machinelearning zal ongetwijfeld onbegrensde toepassingen voor bedrijven en individuen mogelijk blijven maken. Dit zal levens beter maken door tijd en geld te besparen, de toegang tot de gezondheidszorg en de resultaten ervan verbeteren, om maar een paar voorbeelden te noemen. Wie kan voorspellen wat de toekomst brengt? Wat ooit sciencefiction leek, met beelden van robots die leren hoe we onze dagelijkse werk moeten doen, is werkelijkheid geworden. Hoewel er zorgen zijn over het vervangen van mensen door machines, is de waarheid dat menselijke kennis altijd nodig zal zijn. Artificiële intelligentie is een aanvulling, geen vervanging. De mogelijkheden die machinelearning ons biedt, zijn onbeperkt, maar één ding is zeker: deze revolutie is een blijvertje!
AI Deploy
Als u het einde van een AI-projectcyclus heeft bereikt en uw machinelearning-modellen of -toepassingen in productie heeft genomen, dan weet u dat deze resource-intensieve fase van industrialisatie een echte uitdaging kan zijn.
AI Training
Start uw AI-trainingstaken in de cloud zonder u zorgen te hoeven maken over hoe de infrastructuur werkt. Met AI Training kunnen datascientists zich op hun kernactiviteiten concentreren, zonder zich zorgen te hoeven maken over het orkestreren van computing-resources.
Data Analytics
Naast onze reeks storage- en machine learning-oplossingen biedt OVHcloud een portfolio aan data analytics-services om moeiteloos uw gegevens te analyseren. Van gegevensinvoer tot gebruik: we hebben heldere oplossingen gebouwd die u helpen uw kosten te beheersen en snel te beginnen.
OVHcloud cloud storage
Soms zijn er beperkingen die van het type gegevens afhangen dat u moet opslaan en waarvoor deze worden gebruikt — dus is een oplossing op maat nodig.