Wat is AI Inference?

Wat betekent AI-gevolgtrekking?

AI-inferenties gebruiken een getraind AI-model om voorspellingen of beslissingen te maken.  Ten eerste wordt een AI-model gevoed met een grote gegevensset met informatie, die alles kan omvatten, van afbeeldingen en tekst tot audio- en sensoraflezingen.

Het model analyseert deze gegevens en leert patronen en relaties te identificeren. Dit leerstadium wordt training genoemd. Wanneer het model is getraind, kan het nieuwe, ongeziene gegevens ontvangen.

Op basis van de patronen die het tijdens de training heeft geleerd, kan het model vervolgens voorspellingen of beslissingen maken over deze nieuwe gegevens. Een model dat bijvoorbeeld is getraind op een enorme gegevensset met tekst, kan vervolgens bij een prompt mensachtige tekst genereren.

Misschien "zie" je de AI-gevolgtrekking niet altijd direct. In plaats daarvan ervaar je het vaak via applicaties zoals web-apps, API’s of chatbots. Deze interfaces bieden een gebruiksvriendelijke manier om met het AI-model te communiceren, terwijl het feitelijke afleidingsproces achter de schermen plaatsvindt.

Het proces van concluderen

Het AI-inferentieproces bestaat doorgaans uit een paar belangrijke stappen:

• Input : Nieuwe gegevens worden in het getrainde AI-model ingevoerd. Deze gegevens kunnen een afbeelding, een zin, een geluidsfragment of andere informatie zijn die het model kan verwerken.
   
• Processing : Het model analyseert de invoergegevens op basis van de patronen die het tijdens de trainingsfase heeft geleerd. Het kan de invoer vergelijken met bekende voorbeelden, relevante functies extraheren of complexe wiskundige berekeningen toepassen.
   
• Output : Op basis van de analyse genereert het model een voorspelling, classificatie of beslissing. Dit kan van alles zijn, van het identificeren van een object in een afbeelding tot het vertalen van een zin, tot het voorspellen van de waarschijnlijkheid van een gebeurtenis.

Een AI-model dat getraind is om frauduleuze creditcardtransacties te detecteren, kan bijvoorbeeld transactiedetails (bedrag, locatie, tijd, enz.) als invoer nemen, deze details op verdachte patronen analyseren en vervolgens een voorspelling doen — "frauduleus" of "niet frauduleus".

In essentie zet AI-inferenties de kennis van een AI-model in actie, waardoor het reële problemen kan oplossen en intelligente beslissingen kan nemen.

Machine Learning Modellen

AI-afleiding is sterk afhankelijk van machine learning-modellen, algoritmen waarmee computers zonder expliciete programmering van gegevens kunnen leren. Deze modellen zijn de "hersenen" achter AI-systemen, waardoor ze patronen kunnen herkennen, voorspellingen kunnen doen en complexe taken kunnen uitvoeren.

Trainingsmodellen

Voordat een artificiële intelligentie model kan afleiden, moet het worden getraind. Dit houdt in dat het model een enorme hoeveelheid gegevens ontvangt en in staat wordt gesteld de onderliggende patronen en relaties te leren kennen. U kunt het vergelijken met studeren voor een examen: hoe meer u studeert (of, hoe meer gegevens het model leert), hoe beter u presteert op de test (of, hoe nauwkeuriger de voorspellingen van het model).

Tijdens de training past het model de interne parameters aan om fouten tot een minimum te beperken en nauwkeurigheid te verbeteren. Dit proces omvat vaak complexe wiskundige optimalisatietechnieken en kan veel tijd en rekenkracht in beslag nemen, vooral bij grote en complexe modellen.

Je hoeft niet altijd helemaal opnieuw te beginnen. Veel krachtige voorgetrainde modellen zijn gemakkelijk beschikbaar, vaak via open-source platforms. Deze modellen zijn al getraind op enorme datasets en kunnen nog verder worden afgestemd op specifieke taken of direct worden ingezet voor gevolgtrekkingen - bijvoorbeeld via OVHcloud AI Deploy.

Soorten leren

Machine learning-modellen kunnen met verschillende benaderingen worden getraind, die elk geschikt zijn voor verschillende soorten taken en gegevens:

• Bij gecontroleerd leren wordt een model getraind op gelabelde gegevens, waarbij elk gegevenspunt is gekoppeld aan een bekende uitvoer of label. Een model dat getraind is om katten in beelden te herkennen, krijgt bijvoorbeeld afbeeldingen die gelabeld zijn als "kat" of "geen kat". Het model leert inputs aan outputs toe te wijzen op basis van deze gelabelde gegevens.
   
• Ongecontroleerd leren Hierbij wordt een model getraind op ongelabelde gegevens om verborgen patronen of structuren te ontdekken. Een model kan bijvoorbeeld klanten in verschillende segmenten groeperen op basis van hun koopgedrag.
   
• Reinforcement learning : Dit houdt in dat een model wordt getraind door middel van vallen en opstaan, waarbij het leert om acties te ondernemen in een omgeving om een beloning te maximaliseren. Een model dat een robot bestuurt zou bijvoorbeeld kunnen leren om door een doolhof te navigeren door beloningen te ontvangen voor het bereiken van het doel en straffen voor het raken van obstakels.

De keuze van de leeraanpak hangt af van de specifieke toepassing en de beschikbare gegevens voor uw AI-oplossingen. Elk type van het leren heeft zijn sterke en zwakke punten, en onderzoekers zijn voortdurend nieuwe en verbeterde technieken te ontwikkelen.

Let op: net als bij training is rekenkracht een vereiste voor AI-inferenties. De complexiteit van het model, de grootte van de invoergegevens en de gewenste snelheid van afleiding beïnvloeden alle de benodigde computerverwerkingsresources. Hoewel GPU's vaak de voorkeur krijgen vanwege hun parallelle verwerkingsmogelijkheden, kunnen CPU's ook worden gebruikt, met name voor minder veeleisende taken.

Hoewel er al tientallen jaren traditionele machine learning-modellen bestaan, hebben recente ontwikkelingen in deep learning de mogelijkheden van AI aanzienlijk uitgebreid. Deep learning-modellen worden geïnspireerd door de structuur en functie van het menselijk brein, waarbij een kunstmatig neuraal netwerk met meerdere lagen wordt gebruikt om informatie hiërarchisch te verwerken.

Hierdoor kunnen ze complexe patronen en weergaven leren van grote hoeveelheden data, wat leidt tot doorbraken in verschillende AI-applicaties.

De impact van AI, met name deep learning, is duidelijk zichtbaar in talrijke sectoren en applicaties. In de gezondheidszorg wordt AI gebruikt om ziekten nauwkeuriger te diagnosticeren, nieuwe geneesmiddelen en behandelingen te ontwikkelen, behandelingsplannen voor individuele patiënten te personaliseren en de algehele patiëntenzorg te verbeteren.

Gegevensverwerking voor gevolgtrekking

Hoewel het trainen van een AI-model cruciaal is, is efficiënte gegevensverwerking essentieel voor succesvolle AI-inferenties.  Hierbij worden de invoergegevens voorbereid en getransformeerd in een indeling die het model kan begrijpen en gebruiken om nauwkeurige en tijdige voorspellingen te genereren.

Realtime gevolgtrekking

Veel AI-applicaties vereisen realtime gevolgtrekkingen, waarbij het model gegevens moet verwerken en ogenblikkelijk voorspellingen moet genereren. Dit is met name belangrijk voor toepassingen als:

• Autonome voertuigen : Zelfrijdende auto's maken gebruik van realtime gevolgtrekkingen om sensorgegevens (camera's, lidar, radar) te verwerken en beslissingen in een fractie van een seconde te nemen om veilig te navigeren. Vertragingen bij het afleiden kunnen tot ongelukken leiden.
   
• Fraude opsporen  Realtime gevolgtrekkingen zijn van cruciaal belang om frauduleuze transacties op het moment dat ze zich voordoen te identificeren, financiële verliezen te voorkomen en gebruikers te beschermen.
   
• High-frequency trading : Op de financiële markten zijn milliseconden belangrijk. AI-modellen moeten marktgegevens analyseren en transacties in realtime uitvoeren om kansen te benutten.

Om real-time gevolgtrekkingen te maken zijn efficiënte datapijplijnen nodig om de continue instroom van gegevens te verwerken, noodzakelijke voorverwerkingsstappen uit te voeren (opschonen, formatteren, functies extraheren) en de verwerkte gegevens met minimale latentie aan het model te leveren.

Op de cloud gebaseerde afleidingsmodellen

Cloud computing is steeds belangrijker geworden voor AI-inferenties, vooral voor applicaties die schaalbaarheid en hoge beschikbaarheid vereisen. Cloud platforms bieden verschillende voordelen:

• Schaalbaarheid: Cloud-resources kunnen eenvoudig naar behoefte worden opgeschaald of verlaagd, waardoor AI-systemen fluctuerende workloads aankunnen en groeiende gegevensvolumes kunnen verwerken.
   
• Toegankelijkheid Op de cloud gebaseerde inferentiemodellen zijn overal toegankelijk met een internetverbinding, waardoor implementatie op verschillende apparaten en locaties mogelijk is.
   
• Kosteneffectiviteit: Cloud-platforms bieden pay-as-you-go-prijsmodellen, waarmee gebruikers alleen betalen voor de resources die ze verbruiken. Dit kan kosteneffectiever zijn dan het onderhouden van on-site infrastructuur.
   
• Specialized Hardware: Cloudproviders bieden toegang tot gespecialiseerde hardware zoals GPU's en TPU's, die voor AI-workloads zijn geoptimaliseerd en die de afleiding aanzienlijk kunnen versnellen.

Door gebruik te maken van op de cloud gebaseerde inferentiemodellen kunnen bedrijven en ontwikkelaars AI-applicaties efficiënter implementeren en opschalen, infrastructuurkosten verlagen en zich richten op het ontwikkelen van innovatieve oplossingen.