Wat is diep leren?

Diep leren is daar een specifieke subset van machinaal leren (de werking van kunstmatige intelligentie). Hoewel deze tak van programmeren erg complex kan worden, begon het met een heel simpele vraag: “Als we willen dat een computersysteem intelligent handelt, waarom modelleren we het dan niet naar het menselijk brein?”

Die ene gedachte heeft de afgelopen decennia geleid tot veel pogingen om algoritmen te creëren die de manier waarop het menselijk brein werkt nabootsen – en die problemen kunnen oplossen op dezelfde manier als mensen dat doen. Deze inspanningen hebben waardevolle, steeds competentere analyse-instrumenten opgeleverd die op veel verschillende gebieden worden gebruikt.

Het neurale netwerk en hoe het wordt gebruikt

Diep leren dankt zijn naam aan de manier waarop het wordt gebruikt om ‘ongestructureerde’ gegevens te analyseren, of gegevens die nog niet eerder door een andere bron zijn gelabeld en mogelijk definitie nodig hebben. Dat vereist een zorgvuldige analyse van wat de gegevens zijn, en herhaalde tests van die gegevens om tot een definitieve, bruikbare conclusie te komen. Computers zijn traditioneel niet goed in het analyseren van dit soort ongestructureerde gegevens.

Denk er eens over na in termen van schrijven: als je tien mensen hetzelfde woord zou laten schrijven, zou dat woord er voor elke persoon heel anders uitzien, van slordig tot netjes, en van cursief tot gedrukt. Het menselijk brein heeft er geen probleem mee om te begrijpen dat het allemaal hetzelfde woord is, omdat het weet hoe woorden, schrijven, papier, inkt en persoonlijke eigenaardigheden allemaal werken. Een normaal computersysteem zou echter niet kunnen weten dat die woorden hetzelfde zijn, omdat ze er allemaal zo verschillend uitzien.

Dat brengt ons bij via neurale netwerken, de algoritmen die speciaal zijn gemaakt om de manier na te bootsen waarop de neuronen in de hersenen met elkaar omgaan. Neurale netwerken proberen gegevens te ontleden op de manier waarop een geest dat kan: hun doel is om met rommelige gegevens – zoals schrijven – om te gaan en bruikbare conclusies te trekken, zoals de woorden die schrijven probeert te laten zien. Het is het gemakkelijkst te begrijpen neurale netwerken als we ze in drie belangrijke delen opsplitsen:

De invoerlaag: Op de invoerlaag absorbeert het neurale netwerk alle niet-geclassificeerde gegevens die het krijgt. Dit betekent dat je de informatie in cijfers moet opsplitsen en deze moet omzetten in stukjes ja-of-nee-gegevens, of ‘neuronen’. Als je een neuraal netwerk woorden zou willen leren herkennen, dan zou de invoerlaag wiskundig zijn het definiëren van de vorm van elke letter en het opsplitsen in digitale taal, zodat het netwerk kan starten werken. De invoerlaag kan vrij eenvoudig of ongelooflijk complex zijn, afhankelijk van hoe gemakkelijk het is om iets wiskundig weer te geven.

De verborgen lagen: In het centrum van het neurale netwerk bevinden zich verborgen lagen, van één tot meerdere. Deze lagen zijn gemaakt van hun eigen digitale neuronen, die zijn ontworpen om wel of niet te activeren op basis van de laag neuronen die eraan voorafgaat. Eén enkel neuron is een basis ‘als dit, dan dat’“ model, maar lagen zijn gemaakt van lange ketens van neuronen, en veel verschillende lagen kunnen elkaar beïnvloeden, waardoor zeer complexe resultaten ontstaan. Het doel is om het neurale netwerk in staat te stellen veel verschillende kenmerken te herkennen en deze te combineren tot één realisatie, zoals een kind elke letter leren herkennen en ze vervolgens samen vormen om een ​​volledig woord te herkennen, zelfs als dat woord een klein beetje is geschreven vies.

In de verborgen lagen vindt ook veel deep learning-training plaats. Als het algoritme er bijvoorbeeld niet in slaagt een woord nauwkeurig te herkennen, sturen programmeurs terug: 'Sorry, dat is niet correct”, en het algoritme zou de manier waarop het de gegevens woog aanpassen totdat het de juiste gevonden had antwoorden. Door dit proces te herhalen (programmeurs kunnen de gewichten ook handmatig aanpassen) kan het neurale netwerk robuuste verborgen lagen opbouwen bedreven in het zoeken naar de juiste antwoorden door veel vallen en opstaan, plus wat instructies van buitenaf – nogmaals, net zoals het menselijk brein werken. Zoals de bovenstaande afbeelding laat zien, kunnen verborgen lagen erg complex worden!

De uitvoerlaag: De uitvoerlaag heeft relatief weinig ‘neuronen’ omdat daar de uiteindelijke beslissingen worden genomen. Hier past het neurale netwerk de uiteindelijke analyse toe, bepaalt de definities voor de gegevens en trekt de geprogrammeerde conclusies op basis van die definities. Bijvoorbeeld: 'Er staan ​​genoeg gegevens op een rij om te zeggen dat dit woord is meer, niet rijbaan.” Uiteindelijk worden alle gegevens die door het netwerk gaan, beperkt tot specifieke neuronen in de uitvoerlaag. Omdat dit de plek is waar de doelen worden gerealiseerd, is dit vaak een van de eerste delen van het netwerk die wordt gecreëerd.

Toepassingen

Als je moderne technologie gebruikt, is de kans groot dat deep learning-algoritmen elke dag overal om je heen aan het werk zijn. Hoe denk je Alexa of Google Assistent uw stemcommando's begrijpen? Ze gebruiken neurale netwerken die zijn gebouwd om spraak te begrijpen. Hoe weet Google waarnaar u zoekt voordat u klaar bent met typen? Meer diepgaand leren op het werk. Hoe negeert uw beveiligingscamera huisdieren, maar herkent hij menselijke bewegingen? Opnieuw diepgaand leren.

Elke keer dat de software menselijke input herkent, van gezichtsherkenning voor stemassistenten is deep learning waarschijnlijk ergens daaronder aan het werk. Het vakgebied kent echter ook vele andere nuttige toepassingen. Geneeskunde is een bijzonder veelbelovend vakgebied, waar geavanceerd diepgaand leren wordt gebruikt om DNA te analyseren op gebreken of moleculaire verbindingen op potentiële gezondheidsvoordelen. Op een meer fysiek front wordt deep learning in een groeiend aantal machines en voertuigen gebruikt om te voorspellen wanneer apparatuur onderhoud nodig heeft voordat er iets ernstig misgaat.

De toekomst van diep leren

De toekomst van deep learning ziet er bijzonder rooskleurig uit! Het mooie van een neuraal netwerk is dat het uitblinkt in het omgaan met een enorme hoeveelheid uiteenlopende gegevens (denk aan alles waar onze hersenen voortdurend mee te maken hebben). Dat is vooral relevant in ons tijdperk van geavanceerde slimme sensoren, die ongelooflijk veel informatie kunnen verzamelen. Traditionele computeroplossingen beginnen te worstelen met het sorteren, labelen en trekken van conclusies uit zoveel gegevens.

Deep learning daarentegen kan omgaan met de digitale bergen aan gegevens die we verzamelen. Hoe groter de hoeveelheid gegevens, hoe efficiënter deep learning wordt vergeleken met andere analysemethoden. Dit is de reden waarom organisaties als Google investeren zoveel in deep learning-algoritmenen waarom ze in de toekomst waarschijnlijk vaker zullen voorkomen.

En natuurlijk de robots. Laten we de robots nooit vergeten.

Aanbevelingen van de redactie

• Diep lerende AI helpt archeologen met het vertalen van oude tabletten
• Diep lerende AI kan de vervormingseffecten van iconische gitaargoden imiteren
• Gedachtenlezende AI analyseert je hersengolven om te raden welke video je bekijkt
• Deze door AI aangedreven app kan huidkanker met een nauwkeurigheid van 95 procent opsporen
• AI Onderzoekers creëren een gezichtsherkenningssysteem voor chimpansees