Deep learning ?
Deep learning is onderdeel van Machine learning, wat weer een onderdeel is van Artificial Intelligence. Momenteel is Machine learning, min of meer gelijk aan Artificial Intelligence. Dat heeft ermee te maken dat we nog niet in staat zijn tot echte AI, wat inhoudt dat computers na kunnen denken zoals een mens. Dat betekent o.a. problemen op kunnen breken in deelproblemen en deeloplossingen samenvoegen tot totaal oplossingen. In de basis is machine learning een vorm van statistiek waarbij input (data) via diverse lagen (neurale netwerken) relaties gaat onderzoeken.
Bij taal gaat het bijvoorbeeld om hoe vaak woorden in combinatie met elkaar voorkomen maar ook hoe vaak een structuur (grammatica) kan worden ontdekt. Op een hoger niveau leidt dat tot context van een zin. Is het een vraag, wat is het onderwerp, persoonsvorm etc.. Zo leert een computer taal door heel veel teksten te lezen.
Beeldherkenning
Bij beeldherkenning zijn de lagen pixel patronen, die op een hoger niveau de randen kunnen herkennen van een structuur. De volgende stap is contouren zoals een wiel of een neus. Daarna kunnen de contouren worden vergeleken met objecten zoals een auto of een mens. Als laatste kan je gedrag of emotie herkennen bij een persoon. Voor beeldherkenning worden hierbij zogenaamde convolutional neural networks (CNN) gebruikt, die de algoritmes bevatten om deze diverse lagen te onderzoeken. In versimpelde vorm ziet een neural netwerk er als volgt uit.
Om te begrijpen hoe zo’n neuraal netwerk werkt, nemen we het wiel even als voorbeeld. Een wiel heeft een vaste vorm, namelijk rond. Alle pixels van de band zijn zwart. Door meerdere wielen te vergelijken en deze te markeren (annoteren) als wiel wordt het patroon vastgelegd in de relaties tussen de pixels en de vorm. De pijltjes geven de relaties aan en de pixels de bolletjes. Bij een volgend wiel gaat het netwerk bekijken of de relaties en pixels dezelfde sterke relatie hebben. Als dat zo is, is de conclusie : “een wiel” . Hoeveel het erop lijkt bepaald met welk percentage zekerheid dit kan worden berekend. Dus hoe meer voorbeeld wielen, hoe beter het netwerk kan bepalen of een volgend wiel ook daaraan voldoet. Een neuraal netwerk is een vorm van Deep Learning.
Appels en Peren vergelijken
Een aardig voorbeeld van hoe Deep learning een probleem aan kan pakken is hoe mensen appels met peren vergelijken is. Ieder mens herkent immers een appel en een peer maar als het complexer is, dan hebben ze daar beduidend meer moeite mee. Terecht natuurlijk. Een computer kan echter net zo makkelijk appels met peren vergelijken als een kankercel ten opzichte van een gewone cel. En met hoge betrouwbaarheid zonder te beseffen wat het een is ten opzichte van het ander. De patronen moeten zodanig verschillend zijn dat het onderscheid net zo groot of groter is dan tussen een appel en een peer. Bij cellen zijn dus foto’s met een hele hoge resolutie nodig om dat onderscheid te kunnen bepalen. Maar niet te vergeten ook goede pathologen die kunnen bepalen of het gevaarlijk of niet is. Als iemand zonder kennis dat doet, wordt het een warboel.
Statistiek
Het is belangrijk te beseffen dat Machine learning en deep learning statistiek gebruiken in het herkennen van patronen. Zo wordt voor iedere relatie een percentage toegekend aan de kracht van de relatie. Hoe hoger dat percentage is, hoe beter een zin kan worden ontleed of een beeld kan worden herkend. Daarom geldt ook hoe meer data, hoe beter een AI systeem wordt. Daarbij is het nog wel van belang dat die data zelf juist is en er ook verschillen zijn. Als je bijvoorbeeld 4.000 foto’s van monden aan zou leveren en deze allemaal als mond markeert, is de kans erg groot dat het volgende beeld van een mond ook daadwerkelijk wordt gevonden. Maar als dat de enige data is die er is, zal een neus ook als mond worden herkend, immers de wereld bestaat alleen uit monden.
Centillien en deep learning
Centillien heeft al diverse producten en oplossingen gemaakt op basis van deep learning. Zo is Intra, ons product voor beeld en gedrag daarop gebaseerd. Het gebruikt Convolutional Neural Networks om lagen te creëren in het herkennen van patronen om vervolgens deep learning toe te passen om de relatie te ontdekken. Het resultaat is verbluffend, zoals onderstaand filmpje duidelijk maakt.
Wat heb ik aan deep learning ?
Deep learning is momenteel een erg belangrijk onderwerp. Begrijpen hoe dit werkt, helpt niet alleen om de wereld een beetje beter te begrijpen. Het helpt ook om nieuwe toepassingen te bedenken. Ons motto is als jij het kunt bedenken, kunnen wij het maken. Laat je dus inspireren en bedenk een AI toepassing op basis van deep learning voor jouw organisatie en vraag ons om te realiseren. Hopelijk spreken we elkaar snel.
