Q&A: Machine Learning, AI en Neural Networks

Blog jasperGoogle verslaat Go; het grootste nieuws in de techwereld vorige maand. Het computerprogramma AlphaGo wint van de beste Go speler ter wereld, Lee Sedol. De winst van de computer in het spelletje Go is tien jaar eerder dan voorspeld. Google heeft dit voor elkaar gekregen door gebruik te maken van machine learning (of specifieker, een complexe vorm van machine learning: deep neural networks).

Machine Learning is, net als big data en Internet of Things (IoT), onderdeel geworden van het tech-jargon. In het bedrijfsleven wordt steeds vaker gevraagd; moeten wij daar niet iets mee doen? Het concept wordt echter niet door iedereen goed begrepen. Tijd om een paar vragen over machine learning te beantwoorden.

 

Wat is het verschil tussen AI en machine learning?

Artificial Intelligence heeft een lange historie. Maar wat vroeger vaak AI genoemd werd, bestond meestal uit simpele regels, gebaseerd op wat de programmeur programmeerde. Machine learning gaat een stap verder. Het bestaat uit algoritmes die leren van data en hier voorspellingen over kunnen maken.

Vaak wordt gezegd dat machine learning een onderdeel is van AI. Anderen (en ook ik) beweren anders. Als we intelligentie in z’n simpelste vorm definiëren als de capaciteit tot leren, dan is het leren van data en het voorspellen door een computer kunstmatige intelligentie te noemen. Ofwel, eigenlijk is Machine Learning de echte vorm van AI, in plaats van de boze monsters die jouw PacMan achterna zitten. Die leren niet.

 

Wordt machine learning te veel gehypet?

Mijn mening: Ja. En nee. In zekere zin wel, omdat op veel dingen onterecht het machine learning label op wordt geplakt. Big data is wat anders mensen! En ook gehypet!. Ik heb iemand horen zeggen dat ‘Hadoop’ machine learning is, terwijl het een framework voor gedistribueerde opslag & processing is. Ook komen we de real-life toepassingen nog niet veel tegen, behalve online. Tegelijkertijd heeft machine learning ook een enorme vlucht gemaakt de afgelopen 5 jaar. Er wordt nu al ontzettend veel inzicht verkregen in data door machine learning. Het autonoom beslissingen maken door machines is echt de toekomst en we zien de potentie al in bijvoorbeeld de zelfrijdende auto en stemherkenning.

 

Wat is eigenlijk een algoritme?

Ja, een basic question, maar toch belangrijk. Veel mensen denken dat een algoritme iets ingewikkelds is. Helemaal niet! Een algoritme kan je zien als een recept dat bestaat uit simpele stappen om een antwoord voor een probleem te vinden. Een recept voor grootmoeders appeltaart bestaat uit benodigde ingrediënten (input) en de stappen om deze ingrediënten uiteindelijk om te vormen naar het gewenste resultaat, de taart (output). Neemt niet weg dat een algoritme bijzonder complex kan worden naarmate je meer stappen toevoegt.

 

Hoe ziet zo’n machine learning algoritme er dan uit?

Je kent het wellicht nog van de middelbare school; regressie. In feite is dit al een machine learning algoritme. Het berekent op basis van data met x en y coördinaten eenjasper trendlijn. De computer kan zo een patroon herkennen in een wolk met punten en de lijn doortrekken om een voorspelling te maken. In de praktijk zal er vaak nieuwe input data bij komen waardoor het model zijn voorspelling kan aanpassen, en dus getraind wordt door meer ervaring.

 

Wat is Deep Learning?

Een beetje een buzzword. Deep Learning is eigenlijk een complexe vorm van machine learning waarin meerdere lagen en niet-lineaire transformaties gebruikt worden. Het resultaat is vaak een meer menselijke intelligentie, ‘irrationeler’ dan een simpele lineaire regressie. De wetenschappers achter AlphaGo weten bijvoorbeeld niet precies hoe hun programma zichzelf zo’n goede Go speler wist te maken. Fascinerend.

 

En Neural Networks?

Deze methode van modeleren wordt vaak gebruikt in Deep Learning. De algoritmes zijn gebaseerd op het neurale netwerk van onze hersenen. Elke kunstmatige neuron heeft meerdere inputs en outputs en alle connecties tussen de neuronen kunnen variëren in grootteCapture, er wordt een bepaald gewicht aan gegeven. De som van de inputs van een neuron hebben weer invloed op zijn eigen output. Door deze variatie kan het netwerk door training leren dat bepaalde resultaten gewenst zijn.

 

Ga ik straks mijn baan verliezen door AI?

Moeilijk te voorspellen en het ligt eraan wat je nu doet. In het verleden hebben de machines vooral lichamelijk werk vervangen. Nu kunnen ook ‘white collar jobs’ ten prooi vallen aan de computer. Banen in accounting en online marketing zijn een makkelijk doelwit. Maar zelfs chirurgen moeten in de toekomst wellicht wat anders gaan zoeken. Over het algemeen; hoe creatiever je werk, hoe zekerder je bent. Maar wees niet bang, als er ergens banen verdwijnen weet de samenleving altijd ergens anders weer banen tevoorschijn te toveren.

Jasper Hoving

 

 

 

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd met *