Deep learning: hoe ver en hoe diep kunnen we gaan?

Deep learning; weergave neurale netwerken

Wat is deep learning?

Deep learning, ook wel deep structured learning of hierarchical learning genoemd, is een onderdeel van machine learning. Deep learning valt, net zoals machine learning, onder de noemer kunstmatige intelligentie (Artificial Intelligence). Het algoritme achter deep learning is gebaseerd op patroonherkenning. Na eindeloos veel input, bijvoorbeeld foto’s van een hond, leert het algoritme zelf om in de toekomst een hond te herkennen. Bij de mens werkt dit eigenlijk precies hetzelfde. Ons brein wordt gevoed met data uit de buitenwereld via ons netvlies of ons gehoor. Onze hersencellen zetten deze signalen vervolgens om in beelden en klanken. De structuur in onze hersenen die hiervoor zorgt, wordt ook wel een neuraal netwerk genoemd. En dit is precies waarop deep learning gebaseerd is.

 

Kunstmatige neurale netwerken

Het algoritme dat achter deep learning schuilt, is gebaseerd op neurale netwerken. Dit enorme netwerk bestaat uit verschillende lagen die neuronen bevatten. Een neuroon krijgt diverse inputwaardes binnen en maakt hier vervolgens één outputwaarde van. Deze outputwaarde wordt weer doorgestuurd als input naar andere neuronen. Het interessante aan neurale netwerken is dat de neuronen zichzelf dus aanleren om bepaalde aspecten te herkennen. Op deze manier leert het algoritme zelf om diverse categorieën te onderscheiden. De term ‘deep learning’ verwijst naar het aantal lagen in het neurale netwerk. Dit wordt ook wel de diepte van het neurale netwerk genoemd. Deze diepte is heel relevant bij het vormen van bepaalde features die een laag herkent. Elke laag binnen het netwerk leert om een bepaalde set features te herkennen, bijvoorbeeld de set ‘kleuren’. Hoe dieper je gaat in het netwerk, des te complexer de features worden die het algoritme zichzelf aanleert.

 

De kracht van het deep neural network

Een relatief simpel neuraal netwerk is niet genoeg voor deep learning. Het neurale netwerk moet namelijk wel ‘diep’ genoeg zijn, zodat het de meest ingewikkelde en gedetailleerde patronen kan herkennen. Denk hierbij bijvoorbeeld aan iemands gezicht. De kracht van een zogenaamd deep neural network is dat deze de complexe patronen van de input opdeelt in simpele patronen. Zo zal het netwerk het gezicht dus ‘opsplitsen’ in contouren, vormen, en kleuren. Vervolgens wordt dit samengevoegd; dit betekent dat het deep learning-algoritme nu het complete gezicht herkent.

 

Deep learning in de praktijk

Het uiteindelijke doel van deep learning is om de werking van de hersenen zo goed mogelijk te imiteren. En dat lukt aardig, als we kijken naar de onderstaande voorbeelden. We kunnen zelfs voorzichtig concluderen dat het algoritme soms slimmer is dan de mens.

1. Computers kunnen luisteren en praten

In 2012 toonde Richard Rashid, Senior Vice President bij Microsoft, een revolutionaire uitvinding op een conferentie in China. Het door hem ontwikkelde deep learning-systeem kon hem verstaan. Hier bleef het echter niet bij. Het systeem was tevens in staat om de woorden van Rashid te vertalen naar het Chinees.

2. Computers kunnen zien

In 2011 vond er een wedstrijd tussen algoritmes plaats; de strijd ging om het herkennen van verkeersborden. Het deep learning-algoritme won met gemak, aangezien het algoritme twee keer zo snel was in het herkennen van verkeersborden dan de mens.

3. Computers kunnen schrijven

Data scientist Jeremy Howard ontwikkelde een deep learning-algoritme dat patronen kan omschrijven zonder dat het algoritme dit van tevoren heeft gezien. Het is echter wel noodzakelijk dat het algoritme de losse onderdelen van het patroon vooraf analyseert. Ondanks dit kunnen we het zeker revolutionair noemen dat een algoritme zelf patronen kan vaststellen en beschrijven.

4. Het tegengaan van ziektes

Het deep learning-algoritme kan zelf structuren identificeren, en daarom komt het algoritme goed van pas in de gezondheidszorg. Zo heeft een team specialisten op het gebied van radiologie het algoritme gebruikt om miljoenen afbeeldingen van tumoren te analyseren. Hieruit kwamen tientallen nieuwe relevante eigenschappen over tumoren naar voren. Het gevolg hiervan is dat radiologen in een eerder stadium tumoren kunnen ontdekken.

 

De gevolgen

Het algoritme is dus in staat om zeer complexe menselijke taken na te bootsen, zoals het vaststellen van medische diagnoses. Maar het algoritme kent ook een maatschappelijk nadeel. De gevolgen van het deep learning-algoritme zijn op de arbeidsmarkt nu al merkbaar. Zo is de afgelopen 25 jaar de arbeidsproductiviteit gestagneerd, terwijl de kapitaalsproductie is toegenomen. Machines en computers lijken ons niet alleen aan te vullen, maar ook steeds meer over te nemen. Op dit moment wordt het deep learning-algoritme nog niet heel veel toegepast, aangezien een neuraal netwerk zowel een groot aantal trainingssamples nodig heeft als veel neuronen per laag. Hiervoor is heel veel data en rekenkracht nodig, en dit is pas de afgelopen jaren flink gegroeid. Het algoritme wordt dus steeds populairder door de opkomst van big data. Of je het naderende deep learning-algoritme ziet als een verleiding of als een bedreiging, is aan jou.

Posted on 6 december 2017

Share the Story

Back to Top