Je bent waarschijnlijk wel eens op een website terechtgekomen waar je wordt gevraagd om te bevestigen dat je geen ‘robot’ bent. Je krijgt dan een aantal foto’s te zien waarop je wordt gevraagd alleen die foto’s aan te vinken waarop een zebrapad of een verkeerslicht is te zien. Grote kans dat je dan hebt meegewerkt aan het beoordelen van foto’s. Deze vooraf beoordeelde foto’s worden vervolgens gebruikt om besturingssystemen van zelfrijdende auto’s te trainen door middel van machineleren en deep learning.
Machineleren en deep learning zijn nauw verbonden met een ander begrip dat veel wordt gebruikt: kunstmatige intelligentie. Onderzoekers proberen al langere tijd het menselijk brein na te bootsen, zodat een systeem of machine zelfstandig intelligente beslissingen kan nemen of taken kan uitvoeren. Bovendien kan dit systeem of deze machine zichzelf ook verbeteren op basis van informatie.
Het algoritme wordt verbeterd naarmate er meer ervaring is en meer data is verwerkt
Machineleren vormt een deelgebied van kunstmatige intelligentie. Het is een techniek of methode waarmee een algoritme (set van instructies) kan worden getraind om informatie in te delen in een bepaalde categorie. Deep learning (de Nederlandse term is diep leren) is een deelgebied van machineleren waarbij kunstmatige neurale netwerken (nabootsing van het menselijk brein) worden gebruikt om in de aangeboden data zelf verbanden te ontdekken.
Bij machineleren wordt van tevoren de data (in de vorm van grote hoeveelheden foto’s, documenten, input van sensoren) geclassificeerd (ingedeeld in een categorie). Vervolgens wordt deze data ingevoerd in het algoritme (set van instructies). De algoritmen maken gebruik van allerlei wiskundige methoden, zoals statistiek en lineaire regressie. Het algoritme wordt op deze manier verbeterd naarmate er meer ervaring is en er meer data is verwerkt. Belangrijk is dat er veel data beschikbaar is om te verwerken. Als je een algoritme hebt met weinig data krijg je waarschijnlijk geen goede beslissingen of uitgevoerde taken.
Op den duur zouden ook bladziekten moeten kunnen worden herkend
Bij deep learning leer je een complex van algoritmen zelf verbanden te ontdekken en te leren. Vaak wordt daarbij gebruik gemaakt van een neuraal netwerk (gelijkend op de hersenen van de mens). Voor de gebruiker is dan vaak niet duidelijk wat de achterliggende keuzes zijn om tot een bepaalde beslissing te komen. Zowel bij machineleren als deep learning is er veel rekenkracht benodigd.
In de praktijk maak je nu onbewust al veel gebruik van technieken waarbij artificiële intelligentie is gebruikt, bijvoorbeeld navigatiesystemen waarbij de snelste, kortste of goedkoopste routes worden berekend. Ook in een spamfilter worden deze technieken gebruikt om ongewenste berichten uit je mailbox te verwijderen. Deze technieken worden ook gebruikt om besturingssystemen te ontwerpen die op camerabeelden onkruiden kunnen onderscheiden van nuttige planten, ongeacht de groeifase van het plantje: een klein onkruidje of een volgroeide plant met veel bladeren. Op den duur zouden ook bladziekten moeten kunnen worden herkend met deze technieken.
Het beoordelen van data door mensen is erg arbeidsintensief en dus ook kostbaar
Mede dankzij deze technieken is het mogelijk om besturingssystemen voor autonome voertuigen te ontwikkelen. Het voertuig of systeem zal op basis van data van sensoren en camera’s onderweg steeds weer ‘veilige’ besluiten moeten nemen. Daarbij is de situatie op een akker (met minder variabelen) minder complex dan bijvoorbeeld een bouwplaats of een openbare weg.
De verwachting is dan ook dat je autonome voertuigen dus eerder zult tegenkomen op landbouwpercelen dan op de openbare weg. Je zou je ook kunnen voorstellen dat op den duur ook machines door de gebruiker kunnen worden aangestuurd door middel van spraakherkenning, zoals we dat nu ook doen met mobiele telefoons en digitale assistenten.
Via deze wijze kunnen grote hoeveelheden data, mits er voldoende rekenkracht is, worden verwerkt en worden bekeken op verbanden tussen de aangeleverde data. Het beoordelen van data door mensen is erg arbeidsintensief en dus ook kostbaar. Machineleren en diep leren dragen eraan bij dat dit veel sneller kan gebeuren. Bovendien worden gebruikte algoritmen in besturingssystemen steeds beter door de opgedane ervaring.
Meer informatie over deze onderwerpen is te vinden via:
Onderstaande video gaat over een robot die onkruid aan het wieden is met behulp van diep leren. Een mooi voorbeeld van wat nu al kan.
In 1996 was de wereld nog erg verbaasd dat een computer de wereldkampioen schaken Garri Kasparov versloeg. Nu, 25 jaar later, zien we in dat er gewoon sprake was van een computer met veel rekenkracht die veel zetten (door veel data te verwerken uit eerdere partijen) vooruit kon doorrekenen om te komen tot een grote kans op een overwinning. Een computer is en blijft maar een computer, ook al kan die slimme beslissingen nemen door veel data te verwerken. Het is nog maar de vraag of een systeem of machine op den duur ook emoties kan herkennen of een vorm van bewustzijn heeft, zoals het menselijke brein, waarvan wetenschappers nu ook nog niet veel begrijpen.