Mediawijs.be

In brede zin verwijst AI naar machines of toestellen die zelfstandig kunnen beslissen en handelen. Maar de ene AI is de andere niet ...

Van procedureel, over machine, tot deep learning

Wat we wel of niet 'echte' AI vinden, verschuift: AI is namelijk nog in volle ontwikkeling. Tot nog toe zien we drie stappen in die evolutie.

1. Procedurele AI
   Net na de Tweede Wereldoorlog, leek AI op een instructieboekje om een Ikea-bed ineen te vijzen: eerst doe je stap 1, daarna stap 2, enzovoort. Een toestel met AI werd dan zo voorgeprogrammeerd met algoritmes. Een voorbeeld daarvan is een schaakcomputer, waarin alle mogelijke situaties op een schaakbord en welke zetten je daarbij moet doen voor een zo goed mogelijke resultaat, worden voorgeprogrammeerd.
2. Machine learning 
   De keuzes die een toestel kan maken worden niet meer allemaal voorgeprogrammeerd, de machine kan zelf verder leren op basis van voorbeelden welke keuzes waarschijnlijk de juiste zijn. Een voorbeeld daarvan is een spamfilter waarbij je af en toe in de spamfolder aanduidt wat wel of niet spam is, en waardoor het achterliggende systeem het beslissingsalgoritme verfijnd. Hoe groter de hoeveelheid data waarmee de machine kan leren (Big data), hoe verfijnder en hopelijk juister het algoritme kan worden.
3. Deep learning
   Sinds 2010 gaan we nog een stapje verder, op basis van die hele grote hoeveelheden data (Big data), geven we de toestellen de instructie om daar analyselaag na analyselaag op toe te passen, om zo zelf patronen te zoeken, die we er voor ons mensen te diep in verborgen zitten. Een voorbeeld daarvan zijn Deep fakes. Deep fake is een verzamelnaam voor geprogrammeerde en geautomatiseerde systemen waarmee je nepvideo’s kan maken die bijna niet van de realiteit te onderscheiden zijn, en waarin je iemand dingen kan laten zeggen die hij of zij in werkelijkheid nooit gezegd heeft. Daarbij analyseert AI via deep learning alle aspecten die iemand op beeld en qua taal en stem zo specifiek maken om dat daarna te reproduceren en te plakken op de woorden die jij spreekt en de gebaren die je maakt.

Soorten machine learning: gesuperviseerd, versterkt en ongesuperviseerd leren

Bij Machine learning heb je drie elementen:

• Data wordt aan de machine geleverd = input,
• In de machine gebeuren allerlei berekeningen en statistische analyses in een 'black box' = learning,
• de machine geeft resultaten weer = output.

Afhankelijk van hoe je met die elementen omgaat heb je verschillende vormen van machine learning.

1. Gesuperviseerd of gecontroleerd leren
   Bij gesuperciseerd leren zorg je bij de input al meteen voor een grote hoeveelheid gelabelde data. De machine krijgt als input bv. duizenden foto’s van een kat met het label ‘dit is een kat’ en duizenden foto’s van boeken en het label ‘dit is een boek’. Door in de black box al die foto's te analyseren, leert de computer hoe je met een grote waarschijnlijkheidsgraad een kat of een boek op een foto herkent. Als je de machine als input een nieuwe foto van een kat of boek toont zonder label, berekent die in de black box de kans dat dat een kat of een boek is en deelt die als één van de twee in in de output.  Maar helemaal zeker is de machine dus nooit, want soms wijken katten of boeken af van de gekende foto’s of voorbeelden.
2. Versterkt leren
   Bij versterkt leren of ‘reinforced learning’ ligt de nadruk op de output. Wanneer de machine een foto indeelt, wordt die keuze extern bevestigd of ontkracht. De machine ontdekt dus door trial and error (door het gewoon te proberen) welke criteria het beste resultaat opleveren. 
3. Ongesuperviseerd of ongecontroleerd leren
   Dit soort machine learning dient vooral om categorieën, patronen en verbanden te ontdekken in een grote hoveelheid data, die vooraf door mensen niet gekend zijn. De data krijgt bij de input dus geen labels mee. Bij de output kun je ook niet aangeven of het resultaat correct is of niet. De groepen die de machine ingedeeld heeft, kunnen als hypothese dienen voor verdere analyse.

Deep learning = machine learning + neurale netwerken

De stap van machine learning naar deep learning is mogelijk door neurale netwerken. Een neuraal netwerk bootst de werking van onze hersenen en de neuronen en verbindingen daarin na. Als we zelf het verschil tussen een hond of een koekje willen herkennen, of wanneer we met een auto rijden, verwerken onze hersenen allerlei prikkels (geuren, licht en kleuren, geluiden, gevoel en temperatuur, smaken ...), en allerlei nuances daarin, koppelen dat aan onze opgeslagen kennis en geven ons het antwoord (hond of koekje) of de waarschijnlijk beste handeling om veilig te rijden. 

In een neuraal netwerk splitst de machine ook de waarnemingen of data op in heel veel verschillende kleine elementjes, die dan met statistische analyse in functie van een antwoord op de vraag die voorligt, een 'gewicht' krijgen (een score die gaat van 0 (waarschijnlijk niet) tot 1 (waarschijnlijk wel) en alle mogelijke getallen na de komma ertussen). Daarna krijgen allerlei combinaties van die elementjes ook een gewicht en zo opnieuw en opnieuw tot de machine een antwoord kan geven met een 'aanvaardbare waarschijnlijkheid'.

Hoe meer data op hoe meer manieren kan verwerkt worden tegelijk en hoe sneller dat kan, hoe meer mogelijkheden een machine met artificiële intelligentie in de praktijk kan brengen. Een voorbeeld daarvan is een in druk verkeer zelfrijdende auto. Dat dat een stevige uitdaging leer je in onderstaand voorbeeld over een '9' herkennen.