Kunstmatige intelligentie en Machine Learning
Zou je een appel vangen als iemand hem voorzichtig naar je toe gooit? Zou dat moeilijk zijn? Zou je snel een complexe vergelijking kunnen oplossen over de beweging van een appel in een 3D ruimte? Op deze pagina bekijken we de onderwerpen kunstmatige intelligentie en machine learning in wat meer detail.
Wat is kunstmatige intelligentie?
Zou je een appel vangen als iemand die voorzichtig naar je gooit? Waarschijnlijk zeggen de meeste van ons "Jawel, gemakkelijk!"
Wij mensen kunnen inderdaad een appel vangen die naar ons wordt gegooid, of een tennisbal of een voetbal of elk ander type bal, zonder al te veel moeite. Dit komt doordat we ervaring hebben met vergelijkbare situaties met langzaam 'vliegende' objecten. We hoeven ook niet speciaal te trainen om appels te vangen. Als je twintig minuten geoefend hebt met het overgooien van een bal samen met je vrienden, dan heb je alle kennis en vaardigheden die nodig zijn voor het vangen van appels, peren, mandarijnen, citroenen, etc.
Dit voorbeeld vat kort samen wat kunstmatige intelligentie (KI of AI) en Machine Learning (ML) eigenlijk is: leren van ervaringen en de opgedane kennis toepassen in meerdere situaties. Op deze pagina bespreken we de belangrijkste begrippen van KI en ML, we onderzoeken verschillende soorten KI en bespreken wat misverstanden.
Is Kunstmatige Intelligentie hetzelfde als Machine Learning?
-
AI, ML and DL zijn geneste concepten (een soort matroesjka principe). Illustratie van WUR Geneste concepten
Kunstmatige intelligentie en machine learning zijn niet hetzelfde. Er zijn verschillende manieren om het verschil te beschrijven. Een manier om ernaar te kijken is als een matroesjka principe, zoals in de figuur hierboven. Kunstmatige intelligentie is breder dan ML. Maar wat precies? We leggen het uit in deze informatiecarrousel. -
Kinderen leren door te doen. Foto van Halfpoint/Shutterstock.com Intelligentie
Een definitie van intelligentie kan zijn: "intelligentie meet de mogelijkheid van een agent om doelen te bereiken in een groot aantal omgevingen".
Er zijn drie belangrijke termen in deze definitie.
- Agent is iemand of iets die/dat een bepaalde activiteit uitvoert, zoals het vertalen van teksten, het sorteren van foto's, of het vangen van appels.
- Omgeving bepaalt de context van een activiteit. Bijvoorbeeld: sterke wind voor de appel-vangende agent.
- Doel is eenvoudig, maar belangrijk. Het doel bepaalt het gewenste resultaat: teksten moeten precies worden vertaald, foto's moeten bijv. worden gesorteerd in drie categorieën, alle appels moeten worden gevangen.
-
Kunstmatige intelligentie. Foto van Tatiana Shepeleva/Shutterstock.com Kunstmatige intelligentie
Nu we weten wat intelligentie betekent, kunnen we gaan nadenken over kunstmatige intelligentie.
Het woord 'kunstmatig' verwijst naar het feit dat de agent die (tekenen van) intelligentie vertoont niet natuurlijk ontstaan is. De agent is gemaakt door bijv. een mens. Een robot is zo'n kunstmatige agent. De robot heeft geen 'natuurlijke intelligentie', maar mogelijk wel 'kunstmatige intelligentie'.
-
Machine learning vindt plaats op de kruising van wiskunde en informatica. Foto van ChoChe/Shutterstock.com Machine learning
Machine Learning is een zich snel ontwikkelend vakgebied op de kruising tussen wiskunde en informatica. Het richt zich op de ontwikkeling van computersystemen die kunnen leren van observaties en die de verkregen kennis toepassen om doelen voor een specifieke taak te behalen. -
Deep learning algoritmes zijn geïnspireerd op de structuur van een menselijk brein. Foto van Laurent T/Shutterstock.com Deep learning
Deep Learning (DL) is een soort van algoritmes binnen het Machine Learning domein. Deep learning algoritmes kunnen heel verschillend zijn, maar ze hebben allemaal gemeen dat ze geïnspireerd zijn op onze hersenstructuur. Daarom worden Deep Learning modellen ook wel beschreven als Neurale Netwerken.
Neurale Netwerken zijn lastig om mee te werken. Maar een van de belangrijkste voordelen van neurale netwerken is de mogelijkheid om ze te gebruiken in allerlei omgevingen.
Als een Deep Learning algoritme bijvoorbeeld getraind is om appels te vangen, dan kan het ook gemakkelijk leren om peren, sinaasappels en citroenen te vangen.
Hoe leert een machine?
De ontwikkeling van bijne elk machine learning systeem bestaat uit 3 of 4 stappen:
- Exploratory Data Analysis (EDA) – de eerste stap gaat over het begrijpen van de beschikbare data door de programmeur. Hiervoor worden verschillende technieken gebruikt.
- Ontwerp – de programmeur kies het type algoritme en de juiste implementatie van het algoritme om de machine zo goed mogelijk de taak te laten uitvoeren.
- Training – de data wordt aangeboden aan de machine om hem met behulp van het algoritme te laten leren.
- Inzet – als het ML algoritme goed genoeg presteert, heeft de machine voldoende geleerd en kan hij de taak gaan uitvoeren waarvoor hij getraind is.
Machine learning voorbeeld
Laten we als voorbeeld voor alle theorie hierboven een taak bedenken: het sorteren van zomervakantiefoto's in de groepen (i) portretten, (ii) stad, (iii) natuur en (iv) strand.
Voordat we het ML algoritme kunnen ontwerpen, moeten we eerst goed naar de data set kijken. Om de machine te laten leren, moeten we natuurlijk foto's hebben uit elke groep, die ook als zodanig gelabled zijn. De voorbeeldfoto's moeten representatief zijn en er moeten er genoeg van zijn.
Het trainen is eigenlijk vrij rechttoe rechtaan: we laten een foto aan het ML algoritme zien, het algoritme probeert te bepalen bij welke groep de foto hoort, en we vertellen het algoritme of dat klopt of niet. Als de foto goed geclassificeerd is, krijgt het algoritme positieve feedback, anders negatieve feedback. Bij negatieve feedback maakt het algoritme een kleine verandering aan zichzelf, zodat het niet nog een keer die fout maakt.
Het proces van foto's laten zien en feedback geven, wordt herhaald tot het algoritme goed presteert, typisch 98% goed. Daarmee is de trainingsfase afgerond.
Het algoritme kan nu ingezet worden om je vakantiefoto's te classificeren. Het leuke is dat het nog steeds mogelijk is dat het algoritme blijft leren van nieuwe foto's, waardoor het zichzelf automatisch blijft verbeteren!