AI, ML en Deep Learning uitgelegd: cruciale verschillen en werking

De termen Kunstmatige Intelligentie (AI), Machine Learning (ML) en Deep Learning (DL) zijn tegenwoordig heel gemeengoed. Ze worden vaak door elkaar gebruikt, vooral bij het omgaan met Big Data, analytics, zoeken en indexeren. Hoewel deze drie termen erg met elkaar verwant zijn, zijn ze niet hetzelfde.

In dit artikel leggen we uit wat AI, ML en DL precies zijn en hoe ze van elkaar verschillen. Geen zorgen; we gebruiken geen ingewikkelde wetenschappelijke termen — we houden het kort en zo simpel mogelijk.

Kunstmatige Intelligentie

AI is de computerscience-subdiscipline, voor het eerst genoemd in 1956 door John McCarthy. Een computer voert normaal taken uit die we opdragen. AI is echter een manier om een machine of software te bouwen die intelligent kan nadenken en zelfstandig kan handelen, net als mensen. Dit omvat zaken als taal begrijpen, geluiden en beelden herkennen, leren, plannen en problemen oplossen.

Bijvoorbeeld: een conventioneel programma kan alleen specifieke vragen beantwoorden, maar een AI-programma kan generieke vragen beantwoorden.

Er zijn Vier Typen AI –

1. Volledig Reactief: Basistype, kan geen conclusies trekken. Voorbeeld – Google's AlphaGo, IBM's DeepBlue
2. Beperkt Geheugen: Kan passende beslissingen nemen en actie ondernemen. Voorbeeld – Chatbots, Zelfrijdende voertuigen
3. Theory of Mind: Kan gedachten, emoties begrijpen en sociaal interacteren. — Nog niet gebouwd*
4. Zelfbewust: Kan representaties over zichzelf vormen, bewust is van eigen toestand en kan gevoelens van anderen voorspellen. — Nog niet gebouwd*

*Hoewel de derde en vierde type machines niet echt bestaan, worden ze gedemonstreerd in sci-fi films, zoals R2D2 (type-3) uit Star Wars en Eva (type-4) uit Ex Machina.

Machine Learning

ML is een subset van AI die het systeem de capaciteit geeft om te leren, te handelen en te verbeteren uit ervaring zonder expliciet geprogrammeerd te worden. In plaats van alle methoden met specifieke instructies expliciet te schrijven om een bepaalde taak te bereiken, is ML een techniek om een programma te trainen zodat het kan leren uit eerdere ervaringen. Hierbij verwijst training naar het voeden van een grote hoeveelheid data aan het programma en het toestaan dat het programma zichzelf configureert en verbetert.

Bijvoorbeeld: als je duizenden kattenfoto's aan het ML-algoritme voedt, zal het beginnen te herkennen hoe een kat eruitziet — hun lengte, kleur, gezichtsorm, etc. Uiteindelijk kan het katten in foto's identificeren en automatisch labelen. Zodra het nauwkeurigheidsniveau hoog genoeg is, kan het algoritme precies vertellen hoe een kat eruitziet.

Typen Machine Learning:

1. Supervised: Laat de machine expliciet leren door data met gedefinieerde outputs.
2. Unsupervised: Machine begrijpt data (patroon/structuur) en trekt inferenties uit datasets.
3. Reinforcement: Een benadering tot AI, leren van positieve en negatieve versterking, en belonen van positieve resultaten.

Deep Learning

Deep Learning is een subveld van machine learning dat zich richt op algoritmen geïnspireerd op de structuur en functie van het menselijk brein, of de interconnectie van veel neuronen. Deze algoritmen worden Artificial Neural Networks (ANNs) genoemd die de biologische structuur van het brein nabootsen.

De neuronen hebben discrete lagen en verbindingen met andere neuronen. Men kan deze lagen visualiseren als een geneste hiërarchie van gerelateerde concepten of beslissingsbomen. Elke laag is in staat om een specifiek kenmerk te selecteren om te leren of een specifiek pad te volgen. Diepgang wordt opgebouwd door meerdere lagen — hoe meer lagen een netwerk heeft, hoe dieper/complexer het is.

Om goed getraind te zijn, vereisen deep learning-netwerken grote hoeveelheden items. In plaats van code te schrijven voor elke rand die items definieert, leert het systeem door blootstelling aan miljoenen datapunten.

Google Brain is een perfect voorbeeld van deep learning om katten te herkennen na meer dan tien miljoen afbeeldingen te hebben verwerkt. Deze netwerken hoeven niet gecodeerd te worden met specifieke criteria die items definiëren; ze kunnen randen identificeren na blootstelling aan een groot aantal monsters.

In oktober 2017 zei Jeff Dean, hoofd van Google Brain, op de VB Summit in Berkelely:

Vandaag de dag zijn beeldherkenningssystemen ontwikkeld op deep learning beter dan mensen — dit varieert van het herkennen van katten tot het identificeren van indicatoren van bloedkanker en tumoren in MRI-scans.

Google AlphaGo werd getraind op het spel Go (veel complexer dan schaak), en verbeterde zijn neurale netwerk door zichzelf herhaaldelijk te spelen. In maart 2016 werd het het eerste computerprogramma dat een professionele menselijke Go-speler versloeg.

Lees: 18 Beste Schaakengines Gebaseerd Op Hun Ratings

AI, ML en DL visualiseren

Afbeeldingscredit: Nvidia

De eenvoudigste manier om de relatie tussen AI, ML en DL te begrijpen is om ze te visualiseren als concentrische cirkels, waarin Kunstmatige Intelligentie eerst komt, dan machine learning, en tenslotte deep learning die de huidige AI-explosie drijft.

Van Bust Tot Boom

Kunstmatige intelligentie is sinds 1956 onderdeel van de menselijke verbeelding en doet al decennia in onderzoekslaboratoria. We hebben meer vooruitgang geboekt in 7 jaar sinds 2012 dan in de voorgaande 25 jaar op talloze sleutel AI-problemen zoals tekstbegrip, signaalverwerking, spraak- en beeldherkenning (een zware klus).

De hoofdoorzaak voor de AI-explosie in de afgelopen jaren is de brede beschikbaarheid van GPU's die parallelle verwerking nog sneller en goedkoper maken. Het heeft ook te maken met praktisch oneindige opslag en de hele Big Data-beweging — tekst, afbeeldingen, transacties, noem het maar op.

Vandaag de dag investeren alle tech-reuzen zwaar in AI-projecten, en miljarden mensen interacteren dagelijks met AI-software via zoekmachines, sociale media en e-commerce-platformen. En één van de typen (of je kunt zeggen het enigste type) AI waarmee we het meest interacteren is Machine Learning. Volgens Statista zou de wereldwijde omzet van de AI-markts $59 biljoen overschrijden in 2025.

Lees: 18 Meest Interessante Feiten Over Kwantumcomputers

AI Is De Toekomst, Dankzij Deep Learning

Deep Learning heeft diverse praktische toepassingen van Machine Learning mogelijk gemaakt, taken opbrekend op manieren die alle typen machine-assistie mogelijk maken. Betere productaanbevelingen en verhaalsuggesties, betere preventieve gezondheidszorg, zelfrijdende voertuigen — vandaag de dag zijn al deze dingen mogelijk. Met de hulp van Deep Learning kan AI misschien wel die sci-fi-toestand bereiken die mensen al lang voor zich zien.