Deep learning en zelflerende systemen: Wat is het verschil?

Het kan overweldigend lijken om de meest recente ontwikkelingen op het gebied van kunstmatige intelligentie (ofwel AI) te begrijpen. Om het eenvoudig te houden, kunnen we echter stellen dat de meeste innovaties op het gebied van AI terug te voeren zijn op twee concepten: zelflerende systemen en deep learning.

Voorbeelden van zelflerende systemen en deep learning zijn overal te vinden. Zelfrijdende auto’s gebruiken het, Netflix gebruikt het om te weten welk programma je de volgende keer wilt bekijken en Facebook gebruikt het om gezichten op foto’s te herkennen.

Door de hype rond AI zou je kunnen denken dat zelflerende systemen en deep learning wellicht vergelijkbaar zijn, maar er zijn wel degelijk verschillen. Wat zijn deze twee concepten waar we zo veel over horen nu precies, en hoe verschillen ze van elkaar? Lees verder om erachter te komen.

Deep learning en zelflerende systemen

Het makkelijkste weetje om het verschil tussen zelflerende systemen en deep learning te begrijpen is dat deep learning een vorm van een zelflerend systeem is.

Meer specifiek wordt deep learning beschouwd als een evolutie van zelflerende systemen. Het maakt gebruik van een programmeerbaar neuraal netwerk waarmee machines nauwkeurige beslissingen kunnen nemen zonder de hulp van mensen.

Maar laten we om te beginnen eerst eens kijken naar de definitie van zelflerende systemen.

Hoe werken zelflerende systemen?

Een eenvoudig voorbeeld van een algoritme voor zelflerende systemen is een on-demand dienst voor het streamen van muziek. Om ervoor te zorgen dat de dienst een beslissing kan nemen over welke nieuwe nummers of artiesten aan een luisteraar moeten worden aanbevolen, koppelen algoritmes voor zelflerende systemen de voorkeuren van de luisteraar aan andere luisteraars met een vergelijkbare muzieksmaak. Deze techniek, die vaak simpelweg AI wordt genoemd, wordt veel gebruikt door diensten die met geautomatiseerde aanbevelingen werken.

Bij een zelflerend systeem komt veel complexe wiskunde en codering kijken. Dit werkt echter niet veel anders dan de techniek achter bijvoorbeeld zaklampen, auto’s of computerschermen. Als we zeggen dat iets als een “zelflerend systeem” kan worden gezien, bedoelen we dat het een systeem is dat een functie uitvoert aan de hand van geleverde gegevens en op progressieve wijze steeds beter wordt. Je kunt het vergelijken met een zaklamp die aangaat wanneer je “het is donker” zegt, en die dus verschillende zinnen moet kunnen herkennen die het woord “donker” bevatten.

Zelflerende systemen drijven allerlei soorten geautomatiseerde taken aan in diverse branches, van databeveiligingsbedrijven die malware opsporen tot financiële experts die meldingen willen ontvangen over gunstige transacties. AI-algoritmes worden geprogrammeerd om voortdurend te leren, waardoor ze in zekere zin fungeren als een virtuele persoonlijke assistent, wat ze zeer goed doen.

De manier waarop machines nieuwe trucjes kunnen leren, wordt pas echt interessant (en boeiend) als we het over deep learning en diepe neurale netwerken hebben.

Hoe werkt deep learning?

Deep learning-modellen worden ontworpen om continu gegevens te analyseren met een logische structuur die lijkt op de manier waarop een mens conclusies trekt. Om dit te bereiken, gebruiken deep learning-applicaties een gelaagde structuur van algoritmes die een kunstmatig neuraal netwerk wordt genoemd. Het ontwerp van een kunstmatig neuraal netwerk is geïnspireerd op het biologische neurale netwerk van het menselijk brein, waardoor het leerproces tot veel meer in staat is dan de standaardmodellen voor zelflerende systemen.

Het is een lastig karwei om ervoor te zorgen dat een model van een zelflerend systeem geen verkeerde conclusies trekt. Net als bij andere voorbeelden van AI is er veel training voor nodig om de leerprocessen in goede banen te leiden. Als het echter eenmaal goed werkt, wordt functionele deep learning vaak gezien als een wetenschappelijk wonder en de ruggengraat van echte kunstmatige intelligentie.

Een goed voorbeeld van deep learning is AlphaGo van Google. Google creëerde een computerprogramma met een eigen neuraal netwerk dat leerde om het abstracte bordspel Go te spelen, een spel waarvan bekend is dat het veel verstand en intuïtie vereist. Door tegen professionele Go-spelers te spelen, leerde het deep learning-model van AlphaGo om het spel te spelen op een niveau dat nog nooit eerder werd vertoond door kunstmatige intelligentie. Het bijzondere is dat er niet gezegd werd welke specifieke zet de AI moest doen, zoals bij een standaard model van zelflerende systemen wel het geval is.

Het deed nogal wat stof opwaaien toen AlphaGo meerdere wereldberoemde “meesters” in het spel versloeg. Niet alleen kon een machine de complexe technieken en abstracte aspecten van het spel begrijpen, maar ook nog eens een van de beste spelers worden. Het was een strijd tussen menselijke en kunstmatige intelligentie, en de laatste kwam als winnaar uit de bus.

Voor een meer praktische use case kunnen we denken aan een app voor beeldherkenning die een type bloem of vogelsoort kan identificeren op basis van een foto. Dergelijke beeldclassificatie wordt aangedreven door een diep neuraal netwerk. Deep learning wordt ook gebruikt voor spraakherkenning en vertaling en stuurt letterlijk zelfrijdende auto's aan.

Het verschil tussen deep learning en zelflerende systemen

In de praktijk is deep learning slechts een subcategorie van zelflerende systemen. Technisch gezien is deep learning in feite een zelflerend systeem en functioneert het op eenzelfde manier (vandaar dat de termen soms losjes door elkaar gebruikt worden). De mogelijkheden zijn echter verschillend.

Hoewel basismodellen voor zelflerende systemen steeds beter worden in het uitvoeren van hun specifieke functies naarmate ze nieuwe gegevens binnenkrijgen, hebben ze nog steeds enige menselijke inbreng nodig. Als een AI-algoritme een onnauwkeurige voorspelling retourneert, moet een engineer ingrijpen en aanpassingen maken. Met een deep learning-model kan een algoritme via zijn eigen neurale netwerk bepalen of een voorspelling accuraat is of niet, zonder dat daar menselijke hulp voor nodig is.

Laten we teruggaan naar het voorbeeld van de zaklamp: deze kan geprogrammeerd worden om aan te gaan als hij iemand het woord “donker” hoort zeggen. Door verder te leren, kan het uiteindelijk de taak uitvoeren wanneer het een zin hoort die dat specifieke woord bevat. Als de zaklamp echter een deep learning-model had, zou hij erachter kunnen komen dat hij aan zou moeten gaan bij aanwijzingen zoals “ik kan niets zien” of “de lichtschakelaar werkt niet”, misschien in combinatie met een lichtsensor.

Een deep learning-model kan leren door middel van zijn eigen rekenmethode, een techniek waardoor het lijkt alsof het een eigen brein heeft.

Samengevat zijn de belangrijkste verschillen tussen zelflerende systemen en deep learning:

• Zelflerende systemen maken gebruik van algoritmes om gegevens te ontleden, van die gegevens te leren en weloverwogen beslissingen te nemen op basis van het geleerde.

• Deep learning organiseert algoritmes in lagen om een “kunstmatig neuraal netwerk” te creëren dat kan leren en dat zelfstandig intelligente beslissingen kan nemen.

• Deep learning is een subcategorie van zelflerende systemen. Hoewel beide onder de brede categorie van kunstmatige intelligentie vallen, is deep learning de basis voor AI die het meeste weg heeft van het menselijke brein.

Welke soorten zelflerende systemen zijn er?

Laten we voor een nadere blik eens kijken naar de drie hoofdtypen van zelflerende systemen en hoe ze van elkaar verschillen.

Wat zijn de verschillende soorten deep learning-algoritmen?

Met zelflerende systemen kunnen computers opmerkelijke taken uitvoeren, maar ze kunnen de menselijke intelligentie nog steeds niet evenaren. Diepe neurale netwerken daarentegen zijn gemodelleerd naar het menselijk brein en vertegenwoordigen een nog geavanceerder niveau van kunstmatige intelligentie.

Er zijn verschillende soorten deep learning-algoritmen. Hier bespreken we de populairste modellen.

Convolutional neural networks

Convolutional neural networks (CNN’s) zijn algoritmen die specifiek zijn ontworpen voor beeldverwerking en objectdetectie. Met “convolution” wordt een uniek proces bedoeld waarbij een beeld wordt gefilterd om elk element erin te beoordelen.

CNN’s worden vaak gebruikt voor computer vision, een onderdeel van AI waarmee machines leren hoe ze visuele informatie moeten verwerken. Een veelgebruikte toepassing van computer vision is gezichtsherkenningstechnologie.

Recurrent neural networks

Recurrent neural networks (RNN’s) hebben ingebouwde feedbacklussen waarmee de algoritmen gegevenspunten uit het verleden kunnen “onthouden”. RNN's kunnen gebeurtenissen onthouden en dit gebruiken om de huidige omstandigheden te begrijpen of zelfs om de toekomst te voorspellen.

Hoe meer context ze hebben, hoe beter diepe neurale netwerken kunnen “denken”. Een kaarten-app die wordt aangestuurd door een RNN kan bijvoorbeeld “onthouden” wanneer de verkeersdrukte erger wordt. Het kan deze kennis vervolgens gebruiken om een alternatieve route aan te bevelen wanneer er files ontstaan.

Gegevens zijn de brandstof van de toekomst

Door de enorme hoeveelheid nieuwe gegevens die tegenwoordig worden gegenereerd, zullen er ongetwijfeld innovaties komen die we ons nu nog niet eens kunnen voorstellen. Volgens datawetenschappers zullen sommige van deze doorbraken waarschijnlijk toepassingen met deep learning zijn.

Andrew Ng, voormalig hoofdwetenschapper van de Chinese zoekmachine Baidu en een van de leiders van het Google Brain Project, deelde een geweldige analogie voor deep learning-modellen met Wired:

“Ik denk dat AI vergelijkbaar is met het bouwen van een raket. Je hebt een enorme motor en veel brandstof nodig”, zei hij tegen Wired-journalist Caleb Garling. “Als je een grote motor en een kleine hoeveelheid brandstof hebt, kom je niet in een baan om de aarde. Als je een kleine motor en een ton brandstof hebt, kun je niet eens opstijgen. Om een raket te bouwen heb je een enorme motor en heel veel brandstof nodig. De analogie met deep learning is dat de motor van de raket de deep learning-modellen zijn en de brandstof de enorme hoeveelheid gegevens die deze algoritmes nodig hebben.”

Wat zelflerende systemen en deep learning betekenen voor klantenservice

Veel van de huidige AI-applicaties in klantenservice maken gebruik van algoritmes met zelflerende systemen. Ze worden gebruikt om selfservice te stimuleren, de productiviteit van werknemers te verhogen en workflows betrouwbaarder te maken.

De gegevens die in die algoritmes worden ingevoerd, zijn afkomstig van een constante stroom van binnenkomende vragen van klanten, inclusief de relevante context van de problemen waarmee klanten te maken krijgen. Het samenvoegen van die context in een AI-applicatie leidt op zijn beurt tot snellere en nauwkeurigere voorspellingen. Hierdoor is kunstmatige intelligentie een boeiend vooruitzicht voor veel bedrijven, waarbij marktleiders speculeren dat klantenservice het meest zal profiteren van de toepassingen van bedrijfsgerelateerde AI.

Zelflerende systemen en deep learning worden bijvoorbeeld beide gebruikt voor natuurlijke taalverwerking, een tak van computerwetenschap die computers de mogelijkheid geeft om tekst en spraak te begrijpen. In de wereld van CX zijn Amazon Alexa en Siri van Apple twee goede voorbeelden van “virtuele agents” die spraakherkenning kunnen gebruiken om vragen van consumenten te beantwoorden.

AI-gedreven bots voor klantenservice gebruiken dezelfde leermethoden om te reageren op getypte tekst. Een goed voorbeeld uit de praktijk zijn de geavanceerde bots van Zendesk. Dit zijn geoptimaliseerde bots voor messaging en e-mail die gebruikmaken van de meest uitgebreide database met klantintenties, specifiek voor CX-teams in je branche. Zo profiteer je van meer gepersonaliseerde en nauwkeurige antwoorden, een hogere productiviteit van agents en een snellere installatie.

Meer informatie over onze bouwtools voor bots.