Deep learning en de mogelijkheden met AI

Wat is deep learning?

Een zelfrijdende auto die zelfstandig objecten kan herkennen en op basis daarvan besluiten kan nemen. Het ontwijken van fietsers, auto’s of voetgangers, het afstemmen van de snelheid op een voorganger of het nemen van een bocht: zomaar een paar voorbeelden waarbij deep learning wordt toegepast. Maar deep learning, wat is dat eigenlijk?

Deep learning definitie

De volgende definitie van deep learning wordt vaak gebruikt:

• Deep learning zijn een speciale soort machine learning algoritmes waarbij in meerdere lagen op een non-lineaire manier data wordt verwerkt met als doel het herkennen van zogenaamde ‘features’ in deze data en het maken van voorspellingen.

De bovenstaande definitie klinkt een beetje technisch, maar in de praktijk valt het mee. Daarnaast is het goed om te weten dat deep learning is gebaseerd op de manier waarop het menselijk brein in elkaar zit. Dit wordt ook wel een kunstmatig neuraal netwerk genoemd. Daarnaast is deep learning een manier om kunstmatige intelligentie te bereiken.

Wat zijn de toepassingen van deep learning?

Dat deep learning als aparte categorie wordt onderscheiden binnen machine learning is geen toeval. Deep learning is namelijk erg geschikt voor een aantal specifieke toepassingen:

• Herkenning van beelden.

• Verwerking van geschreven taal.

• Herkennen van gesproken taal.

• Uitvoeren van bepaalde taken in omgevingen van beperkte complexiteit met vaste regels, zoals het spelen van een schaakspel.

• Het razendsnel maken van voorspellingen op basis van data.

Het bijzondere is dat resultaten die op deze gebieden met deep learning worden behaald niet alleen sneller zijn dan met machine learning of door mensen, maar ook nog eens veel nauwkeuriger. Onder andere als het gaat om beeldherkenning, het spelen van video games en stemherkenning of stemgeneratie, is deep learning ons allang voorbij gestreefd.

Wat zijn de unieke eigenschappen van deep learning?

Vandaag de dag wordt deep learning toegepast in talloze applicaties, projecten en onderzoeken. Dat wil niet zeggen dat er alleen maar voordelen aan kleven en binnen het vakgebied is nog veel ruimte voor verbetering als het gaat om vereiste data, vereiste rekenkracht, transparantie en de tijd die het kost om een deep learning model te trainen. Echter, wanneer bedrijven werken met deep learning kunnen ze gebruik maken van de unieke eigenschappen van deep learning:

• Het trainen van een deep learning model kost veel meer tijd dan het trainen van een ander machine learning model, maar als dit achter de rug is kan het razendsnel voorspellingen doen. Traditionele machine learning modellen doen veel langer over het voorspellen dan een neuraal netwerk.

• Er is een grote hoeveelheid data nodig om een deep learning model te trainen, maar als deze hoeveelheid data er is werkt deep learning extreem goed. Dit is één van de redenen waarom image recognition en voice recognition zo geschikt zijn voor deep learning.

• De resultaten van het model zijn niet transparant, maar dat wil niet zeggen dat er niet mee gewerkt kan worden. Het is voor iemand die een deep learning model bouwt moeilijk om uit te leggen hoe het model tot een bepaald resultaat komt. Dit is nog meer het geval voor een eindgebruiker die op basis van dit resultaat een besluit moet nemen. Dit hoeft geen probleem te zijn als in de praktijk blijkt dat een model vele malen beter presteert dan een mens.

De bovenstaande voordelen geven goed weer wat de unieke eigenschappen zijn van deep learning en wat deep learning kan betekenen voor bedrijven. Wilt u weten of APPelit als deep learning ontwikkelaar iets kan betekenen voor uw bedrijf, of zit u met een concrete uitdaging op dit gebied? Onze mensen staan voor u klaar.

https://www.appelit.com