Dé kennispartner van de digitale transformatie
Header Deep Learning
Header Deep Learning

Deep Learning 

Kunstmatige Intelligentie wordt vaak doormiddel van Machine Learning getraind. Binnen dit domein valt ook Deep Learning.

Deep Learning is een belangrijk element van Data Science en is erg goed in het herkennen van patronen en abstracte voorwerpen. Vooral op gebied van statistieken en predictiemodellen wordt Deep Learning vaak ingezet. Data Scientist die grote data sets moeten ophalen, analyseren en interpreteren zijn vaak enorm geholpen met Deep Learning omdat dit het verwerken enorm verkort en makkelijker maakt.

Leerproces van Deep Learning

Het leerproces van Deep Learning is geïnspireerd op het leerproces van dat van een mens of kind.

Vandaar noemen we het ook wel eens Deep Neural Networking of Deep Neural Learning.

Laten we in ons voorbeeld even bloem nemen als leerdoel. Waar Machine Learning leert aan de hand van foto’s of iets wel of geen bloem is, door ja of nee, leert deep learning door ze zelf aan te wijzen en uiteindelijk ook de eigenschappen. Deze eigenschappen concludeert het algoritme zelf aan de hand van grote data sets.

Dus in plaats van dat je een kind foto’s laat zien van een bloem en verteld of dit wel of geen bloem is, wijst het kind iets aan en noemt het bloem. Jij geeft antwoord; “goed gedaan dat is inderdaad een bloem” of “nee joh, dat is een hond”. Het kind zal uiteindelijk, zonder dat het zich ervan bewust is, meerdere eigenschappen herkennen om zo een hiërarchisch model van een bloem te maken. Dit model kan dan uiteindelijk gebruikt worden om het antwoord te krijgen; dit is een bloem. Een volgende stap in de hiërarchie zou kunnen zijn welke bloem dit is op basis van dezelfde set met daarbovenop weer meer eigenschappen.

Om een zo goed mogelijk resultaat te krijgen heeft het algoritme enorme grote hoeveelheden data nodig.

Deep Learning

Toepassing van Deep Learning

Deep Learning wordt veel ingezet waar enorme grote hoeveelheden data in een korte periode beoordeeld of doorzocht moeten worden. Een aantal voorbeelden zijn;

Klantenservice – veel klantenservice chatbots worden door een deep learning model aangestuurd. De klant vraagt iets en het antwoord moet zo accuraat mogelijk zijn. Daarnaast is het de bedoeling dat de klant niet doorheeft dat er een robot aan de andere kant zit. Aan de andere kan hebben we natuurlijk ook onze digitale assistenten als Siri, Alexa of Google.

Gezondheidzorg – in de gezondheidzorg zijn er al meerdere deep learning oplossingen die meekijken met een arts bij een MRI of scan. Watson van IBM helpt bijvoorbeeld de oncologie afdeling met het opstellen van een behandelplan voor kanker op basis van de laatst beschikbare kennis over kanker.

Beeld en geluid herkenning – hoe heet dan ene nummer ook alweer? We konden eerder de muziek al laten horen en zo achterhalen welk nummer het was. Tegenwoordig kan je het doormiddel van deep learning ook zelf neuriën of proberen te zingen. Op het gebied van beeldherkenning hebben we ook al hele stappen gemaakt wanneer je denkt aan bijvoorbeeld een app dat bomen en bloemen herkent.

Zelf rijdende auto’s – Apple, Tesla en Nissan zijn maar een greep uit de poel van autofabrikanten die een zelfrijdende auto ontwikkelen. Met behulp van Deep Learning kunnen beslissingen en inschattingen binnen een split second worden gemaakt en verbeterd het model zichzelf.

Beperkingen van Deep Learning

Ook Deep Learning heeft zo zijn grenzen en beperkingen.

Data – Alhoewel Deep Learning uitermate geschikt is voor ongestructureerde data, heeft het model wel enorm veel data nodig om zich te trainen. Dit brengt ons ook gelijk bij de volgende beperking;

Computerkracht – Enorme hoeveelheden data betekend enorme hoeveelheden rekenkracht. Deze rekenkracht worden momenteel uit GPU’s (graphical processing units) gehaald, welke duurder zijn.

Training tijd – Het training van een neuraal netwerk kan soms weken tot wel maanden duren. Dit is afhankelijk van de hoeveelheid data er moet verwerkt en uit hoeveel lagen het neurale netwerk bestaat.

Wie zijn MvR Academy en School of Datascience?

MvR Academy is een bedrijf dat is ontstaan vanuit MvR & Partners, wat al jaren een betrouwbare ondersteunende partner is van de publieke sector. De passie voor digitalisering en technologische ontwikkelingen heeft ervoor gezorgd dat MvR een Academy heeft opgericht om individuen en organisaties kennis op dit vlak mee te geven. Vanuit deze gedeelde passie is School of Data Science als partner van MvR Academy aangesloten om trainingen te geven over alles op het gebied van Data Science en Artificial Intelligence. School of Data Science is toonaangevend voor persoonlijke ontwikkeling op het gebied van de laatste ontwikkelingen op technologisch vlak.

In de spotlights
Zelf je eigen Deep Learning model leren bouwen? Bekijk eens onze Masterclass Deep Learning of neem contact met me op!
Bekijk de masterclass

Zij gingen je voor