Techniek

Wat is diep leren (of deep learning)?

Diep leren is een leermethode die verband houdt met artificiële intelligentie. Het is een meer geavanceerde subcategorie van machinaal leren

AI die met diep leren functioneert, berust op een netwerk van "artificiële neuronen" (lagen van algoritmen), vergelijkbaar met wat het menselijke brein doet. Net als bij machinaal leren in het algemeen is het de bedoeling dat de machine leert uit de verschillende ervaringen die zij opdoet en zo de antwoorden die zij geeft, verbetert. Maar diep leren gaat veel verder omdat het leren gebeurt door opeenvolgende neurale lagen. 

Afhankelijk van het soort probleem dat het moet oplossen, kan de architectuur van dat neurale netwerk helemaal anders zijn: het aantal lagen, de opbouw van elke laag, het aantal neuronen per laag, enz. Hoe complexer het probleem, hoe meer lagen nodig zijn. Het kan gaan om tientallen tot duizenden lagen voor de krachtigste vormen van AI, die bijvoorbeeld worden gebruikt door grote bedrijven zoals Google of Amazon.

Diep leren wordt vaak in verband gebracht met ongestructureerde, d.w.z. niet-geclassificeerde gegevens. Die leermethode stelt artificiële intelligenties in staat om te werken met niet-kwantitatieve gegevens, zoals geluid, beeld, tekst, enz. door ze te classificeren, te identificeren, enz.

Om een eenvoudig voorbeeld te geven: door dit soort methodologie kunnen onze camera's een glimlach herkennen voordat een foto wordt genomen, of kan Facebook het gezicht van mensen herkennen en de identificatie van een gebruiker voorstellen. In tegenstelling tot het menselijke brein kan AI het gezicht of de glimlach van een persoon niet onmiddellijk herkennen. De AI van de camera en de AI van Facebook moeten dus eerst elke pixel in het beeld stap voor stap ontleden. Elke neurale laag is gespecialiseerd in een taak en zal het beeld stukje bij beetje opnieuw samenstellen en de verschillende delen identificeren: de oren, de neus, de mond, enz. totdat zij door het beeld in zijn geheel opnieuw samen te stellen en dat te combineren met wat zij eerder heeft geleerd, kan vaststellen waar zich het gezicht of de glimlach van de persoon bevindt.

Hoewel deep learning bijzonder performant is, heeft het ook enkele tekortkomingen:

• Gezien het aantal lagen waaruit het is opgebouwd om zo performant te kunnen zijn, en gezien de enorme hoeveelheid gegevens die het moet verwerken, vergt het zeer veel rekenkracht en dus veel energie om te kunnen functioneren. Dat is bovendien een belangrijke ecologische kwestie, waarmee ontwikkelaars steeds meer rekening houden. Het is echter niet vereist om zelf over de noodzakelijke IT-infrastructuur te beschikken. Cloudcomputing biedt een alternatief voor kleine structuren zoals kmo's.

• Dat vereist een zeer grote hoeveelheid gegevens om te kunnen functioneren. Hoe preciezer en complexer de gevraagde taak, hoe meer er geleerd moet worden en hoe meer gegevens AI op basis van deep learning nodig zal hebben.

• Gezien het grote aantal lagen en de complexiteit van de uitgevoerde berekeningen, valt moeilijk te verklaren waarom de algoritmen bij deep learning tot een bepaald resultaat hebben geleid. Dat gebrek aan verklaarbaarheid zou tot aanzienlijke juridische en ethische problemen kunnen leiden.

Ga voor meer informatie naar onze pagina "Risico's en ethische vraagstukken in verband met AI".

Klik op de microfoon en stel uw vraag
Chatbot
Bezoek onze FAQ om het antwoord op al uw vragen te ontdekken.
De stemfunctie is niet beschikbaar op uw browser. Gelieve een recentere browser te gebruiken.