Blog:

Hoe werkt deep learning ?

Deep learning ?

Deep learning is onderdeel van Machine learning, wat weer een onderdeel is van Artificial Intelligence. Momenteel is Machine learning, min of meer gelijk aan Artificial Intelligence. Dat heeft ermee te maken dat we nog niet in staat zijn tot echte AI, wat  inhoud dat computers echt na kunnen denken. Problemen op kunnen breken in deelproblemen en deeloplossingen in concrete oplossingen. In de basis is machine learning een vorm van statistiek waarbij input (data) via diverse lagen (neurale networken) relaties gaat onderzoeken.

Bij taal gaat het bijvoorbeeld om hoe vaak woorden in combinatie met elkaar voorkomen, hoe vaak een structuur (grammatica) kan worden ontdekt. Op een hoger niveau wat de context van een zin is. Is het een vraag en wat is het onderwerp, persoonsvorm etc.. Zo leert een computer taal.

Beeldherkenning

Bij beeldherkenning zijn de lagen eerst pixel patronen, die op een hoger niveau de randen kunnen herkennen van een structuur. Deze herkennen op hun beurt contouren zoals een wiel of een neus. Op het volgende niveau kunnen de contouren worden vergeleken met objecten zoals een auto of een mens. Daarna kan je gedrag of emotie herkennen bij een persoon. Voor beeldherkenning worden hierbij zogenaamde convolutional neural networks (CNN) gebruikt, die de algoritmes bevatten om deze diverse lagen te onderzoeken. In versimpelde vorm ziet een neural netwerk er als volgt uit.

Neuraal netwerk

Om te begrijpen hoe zo’n neuraal netwerk werkt, nemen we het wiel even als voorbeeld. Een wiel heeft een vaste vorm, namelijk rond. Alle pixels van de band zijn zwart. Door meerdere wielen te vergelijken deze te markeren (annoteren) als wiel wordt het patroon vastgelegd in de relaties tussen de pixels en de vorm. De pijltjes geven de relaties aan en de pixels de bolletjes. Bij een volgend wiel gaat het netwerk bekijken of de relaties en pixels dezelfde sterke relatie hebben, als dat zo is, is de conclusie. Het is een wiel. Hoeveel het erop lijkt bepaald met welk percentage zekerheid dit kan worden bepaald. Dus hoe meer voorbeeld wielen, hoe beter het netwerk kan bepalen of een volgend wiel ook daaraan voldoet. Een neuraal netwerk is een vorm van deep learning.

Appels en Peren vergelijken

Een aardig voorbeeld van hoe Deep learning een probleem aan kan pakken is hoe mensen appels met peren vergelijken is. Ieder mens herkent immers een appel en een peer maar als het complexer is dan hebben ze daar beduidend meer moeite mee. Terecht natuurlijk. Een computer kan echter net zo makkelijk appels met peren vergelijken als een kankercel ten opzichte van een gewone cel. En met hoge betrouwbaarheid zonder te beseffen wat het een is ten opzichte van het ander. De patronen moeten zodanig verschillend zijn dat het onderscheid net zo groot of groter is dan tussen een appel en een peer. Bij cellen zijn dus foto’s met een hele hoge resolutie nodig om dat onderscheid te kunnen bepalen. Maar niet te vergeten ook goede pathologen die kunnen annoteren. Als iemand zonder kennis dat doet, wordt het een warboel.

Poliep of kankercel ?

Statistiek

Het is belangrijk te beseffen dat Machine learning en deep learning statistiek gebruiken in het herkennen van patronen. Zo wordt voor iedere relatie een percentage toegekend aan de kracht van de relatie. Hoe hoger dat percentage is, hoe beter een zin kan worden ontleed of een beeld kan worden herkend. Daarom geldt ook hoe meer data hoe beter een AI systeem wordt. Daarbij is het nog wel van belang dat die data zelf juist is en er ook verschillen zijn. Als je bijvoorbeeld 400 foto’s van monden aan zou leveren en deze allemaal als mond markeert, is de kans erg groot dat het volgende beeld van een mond ook daadwerkelijk wordt gevonden. Maar als dat de enige data is die er is, zal een neus ook als mond worden herkend, immers de wereld bestaat alleen uit monden.

Centillien en deep learning

Centillien heeft al diverse producten en oplossingen gemaakt op basis van deep learning. Zo is Intra, ons product voor beeld en herkenning van gedrag daarop gebaseerd. Het gebruikt Convolutional Neural Networks om lagen te creëren in het herkennen van patronen om vervolgens deep learning toe te passen om de relatie te ontdekken. Het resultaat is verbluffend, zoals onderstaand filmpje duidelijk maakt.

Wat heb ik hier aan ?

Deep learning is momenteel een erg hot topic. Begrijpen hoe dit werkt, helpt niet alleen om de wereld een beetje beter te begrijpen. Het helpt ook om nieuwe toepassingen te bedenken. Ons motto is als jij het kunt bedenken, kunnen wij het maken. Laat je dus inspireren en bedenk een AI toepassing op basis van deep learning voor jouw organisatie en vraag ons om te kijken wat we ermee kunnen. Hopelijk spreken we elkaar snel.

Inspiratie opgedaan ?




    Deep learning
     

    2 reacties

    Geef een reactie

    Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

    *

    *

    *