AI, machine learning en deep learning: wat is het verschil?

Je kan het vandaag zo gek niet bedenken of één of andere marketeer claimt wel dat het gemaakt is met machine learning, of een AI aan boord heeft. Zo dreigen de termen holle begrippen te worden. Het is daarom belangrijk om voorbij de hype te kijken.

Zodra een catchy klinkende technologieterm voldoende onder de aandacht komt om onder het oog van ’s werelds marketingspecialisten te raken, groeit de term al snel uit tot een weinigzeggend modewoord. We zagen het al gebeuren met blockchain en holle termen als big data. Dezer dagen krijgen ook AI, machine learning en deep learning de hype-behandeling.

Leeg begrip

Zo worden we geconfronteerd met lachwekkende, maar nietszeggende toestanden zoals een AI-reiskoffer, AI-televisies en AI-fitnesstrackers. Dergelijk gebruik van de term doet een professional terecht nadenken over het werkelijke nut van AI, als dat er al is. De waarheid is dat het begrip vandaag zodanig breed en hol is geworden, dat het nog maar weinig zegt. Zowat alles waarbij een computer een beslissing lijkt te nemen, wordt vandaag afgeschilderd als AI. In dat opzicht zou je zelfs kunnen zeggen dat Windows 10 een door AI aangedreven updateproces heeft. Het besturingssysteem probeert updates immers te installeren op een tijdstip dat jou goed uitkomt. Slim!

 

Het is niet omdat je pc of telefoon weet wanneer een update ongelegen komt, dat je het ding plots intelligentie mag toeschrijven.

In werkelijkheid gaat het natuurlijk om weinig meer dan doordachte algoritmes die op een oppervlakkige manier de illusie van slimheid opwekken. Doorgaans is AI een rudimentaire vorm van predictive analytics. Als je smartphone zijn batterij optimaliseert door apps te doen inslapen wanneer je die doorgaans niet gebruikt, dan is dat bezwaarlijk genoeg om je telefoon echt intelligent te noemen.

Op naar de volgende term

Zelfs de marketeers lijken stilaan te beseffen dat ze ‘AI’ hebben opgebruikt. Op naar dat volgende hippe woord dan maar: machine learning. Of misschien kiezen ze wel voor deep learning als het extra technisch mag klinken. Doorgaans worden de termen gebruikt als een nieuwe vlag om dezelfde lading te dekken. Een gezonde dosis cynisme is dus op zijn plaats, maar dat wil niet zeggen dat er de laatste jaren niets is veranderd.

De opkomst van het internet, e-commerce en verbonden toestellen zorgde voor een ware data-explosie. Enkele innovaties in de manier waarop we computers dingen aanleerden, gekoppeld aan de exponentiële groei van hardwarecapaciteiten maakte dan weer dat er plots nieuwe en innovatieve manieren bestaan om met die data om te gaan.

Computerkracht als katalysator

Concreet maken we vandaag een enorme evolutie mee in de capaciteit van een computersysteem om patronen te herkennen in grote hoeveelheden data. Onderzoekers ontwikkelden algoritmes die in staat zijn om aan de hand van patroonherkenning dingen te leren. Het duidelijkste voorbeeld is beeldherkenning. Heel eenvoudig geschetst zijn algoritmes vandaag zo goed in het herkennen van foto’s van een kat, omdat ze miljoenen foto’s van katten kregen voorgeschoteld. Zoekend naar patronen ontdekten ze zo uiteindelijk de parameters die van een kat een kat maken.

 

google ai
Beeldherkenningsalgoritmes worden vandaag getraind in het herkennen van specifieke features. In dit beeld zie je hoe het algoritme voor de herkenning van dieren een beeld ziet dat in een feedbackloop is gestopt.

Artificiële intelligentie

Om te weten wat daar nu zo interessant aan is, is het een goed idee om de relevante termen eens op een rijtje te zetten. Artificiële intelligentie of AI is uiteindelijk meer een concept. Het is een erg breed begrip dat aangeeft dat een computer tekenen van intelligentie toont. AI kan specifiek of generalistisch zijn. Een specifieke AI is goed in één of een handvol taken: katten herkennen op foto’s, met een auto rijden… Een generalistische AI bestaat vooralsnog niet, al doen digitale assistenten zoals Amazon Alexa en de Google Assistant wel aardig hun best om in de buurt te komen. Een generalistische AI is in principe in staat om net als een mens een veelvoud van totaal verschillende taken tot een goed einde te brengen.

Vandaag leven we vooral in het tijdperk van de specifieke AI’s. De capaciteiten van de algoritmes worden steeds complexer. Zo komen we stilaan in de buurt van spraakassistenten die een conversatie gaande kunnen houden en bestaan er al heel wat ‘intelligente’ wagens die perfect zelfstandig op de autosnelweg kunnen rijden. Vanaf wanneer spreek je nu over AI? Dat is een moeilijke zaak. Een zelfrijdende wagen is waarschijnlijk wel slim, maar uiteindelijk niet écht intelligenter dan een zakrekenmachine, dat trouwens veel beter is in hoofdrekenen dan jij.

 

Een zelfrijdende wagen is niet écht intelligenter dan een zakrekenmachine, dat beter is in hoofdrekenen dan jij.

 

Om algoritmes complexere taken aan te leren, hebben onderzoekers zich op een algemene aanpak gericht. Vroeger leek het een goed idee om een AI zelf te programmeren, vandaag is het duidelijk dat zoiets niet werkt. Het is veel efficiënter om een algoritme de nodige tools te geven om zelf iets te leren.

Machine learning

Dat plan van aanpak noemen we machine learning. Machine learning is met andere woorden de beste methode die vandaag bestaat om tot een specifieke AI te komen. Met machine learning krijgt een computer de opdracht om door enorme hoeveelheden data te speuren, op zoek naar patronen en voorspellingen. Programmeurs moeten zo geen specifieke taken meer programmeren in een algoritme, aangezien de computer aan de hand van de beschikbare data zichzelf het beste plan van aanpak aanleert.  Het is de taak van de programmeurs om de computer van een raamwerk en een plan van aanpak te voorzien dat machine learning mogelijk maakt.

 

AI machine learning
Een algoritme programmeren zodat het weet hoe een mens er uitziet, is aartsmoeilijk. Het is veel eenvoudiger om het algoritme te helpen om voor zichzelf te ontdekken wat een mens een mens maakt.

Deep learning

Dan is er tot slot deep learning, wat vandaag de meest voorkomende machine-learning-strategie is. Deep learning maakt gebruik van ‘artificiële neurale netwerken’. Dat zijn netwerken van digitale neuronen, geïnspireerd door het menselijke brein. De netwerken bestaan uit verschillende lagen, die allemaal in staat zijn specifieke zaken te herkennen. Een netwerk dat bijvoorbeeld een verkeersbord moet herkennen, zal zich focussen op vormen, kleuren en formaten. Een eerste laag kan op zoek gaan naar een omgekeerde driehoek, een tweede naar fel rood, en een derde naar wit. Iedere laag zal aangeven of het haar item heeft gevonden en hoe zeker ze daarvan is. Zo kan een neuraal netwerk voor beeldherkenning naar een foto kijken en een voorrangsbord herkennen. Dat gebeurt nooit met 100% zekerheid, al is de zekerheid groter naarmate het netwerk beter getraind is.


Lees dit: Intel lanceert 10 nm-Nervana-chips voor AI-workloads


Tijdens die training wordt het neurale netwerk in een soort feedback-loop gestopt. Daarbij krijgt het beelden te zien, bijvoorbeeld van voorrangsborden, en moet het telkens aangeven of er een bord op staat of niet. Is het fout, dan wordt dat aangegeven (doorgaans door menselijke interventie). Het netwerk past zichzelf vervolgens lichtjes aan in een poging volgende keer wel juist te zijn. Dat kan door bijvoorbeeld bepaalde neuronen in het netwerk meer te doen doorwegen op de finale beslissing.

Helemaal autonoom leren

Bij de training van zo’n netwerk komt in vele gevallen nog een menselijke component kijken, maar lang niet altijd. Zo demonstreerde Google een tijd geleden al hoe een algoritme in staat was om zichzelf te leren om een robotarm te besturen en daarmee dingen op te pakken. Proberen en blijven proberen is telkens de sleutel. Aanvankelijk beweegt het algoritme de arm maar wat, zonder al te veel resultaat. Telkens een poging niets oplevert, probeert de software iets anders uit en evalueert het of dat beter heeft gewerkt.

Geavanceerde kunstmatige neurale netwerken hebben enorm veel lagen, wat de ‘deep’ in deep learning verklaart. Een goed getraind en goed afgesteld neuraal netwerk is een heel krachtige tool. Beeldherkenningsalgoritmes vandaag zijn in sommige gevallen zelfs beter in hun taak dan mensen. Hetzelfde geldt intussen voor (Engelstalige) spraakherkenning.

Deep learning via neurale netwerken als concept bestaat al erg lang. Van zodra computerwetenschappers begonnen na te denken over AI, werden de netwerken als een optie gezien. In de praktijk konden onderzoekers er weinig mee aanvangen, aangezien de training van de algoritmes immens veel parallelle computerkracht vereist. Pas sinds professionalisering van de gpu als hardware voor deep learning, kan de techniek echt tot zijn recht komen. Dat verklaart de recente explosie in AI-gerelateerde toepassingen.

Predictive analytics

Specifieke AI lijkt vaak heel erg op predictive analytics. Zeker in de praktijk komen veel toepassingen niet veel verder dan één of andere implementatie daarvan. Predictive analytics hoeft echter niet aan de hand van deep learning en kan doorgaans veel eenvoudiger. Denk nog maar eens aan je smartphone, die zogezegd AI gebruikt om je batterij te optimaliseren. In de meest technische zin van het woord is dat niet gelogen, maar hoewel de functie handig is, kan je moeilijk spreken van een AI-smartphone. Veel voorbeelden van wat je gerust marketing-AI mag noemen, zijn uiteindelijk een opnieuw verpakte vorm van een efficiënt analyse-platform.

De meest succesvolle voorbeelden van echt geavanceerde AI-toepassingen vind je onder andere in de domeinen van spraakherkenning en beeldherkenning. Dat onderzoekers daar sterk op inzetten, hoeft niet te verwonderen. Het laat computers toe om enerzijds op een veel natuurlijkere manier met ons te converseren en geeft hen anderzijds de kracht om echt te helpen bij bepaalde zaken.

In de praktijk

Eén concreet voorbeeld is de beeldherkenning van Einstein, de slimme assistent van het verkoops- en marketingplatform Salesforce. Einstein kan een marketeer helpen met het monitoren van social media op zoek naar beelden van een product. Vindt het zo’n beeld, dan kan het inschatten of de post positief of negatief is en marketeers daarvan op de hoogte brengen zodat ze kunnen reageren.

Ook voor chatbots staat AI vandaag vrij ver. Taal wordt op een zodanig geavanceerde manier geïnterpreteerd dat consumenten helemaal geen specifieke commando’s moeten geven aan een geautomatiseerde helpdesk om geholpen te worden. Het volstaat om een vraag te stellen en de chatbot zal doorgaans wel slim genoeg zijn om de kern van de zaak te begrijpen. Google gaat hier heel ver in met Duplex, een geavanceerde versie van de Assistant die in staat moet zijn om onder andere zelf telefonische restaurantreservaties te maken met een menselijke ober aan de andere kant van de lijn.

Ook in de gezondheidszorg gooit AI hoge ogen. Zeker IBM zet hier met Watson sterk op in. Watson is in staat om dokters te helpen met diagnoses, eenvoudigweg omdat het beter is in het interpreteren van medische data zoals scans, en bovendien kan teren op een enorme voorraad aan historische gegevens.

Irrelevant

Het mooiste van de zaak: al het bovenstaande is irrelevant vanuit een zakelijk standpunt. Hoewel het interessant is om het verschil tussen de belangrijkste termen in AI-land te kennen, en te weten waarvoor ze verantwoordelijk zijn, is het niet die kennis alleen die helpt om de juiste beslissingen te nemen. De beste raad: als je ergens in een productomschrijving AI, machine learning of deep learning ziet staan, negeer dat dan gewoon. Kijk naar wat het product beoogt te doen en vraag je af of dat nuttig is voor jou. Of het nu predictive analytics is, dan wel een hypermoderne AI: als het resultaat je verder helpt is het interessant, anders niet.