Invoering
De afgelopen jaren duiken de termen kunstmatige intelligentie en machine learning regelmatig op in technologienieuws en op websites. Vaak worden de twee als synoniemen gebruikt, maar veel experts beweren dat ze subtiele maar echte verschillen hebben.
En natuurlijk zijn de experts het onderling wel eens oneens over wat die verschillen zijn.
Over het algemeen lijken twee dingen echter duidelijk: ten eerste is de term kunstmatige intelligentie (AI) ouder dan de term machine learning (ML), en ten tweede beschouwen de meeste mensen machine learning als een subset van kunstmatige intelligentie.
Kunstmatige intelligentie versus machinaal leren
Hoewel AI op veel manieren wordt gedefinieerd, is de meest algemeen aanvaarde definitie “het gebied van de informatica dat zich toelegt op het oplossen van cognitieve problemen die gewoonlijk worden geassocieerd met menselijke intelligentie, zoals leren, probleemoplossing en patroonherkenning”, in wezen is het het idee dat machines intelligentie kunnen bezitten.
Het hart van een op kunstmatige intelligentie gebaseerd systeem is het model. Een model is niets anders dan een programma dat zijn kennis verbetert door middel van een leerproces door observaties over zijn omgeving te doen. Dit type op leren gebaseerd model is gegroepeerd onder begeleid leren. Er zijn andere modellen die onder de categorie van niet-gesuperviseerde leermodellen vallen.
De uitdrukking “machine learning” dateert ook uit het midden van de vorige eeuw. 1959, Arthur Samuel gedefinieerd ML als “het vermogen om te leren zonder expliciet geprogrammeerd te zijn.” En hij ging verder met het maken van een computercontroleprogramma dat een van de eerste programma’s was die van zijn eigen fouten kon leren en zijn prestaties in de loop van de tijd kon verbeteren.
Net als AI-onderzoek raakte ML lange tijd uit de mode, maar het werd weer populair toen het concept van datamining rond de jaren negentig een vlucht nam. Datamining gebruikt algoritmen om patronen in een bepaalde set informatie te zoeken. ML doet hetzelfde, maar gaat dan nog een stap verder: het verandert het gedrag van zijn programma op basis van wat het leert.
Een toepassing van ML die de laatste tijd erg populair is geworden, is beeldherkenning. Deze toepassingen moeten eerst worden getraind – met andere woorden, mensen moeten naar een aantal afbeeldingen kijken en het systeem vertellen wat er op de afbeelding staat. Na duizenden en duizenden herhalingen leert de software welke patronen van pixels over het algemeen worden geassocieerd met paarden, honden, katten, bloemen, bomen, huizen, enz., en kan een behoorlijk goede schatting maken van de inhoud van afbeeldingen.
Veel webgebaseerde bedrijven gebruiken ML ook om hun aanbevelingsengines aan te drijven. Wanneer Facebook bijvoorbeeld beslist wat er in uw nieuwsfeed wordt weergegeven, wanneer Amazon producten uitlicht die u misschien wilt kopen en wanneer Netflix films voorstelt die u misschien wilt bekijken, zijn al deze aanbevelingen gebaseerd op voorspellingen die voortkomen uit patronen in hun bestaande gegevens.
Kunstmatige intelligentie en machine learning Frontiers: diep leren, neurale netwerken en cognitieve computing
Natuurlijk zijn “ML” en “AI” niet de enige termen die verband houden met dit gebied van informatica. IBM gebruikt vaak de term ‘cognitive computing’, die min of meer synoniem is met AI.
Sommige van de andere termen hebben echter zeer unieke betekenissen. Een kunstmatig neuraal netwerk of neuraal netwerk is bijvoorbeeld een systeem dat is ontworpen om informatie te verwerken op een manier die vergelijkbaar is met de manier waarop biologische hersenen werken. Dingen kunnen verwarrend zijn omdat neurale netwerken bijzonder goed zijn in machine learning, dus die twee termen worden soms samengevoegd.
Bovendien vormen neurale netten de basis voor deep learning, een bepaald soort machine learning. Deep learning maakt gebruik van een bepaalde set machine learning-algoritmen die in meerdere lagen worden uitgevoerd. Het wordt gedeeltelijk mogelijk gemaakt door systemen die GPU’s gebruiken om een heleboel gegevens tegelijk te verwerken.
Als je in de war bent door al deze verschillende termen, ben je niet de enige. Computerwetenschappers blijven discussiëren over hun exacte definities en zullen dat waarschijnlijk nog wel een tijdje doen. En aangezien bedrijven geld blijven steken in onderzoek naar kunstmatige intelligentie en machine learning, zullen er waarschijnlijk nog een paar termen bijkomen om de problemen nog ingewikkelder te maken.
