Volledige afhandeling gebeurt via e-mail & telefoon info@sofie.be
Stuur Sofie een e-mail
info@sofie.be

Blog

Kunstmatige intelligentie, machinaal leren en diep leren begrijpen

Kunstmatige intelligentie (AI) en de subsets Machine Learning (ML) en Deep Learning (DL) spelen een belangrijke rol in datawetenschap. Data Science is een veelomvattend proces dat voorbewerking, analyse, visualisatie en voorspelling omvat. Laten we diep in AI en zijn subsets duiken.

Kunstmatige Intelligentie (AI) is een tak van informatica die zich bezighoudt met het bouwen van slimme machines die taken kunnen uitvoeren waarvoor doorgaans menselijke intelligentie vereist is. AI is voornamelijk onderverdeeld in drie categorieën, zoals hieronder:

  • Kunstmatige Narrow Intelligence (ANI)

  • Kunstmatige Algemene Intelligentie (AGI)

  • Kunstmatige superintelligentie (ASI).

Smalle AI, ook wel ‘Weak AI’ genoemd, voert een enkele taak op een bepaalde manier het beste uit. Een automatische koffieautomaat bijvoorbeeld, die een goed gedefinieerde reeks handelingen uitvoert om koffie te zetten. Terwijl AGI, ook wel ‘Strong AI’ genoemd, een breed scala aan taken uitvoert waarbij wordt gedacht en redeneert als een mens. Een voorbeeld is Google Assist, Alexa, Chatbots die gebruik maken van Natural Language Processing (NPL). Artificial Super Intelligence (ASI) is de geavanceerde versie die de menselijke capaciteiten overtreft. Het kan creatieve activiteiten uitvoeren, zoals kunst, besluitvorming en emotionele relaties.

Laten we nu eens kijken naar Machinaal leren (ML). Het is een subset van AI die modellering van algoritmen omvat die helpen om voorspellingen te doen op basis van de herkenning van complexe gegevenspatronen en sets. Machine learning is erop gericht algoritmen in staat te stellen te leren van de verstrekte gegevens, inzichten te verzamelen en voorspellingen te doen op eerder niet-geanalyseerde gegevens met behulp van de verzamelde informatie. Verschillende methoden van machine learning zijn:

  • begeleid leren (Zwakke AI – Taakgestuurd)

  • niet-gesuperviseerd leren (Strong AI – Data Driven)

  • semi-gesuperviseerd leren (sterke AI – kosteneffectief)

  • versterkt machine learning. (Sterke AI – leer van fouten)

Supervised machine learning gebruikt historische gegevens om gedrag te begrijpen en toekomstige voorspellingen te formuleren. Hier bestaat het systeem uit een aangewezen dataset. Het is gelabeld met parameters voor de invoer en de uitvoer. En als de nieuwe gegevens komen, analyseert het ML-algoritme de nieuwe gegevens en geeft de exacte output op basis van de vaste parameters. Gesuperviseerd leren kan classificatie- of regressietaken uitvoeren. Voorbeelden van classificatietaken zijn beeldclassificatie, gezichtsherkenning, e-mail spamclassificatie, detectie van fraude identificeren, enz. en voor regressietaken zijn weersvoorspelling, voorspelling van bevolkingsgroei, enz.

Ongecontroleerde machine learning gebruikt geen geclassificeerde of gelabelde parameters. Het richt zich op het ontdekken van verborgen structuren uit niet-gelabelde gegevens om systemen te helpen een functie correct af te leiden. Ze gebruiken technieken als clustering of dimensionaliteitsreductie. Clustering omvat het groeperen van gegevenspunten met vergelijkbare metriek. Het is datagedreven en enkele voorbeelden voor clustering zijn filmaanbeveling voor gebruikers in Netflix, klantsegmentatie, koopgewoonten, enz. Enkele voorbeelden van dimensionaliteitsreductie zijn feature-elicitatie, big data-visualisatie.

Semi-supervised machine learning werkt door zowel gelabelde als niet-gelabelde gegevens te gebruiken om de leernauwkeurigheid te verbeteren. Semi-supervised learning kan een kosteneffectieve oplossing zijn wanneer het labelen van gegevens duur blijkt te zijn.

Bekrachtigend leren is behoorlijk verschillend in vergelijking met gesuperviseerd en niet-gesuperviseerd leren. Het kan worden gedefinieerd als een proces van vallen en opstaan ​​dat uiteindelijk resultaten oplevert. Het wordt bereikt door het principe van de iteratieve verbetercyclus (leren door fouten uit het verleden). Reinforcement learning is ook gebruikt om agenten autonoom rijden te leren in gesimuleerde omgevingen. Q-learning is een voorbeeld van versterkingsleeralgoritmen.

Doorgaan naar Diep leren (DL), het is een subset van machine learning waarbij je algoritmen bouwt die een gelaagde architectuur volgen. DL gebruikt meerdere lagen om geleidelijk hogere functies uit de onbewerkte invoer te extraheren. Bij beeldverwerking kunnen lagere lagen bijvoorbeeld randen identificeren, terwijl hogere lagen de concepten kunnen identificeren die relevant zijn voor een mens, zoals cijfers of letters of gezichten. DL wordt over het algemeen aangeduid als een diep kunstmatig neuraal netwerk en dit zijn de algoritmesets die uiterst nauwkeurig zijn voor problemen zoals geluidsherkenning, beeldherkenning, natuurlijke taalverwerking, enz.

Om samen te vatten Data Science omvat AI, inclusief machine learning. Machine learning zelf omvat echter nog een andere subtechnologie, namelijk deep learning. Dankzij AI, omdat het in staat is om steeds moeilijkere problemen (zoals het beter opsporen van kanker dan oncologen) beter op te lossen dan mensen.

Bron: Cinoy Ravindran

  • Gerelateerde Tags: