Volg de innovatieversnellers: artificiële intelligentie, machine learning en deep learning zijn geen synoniemen! | Agoria

Volg de innovatieversnellers: artificiële intelligentie, machine learning en deep learning zijn geen synoniemen!

Afbeelding
Gepubliceerd op 21/10/21 door Jelle Hoedemaekers
“Data is het nieuwe goud.” Veel bedrijven bevinden zich op een databerg, en willen meer datagedreven beslissingen nemen. De fuzz rond data en artificiële intelligentie schrikt veel mensen af. Onnodig, want vaak is complexe programmatie helemaal niet nodig, en raakt u al een heel stuk verder met enkele praktische tips en tricks. Hoe begint u eraan ? Lees vooral verder!
Agoria organiseert op 17 november een Deep Learning Day, waar u – mits een voorbereiding van maximaal 2 uur – zelf aan de slag kan. 

"Je wordt ondergedompeld in het opzetten van een echte AI-toepassing. De fuzz rond AI laten we achterwege en er wordt gefocust op een praktische case, waarbij je uitgedaagd wordt om zelf de handen uit de mouwen te steken. Het enthousiasme van de lesgever loodst je zonder problemen doorheen de gehele AI-programmatie."

Thomas Verlodt, Senior Project Engineer Operations – Niko

Het doel? Inzichten verzamelen

Waarom worden termen als Artificiële Intelligentie (AI), Machine Learning (ML) en Deep Learning (DL) zo vaak door elkaar gebruikt ? Het zijn alle drie praktische toepassingen van diverse data-analysemodellen en algoritmen voor uiteenlopende toepassingen in verschillende bedrijfstakken. Deze tools hebben het potentieel om meer inzichten te genereren op basis van data. Deze inzichten genereren op hun beurt waarde voor bedrijven.

Dankzij AI, ML en DL zijn mensen in staat om ongeziene patronen te ontdekken en om mogelijke uitkomsten te voorspellen van bepaalde acties. Het blijft nog steeds een uitdaging om zinvolle inzichten uit data te halen – daarvoor is net zowel kennis van datatoepassingen als van de bedrijfsvoering noodzakelijk.  

Steeds meer configureerbare tools

Zowat 20 jaar geleden vereisten deze technieken nog veel codeerwerk, en werden deze tools vooral gebruikt door data-experten – in nauw overleg met specialisten die over de nodige expertise in een bepaald domein. Deze codeersystemen zijn nu nog wijd verspreid, maar er komen ook steeds meer configureerbare tools op de markt.

Artificiële Intelligentie wordt dus meer en meer gemeengoed, en je kan nu zelf ook hands on aan de slag met configureerbare tools om een data-experiment op te zetten. . 

Wat is artificiële intelligentie (AI)?

Simpel gezegd heeft kunstmatige intelligentie (Artificial Intelligence, AI) betrekking op systemen of machines die onze eigen intelligentie nabootsen om taken uit te voeren en die zichzelf tijdens dat proces kunnen verbeteren op basis van de vergaarde informatie.

AI heeft eerder betrekking op het proces van en het vermogen tot uiterst doelgericht denken en analyseren van data dan dat het om een bepaalde indeling of functie gaat. AI is een breed begrip, en omvat machine learning en deep learning.

Wat is machine learning?

Machine Learning is de subset van AI-technologie die rond de jaren 1980 een hoge vlucht heeft genomen. De belangrijkste toepassing ervan is de steeds hogere kwaliteit en precisie van big data-analyse. De ML-algoritmen vinden patronen in de historische gegevens en de getrainde ML-modellen volgen deze patronen om de waardevolle inzichten in nieuwe gegevens te voorspellen.

Twee belangrijke methodes hierin zijn:

  • supervised learning (met tussenkomst van een data-analist of een domeinexpert) en
  • unsupervised learning (waar een algoritme alle inzichten zelfstandig genereert).

Beide methodes hebben hun voor- en nadelen: supervised learning is meer tijdsintensief voor de expert, maar hij/zij leert zelf wel veel bij tijdens het experiment. Unsupervised learning is minder tijdsintensief, maar kan dan weer tot inzichten leiden die niet erg waardevol zijn (bijvoorbeeld dat er een verband is tussen elektriciteitsproductie en het geproduceerd volume bij een bedrijf in de maakindustrie).

Hoe dan ook blijft het bij ieder data-experiment belangrijk dat de inzichten niet zonder meer kunnen toegepast worden op gelijk welk ander experiment.

Wat is deep learning?

Deep Learning-algoritmen maken gebruik van meerdere lagen van knooppunten met verschillende gewichtsfactoren, zogenaamde Deep Neural Networks of DNN's. Er zijn input- en outputknooppunten, en daartussen ten minste 10 lagen. Door het logische gewicht van elke DNN-knoop aan te passen, kunnen de datawetenschappers de uitkomst beïnvloeden en zo het model trainen om op schaal de gewenste resultaten te bereiken.

Door de ontwikkeling van massaal parallelle gegevensverwerking en het gebruik van krachtige GPU's (Graphic Processing Units) kunnen datawetenschappers tegenwoordig gebruik maken van DNN's met duizenden lagen. Op deze manier kan je een algoritme trainen om bijvoorbeeld katten en honden van elkaar te onderscheiden op basis van beelden.

Zelf hands on aan de slag ?
Met onze Deep Learning Day maken we u duidelijk dat artificiële intelligentie (AI) ook binnen uw handbereik is, en dat u mits de nodige motivatie zélf kunt werken aan een AI-oplossing binnen uw bedrijf.

Ontdek hier het programma van de Deep Learning Day op 17 november.
Was dit artikel nuttig?