Wat is deep learning?

Hoe weet een Tesla wanneer die moet stoppen of versnellen? Hoe herkent je IPhone je stem of gezicht? Achter veel van deze slimme toepassingen zit deep learning, een technologie waarmee computers leren door voorbeelden te analyseren, zonder dat wij ze alles stap voor stap hoeven uit te leggen. In dit artikel lees je wat deep learning is, hoe het werkt en wat het onderscheidt van machine learning.

Wat is deep learning?

Deep learning is een technologie binnen kunstmatige intelligentie waarmee computers zelfstandig kunnen leren van gegevens. Het maakt gebruik van kunstmatige neurale netwerken, die zijn geïnspireerd op de werking van het menselijk brein. Deze netwerken bestaan uit meerdere lagen van met elkaar verbonden ‘neuronen’. Elk neuron ontvangt informatie, verwerkt deze en stuurt het resultaat door naar de volgende laag. Door dit proces kunnen computers steeds complexere patronen herkennen.

Je kunt het vergelijken met een kind dat leert om katten van honden te onderscheiden. Door veel voorbeelden te zien, leert het kind het verschil te herkennen. Deep learning werkt op een vergelijkbare manier: het leert door voorbeelden te analyseren, zonder expliciete instructies van een mens.

Hoe werkt deep learning?

Deep learning-systemen zijn ontworpen om zelfstandig voorspellingen te doen. Dankzij een gelaagde structuur kan het grote hoeveelheden data analyseren en verbanden leggen, op een manier die lijkt op menselijke redenering. Dit maakt deep learning krachtiger en flexibeler dan voorgaande zelflerende systemen.

Elke laag in het netwerk leert iets anders:

• De input laag is de eerste laag. Deze herkent simpele patronen, denk aan lijnen of kleuren. Bijvoorbeeld: de input laag ziet stukjes van de kat, zoals een oor vorm, een snorhaar of een stukje vachtkleur.
• De verborgen lagen herkennen complexere structuren, zoals ogen of gezichten. Als we de kat weer als voorbeeld nemen: de laag herkent een oog, een poot of de vorm van het kattengezicht.
• De laatste laag is de outputlaag. In deze laag wordt de uiteindelijke voorspelling gedaan op basis van wat de verborgen lagen ontdekt hebben, bijvoorbeeld: als meerdere kenmerken van een kat zijn herkend, dan zegt de outputlaag: ‘dit is een kat’.

Bij gezichtsherkenning leert het netwerk bijvoorbeeld eerst wat randen zijn, dan ogen en monden en uiteindelijk of het gezicht van de juiste persoon is.

Om te kunnen leren, moet het netwerk weten of het antwoord goed of fout is. Als het fout is, ontvangt het netwerk feedback over de fout zodat het zich kan aanpassen. Hoe meer gegevens het netwerk gebruikt om mee te oefenen, hoe beter het antwoord meestal wordt. Om goed te kunnen werken, heeft een deep learning-programma heel veel oefenmateriaal nodig. Hij moet soms wel miljoenen plaatjes zien om bijna altijd het juiste antwoord te kunnen geven.

Verschillende leertechnieken binnen deep learning:

Net als bij machine learning, maakt deep learning gebruik van verschillende leertechnieken:

• Supervised learning: het model leert van gelabelde voorbeelden. Bijvoorbeeld: een dataset met hondenfoto’s waarbij elk beeld een label met het hondenras heeft.
• Unsupervised learning: het model ontdekt zelf patronen in data zonder labels. Bijvoorbeeld een verzameling dierenfoto’s zonder bijschriften.
• Reinforcement learning (RL): Het model leert door proberen en fouten maken. Het neemt acties in een bepaalde omgeving en krijgt op basis van het resultaat beloningen of straffen. Zo leren bijvoorbeeld zelfrijdende auto’s hoe ze in verschillende verkeerssituaties moeten reageren. Een mooi voorbeeld hiervan uit de praktijk is de WEpod. Dit is een zelfrijdend busje dat tussen station Ede-wageningen en Wageningen Campus zou gaan rijden. Om te testen of de voertuigen naar behoren werkten, was er een route in Ede voorbereid waar de WEpods reden en van alles leerden over de route.

Deep learning vs machine learning

Deep learning is een verder ontwikkelde vorm van machine learning. Het is ontwikkeld om machine learning efficiënter te maken. Machine learning (ML) is een onderdeel van kunstmatige intelligentie. ML is de ontwikkeling van computerprogramma’s die toegang hebben tot data en deze data kunnen gebruiken om zelf te leren. Machine learning en deep learning verschillen op het gebied van:

• Het type data waarmee ze werken
• De methode waarmee ze leren

Machine learning vereist gestructureerde, gelabelde data (data in de vorm van getallen en waarden). Menselijke experts identificeren handmatig relevante onderdelen uit de data en ontwerpen algoritmen voor de computer om deze data te begrijpen. Machine learning heeft dus meer hulp van mensen nodig om te leren.

Aan de andere kant staan deep learning-modellen, welke ongestructureerde data zoals audiobestanden of berichten op sociale media verwerken en bepalen welke kenmerken verschillende categorieën data van elkaar onderscheiden, zonder menselijke tussenkomst.

Hierdoor kan deep learning zelfstandiger en met grotere hoeveelheden data werken dan machine learning.

Een technologie die blijft leren

Deep learning is een technologie die schuilgaat achter veel slimme toepassingen die we dagelijks gebruiken. Of het nu gaat om een Tesla die zelfstandig stopt bij een obstakel, of een IPhone die jouw gezicht of stem herkent. Ze maken allemaal gebruik van deep learning om te leren van voorbeelden in plaats van vaste regels te volgen. Door het nabootsen van de manier waarop ons brein patronen herkent, kunnen computers complexe taken uitvoeren en zich blijven verbeteren. In vergelijking met machine learning heeft deep learning minder menselijke hulp nodig en kan het zelfstandig inzichten halen uit enorme hoeveelheden, vaak ongestructureerde data.