Hoeveel data heeft een machine nodig voor deep learning?
De term “artificiële intelligentie” verwijst naar een computerprogramma dat zelf rationele beslissingen kan nemen. Die beslissingen vloeien niet voort uit een soort briljante supersoftware. Net als bij de meeste mensen moet een algoritme eerst deftig studeren alvorens het slim genoeg is om een bepaalde taak op zich te nemen. Dat proces van training noemen we machine learning of deep learning.
Deep learning
Bij deep learning krijgt een algoritme een boel data te verwerken. We nemen een bekend voorbeeld: beeldherkenningssoftware. Een dergelijk programma is in staat om objecten op foto en video te identificeren, zoals je huisdier. De software verkreeg die kennis door eerst stapels en stapels beelden te analyseren waar de verschillende objecten op benoemd werden.
Zodra het algoritme genoeg beelden analyseert van bijvoorbeeld een kat of een hond, is het in staat om deze correct aan te duiden in foto’s zonder labels. Voeder nog wat meer specifieke data aan het algoritme, en het zal onderscheid kunnen maken tussen jouw kat en die van je buren.
Schaal
Maar hoeveel data heb je nodig voor artificiële intelligentie op eigen benen kan staan en correcte beslissingen kan maken? Recentelijk liet Jeff Dean zijn licht schijnen over de vraag. Dean is niet de minste: hij is het hoofd van Google Brain, een team binnen de technologiereus dat zich focust op onderzoek rond machine learning. Hij werkt als sinds de jaren ’90 rond artificiële intelligentie.
Tijdens een interview met website VentureBeat kaarte Jeff Dean het punt aan waarop bedrijven kunnen beginnen denken aan de ontwikkeling van een eigen algoritme. “Ik zou zeggen dat elk bedrijf met tien- of honderdduizenden klanteninteracties genoeg schaal heeft om te beginnen denken over het toepassen van deze dingen,” zegt hij. “Als je alleen maar tien voorbeelden van iets hebt, dan zal het moeilijk zijn om iets met deep learning te doen. Als je 100.000 dingen hebt waar je om geeft, registers of wat dan ook, dat is de grootorde waar je echt zou moeten beginnen denken over dit soort technieken.”
Mensenwerk
Volgens Dean zal machine learning en AI uiteindelijk een impact hebben op zowat elke sector. Hij is echter nuchter over de termijn waarin dit zal gebeuren. Een grote doorbraak is nog niet voor morgen, daarvoor zijn er nog te veel obstakels. Machine learning vraagt op dit moment bijvoorbeeld nog heel wat inspanningen van mensen. “Er hangt heel wat werk aan machine learning vast dat eigenlijk niet het trainen van de machines is,” zegt hij. “Je moet je data verzamelen, misschien moet je mensen aan het werk zetten om voorbeelden te labelen en daarna moet je een dataverwerkende programma schrijven dat de dataset creëert waarmee je je machine learning wil uitvoeren.”
Dat harde werk loont echter. Slimme algoritmes hebben al enkele tot de verbeeldingsprekende prestaties neergezet, van Deep Blue die als eerst een schaakgrootmeester versloeg tot recent een nieuwe versie van AlphaGo dat op drie dagen tijd zichzelf tot een (voor mensen) onverslaanbare Go-meester trainde.
https://www.techpulse.be/ebook/218617/artificiele-intelligentie-download-het-gratis-e-book/
De term “artificiële intelligentie” verwijst naar een computerprogramma dat zelf rationele beslissingen kan nemen. Die beslissingen vloeien niet voort uit een soort briljante supersoftware. Net als bij de meeste mensen moet een algoritme eerst deftig studeren alvorens het slim genoeg is om een bepaalde taak op zich te nemen. Dat proces van training noemen we machine learning of deep learning.
Deep learning
Bij deep learning krijgt een algoritme een boel data te verwerken. We nemen een bekend voorbeeld: beeldherkenningssoftware. Een dergelijk programma is in staat om objecten op foto en video te identificeren, zoals je huisdier. De software verkreeg die kennis door eerst stapels en stapels beelden te analyseren waar de verschillende objecten op benoemd werden.
Zodra het algoritme genoeg beelden analyseert van bijvoorbeeld een kat of een hond, is het in staat om deze correct aan te duiden in foto’s zonder labels. Voeder nog wat meer specifieke data aan het algoritme, en het zal onderscheid kunnen maken tussen jouw kat en die van je buren.
Schaal
Maar hoeveel data heb je nodig voor artificiële intelligentie op eigen benen kan staan en correcte beslissingen kan maken? Recentelijk liet Jeff Dean zijn licht schijnen over de vraag. Dean is niet de minste: hij is het hoofd van Google Brain, een team binnen de technologiereus dat zich focust op onderzoek rond machine learning. Hij werkt als sinds de jaren ’90 rond artificiële intelligentie.
Tijdens een interview met website VentureBeat kaarte Jeff Dean het punt aan waarop bedrijven kunnen beginnen denken aan de ontwikkeling van een eigen algoritme. “Ik zou zeggen dat elk bedrijf met tien- of honderdduizenden klanteninteracties genoeg schaal heeft om te beginnen denken over het toepassen van deze dingen,” zegt hij. “Als je alleen maar tien voorbeelden van iets hebt, dan zal het moeilijk zijn om iets met deep learning te doen. Als je 100.000 dingen hebt waar je om geeft, registers of wat dan ook, dat is de grootorde waar je echt zou moeten beginnen denken over dit soort technieken.”
Mensenwerk
Volgens Dean zal machine learning en AI uiteindelijk een impact hebben op zowat elke sector. Hij is echter nuchter over de termijn waarin dit zal gebeuren. Een grote doorbraak is nog niet voor morgen, daarvoor zijn er nog te veel obstakels. Machine learning vraagt op dit moment bijvoorbeeld nog heel wat inspanningen van mensen. “Er hangt heel wat werk aan machine learning vast dat eigenlijk niet het trainen van de machines is,” zegt hij. “Je moet je data verzamelen, misschien moet je mensen aan het werk zetten om voorbeelden te labelen en daarna moet je een dataverwerkende programma schrijven dat de dataset creëert waarmee je je machine learning wil uitvoeren.”
Dat harde werk loont echter. Slimme algoritmes hebben al enkele tot de verbeeldingsprekende prestaties neergezet, van Deep Blue die als eerst een schaakgrootmeester versloeg tot recent een nieuwe versie van AlphaGo dat op drie dagen tijd zichzelf tot een (voor mensen) onverslaanbare Go-meester trainde.
https://www.techpulse.be/ebook/218617/artificiele-intelligentie-download-het-gratis-e-book/
