IoT en kunstmatige intelligentie (2)

In sneltreintempo zie je heel veel Internet of Things toepassingen met nieuwe mogelijkheden beschikbaar komen. De sensorische informatie wordt verzameld in platformen en voert aan de hand van slimme logica allerlei gewenste acties uit. Kunstmatige intelligentie wordt daarbij steeds vaker ingezet als een van de essentiële hulpmiddelen. Een belangrijke vorm van kunstmatige intelligentie is te vinden in machine learning. Kenmerkend aan deze fascinerende techniek is dat de ontwikkeling stamt uit de vorige eeuw en dus al ruimschoots voor het internettijdperk is begonnen. In 1946 werd het eerste computersysteem ENIAC ontwikkeld. In die tijd sprak men over een numerieke computer en werd het woord computer grofweg uitgelegd als een machine die werkt als een mens die numerieke berekeningen op papier uitvoert. Men had toen al de vooruitziende blik dat menselijk denken en leren door de computer kon worden uitgevoerd.

Kunstmatige intelligentie, we zitten er middenin
De Britse wiskundige Alan Turing ontwikkelde als computerpionier in 1950 een test om prestaties van intelligente systemen te meten. De Turing test is gebaseerd op het idee dat we alleen kunnen bepalen of een machine daadwerkelijk kan leren als we ermee kunnen communiceren zonder dat daarbij verschil wordt waargenomen met menselijke communicatie. Geen enkel systeem slaagde in die tijd voor deze ingenieuze test. Het heeft zelfs tot het huidige decennium geduurd voordat de eerste systemen door de Turing test kwamen. We zijn dus aanbeland in het tijdperk van kunstmatige intelligentie, spannend!

Van kunstmatige naar cognitieve intelligentie
Kunstmatige of Artificiële intelligentie kent zijn bron in machine learning. Het nieuwste begrip in deze technologische ontwikkeling is Cognitieve intelligentie. Dit is een doorontwikkeling die veel verder gaat dan de redelijk logische benadering van machine learning. Cognitieve systemen zijn ontworpen om problemen op te lossen op de manier waarop mensen problemen oplossen, door te denken, redeneren en onthouden. Een boeiende techniek waarbij steeds intensiever gebruik wordt gemaakt van neurale netwerken. Ik kom daar later zeker op terug, maar eerst wil ik terug naar de basis en meer vertellen over de achtergronden van machine learning.

Machine learning
Machine learning bootst niet het menselijk brein na maar is beperkt zich tot “leren” van data uit het verleden met als doel hiermee voorspellingen te maken. Er zijn een aantal manieren om een algoritme te laten “leren” uit beschikbare data. De toepassing hangt af van de wijze waarop de data werkelijk beschikbaar is. Om meer beeld bij kunstmatige intelligentie te krijgen is het goed om eerst de verschillende onderscheidingsvormen van machine learning nader te bekijken.

Supervised learning (gecontroleerd leren) maakt gebruik van goed gestructureerde en keurig gecategoriseerde data als input, vaak verzameld en gelabeld door mensen. De algoritmes worden met deze data getraind om steeds beter antwoord te geven aan de gebruikers. Het kenmerkende van supervised learning is dat de uitkomst in de ingevoerde data ligt. Een voorbeeld is de aanbeveling van producten zoals je vaak zie in webshops. Het algoritme geeft aanbevelingen op basis van bevindingen bij vergelijkbare klanten of eerdere aankopen. Supervised learning is redelijk lineair, met de voorspellingen kan weinig misgaan. Voorspellingen worden gedaan op vaste gegevens zoals het lichaamsgewicht, de leeftijd en bijvoorbeeld de activiteiten van personen.

Unsupervised learning (ongecontroleerd leren) werkt heel anders omdat de uitkomst van het algoritme buiten de ingevoerde data ligt. De data die als input dient is wel bekend maar niet gestructureerd. Het algoritme moet nu zelf structuur en verbanden in de data ontdekken en hier zijn output mee genereren. De computer zal de input verdelen in categorieën waarin elementen worden geplaatst gebaseerd op sterke gelijkenissen. Unsupervised learning wordt toegepast als er geen historische gegevens zijn. Een voorbeeld hiervan is het ontdekken van overeenkomsten in video of audio materiaal waarbij acties worden uitgezet op gedrag of bepaalde geluidsfragmenten.

Semi-Supervised learning is een combinatie van supervised en unsupervised learning. De input bestaat uit zowel gelabelde als niet gelabelde data. De keuze voor semi-supervised learning is vaak gebaseerd op een compromis, gelabelde data is immers moeilijker te verwerven en daarmee veel kostbaarder dan ongestructureerde data.

Reinforcement learning is doelgericht leren op basis van interactie met de omgeving. Veelgehoorde toepassingen zijn zelfrijdende auto’s die aan de hand van verzamelde informatie uit eerdere ritten bepaalde conclusies trekken. Je kunt dit vergelijken met mensen die conclusies trekken uit hun daden.

Opstap naar neurale netwerken
Deze laatste vorm van machine learning staat het dichts bij de doorontwikkeling van kunstmatige intelligentie naar cognitieve intelligentie. Een mooie opstap naar deep learning en neurale netwerken. Volgende keer meer!