Q&A: Wat is machine learning?

 
‘Slimme’ machines zoals IBM Watson halen de voorpagina, omdat ze voor velen de voorbode zijn van wat zij beschouwen als de toekomst van artificiële intelligentie: machines in dienst van de mens. IBM Watson wordt ingezet bij diagnoses van zeldzame ziekten, Salesforce’s Einstein voorspelt welke leads het meeste kans maken om een klant te worden en AI² kan cyberbedreigingen beter interpreteren dan eender welke securityspecialist. Dat alles begint bij machine learning.
[related_article id=”168902″]

Wat is machine learning?

Machine learning is een vorm van artificiële intelligentie waarbij computers patronen herkennen, en vervolgens uit die patronen leren. Zo kan een systeem zelfstandig ‘lessen trekken’ uit data, zonder dat een mens ingeeft wat het moet leren. Beeldherkenning is een goed voorbeeld. Daarbij worden machines getraind om bepaalde beelden te herkennen en te benoemen. Iedereen met een account bij Google Foto’s kan dat overigens zelf testen: geef eens een onderwerp zoals ‘bloemen’ of ‘honden’ in en kijk hoe Google Foto’s afbeeldingen van je petunia’s of je golden retriever tevoorschijn haalt. Jij hebt die foto’s nooit als dusdanig getagt, dus hoe kan Google weten dat dat beest op de foto een hond is, en geen kat of wolf?

Hoe werkt het?

Computers leren door te trainen, een beetje zoals mensen dat doen. Een neuraal netwerk kan door miljoenen foto’s van andere honden te verwerken, patronen herkennen en op basis daarvan te beslissen of het foto-subject een hond is, dan wel een wolf.
Dat kan worden gedaan met gelabelde foto’s: een menselijke programmeur kan een model ingeven dat het systeem vertelt waar het op moet letten om een hond te herkennen. In mensentaal zou dat het equivalent zijn van: een hond heeft vier poten en een staart. Met dat ‘model’ kan het systeem daarna beginnen om gelabelde foto’s van honden of andere dieren te doorzoeken. De foutenmarge zal initieel hoog liggen, maar elke keer het systeem een gelabelde foto juist of fout herkent, stelt het het model bij: hoe meer data het krijgt aangeboden, hoe groter de kans dan ook dat het accuraat zal oordelen. Eens de gelabelde foto’s juist worden herkend, kunnen nieuwe data worden aangevoerd: onbekende foto’s die niet gelabeld zijn.
 

 
Tegenwoordig is het ook mogelijk om een stap over te slaan. Een neuraal systeem kan ook uit ongelabelde informatie concepten leren. Dat toonde Google bijvoorbeeld in 2012 aan met het befaamde kat-experiment. Een neuraal netwerk werd losgelaten op duizenden ongelabelde YouTube-beelden. Na een periode van observatie, werd getest welke patronen het herkende in de beelden. Eén patroon in het bijzonder viel op: het systeem reageerde sterk op katten. Zonder dat iemand het ooit had verteld wat een kat definieerde, herkende het katten aan de hand van naamloze YouTube-beelden. Dat wordt ook weleens ‘unsupervised machine learning’ genoemd, omdat er in dat geval niemand is die controleert wat het systeem leert.
 
In tegenstelling tot ‘supervised learning’, met gelabelde input, weet men bij ‘unsupervised learning’ niet hoe het systeem tot die uiteindelijke conclusie komt. De achterliggende logica is onmogelijk te achterhalen. Bij beide vormen komt machine learning echter op hetzelfde neer: hoe meer data het systeem bestudeert, hoe groter de kans dat het concepten accuraat zal beoordelen. De machine ‘leert’ uit ervaring.

Wat kunnen we hiermee?

Beeldherkenning is een relatief eenvoudige vorm van machine learning. Desondanks heeft de vooruitgang levensechte implicaties. Denk aan de medische sector waarbij beeldherkenning kan worden gebruikt om röntgenfoto’s en MRI-scans te interpreteren. Een machine kan in heel korte tijd leren uit meer foto’s dan een specialist in een heel leven, en consequent accurate voorspellingen doen.
 

 
De meeste toepassingen van machine learning draaien echter rond meer dan beeldherkenning. Door ‘unsupervised learning’ kunnen systemen patronen herkennen, ook wanneer we zelf niet weten hoe dat patroon zich manifesteert. Zo kan het zijn dat je een miljoen patiëntendossiers ingeeft in een machine learning-systeem, en de vraag stelt waarom de ene groep diabetes ontwikkelt, en de andere niet. Als het systeem een consistent onderscheid ontdekt, kan het ook voorspellen wie kans maakt op diabetes.
 
Een dergelijke vorm van machine learning kan ook gebruikt worden om te voorspellen wie potentiële klanten zijn voor bedrijven, welke e-mails door oplichters worden gestuurd, of wat je volgende online aankoop wordt. Bovendien worden ook autonome wagens door machine learning mogelijk. Machine learning zorgt ervoor dat een zelfrijdende auto het verschil kent tussen een voetganger en een verkeerslicht, en bijvoorbeeld weet dat de snelheid moet worden aangepast als het hard regent.
[related_article id=”168758″]

Machines die leren: gevaarlijk?

We hebben voorlopig niets te vrezen van intelligente machines. Hoewel de vooruitgang onvoorstelbaar snel gaat, staat artificiële intelligentie nog niet ver genoeg om veel meer te doen dan vergevorderde patroonherkenning en te reageren op die patronen. Een stel robotachtige heer en meesters, zoals enkele dystopische toekomstvoorspellingen voorspellen, zijn nog lang niet aan de orde, omdat computers nog steeds niet kunnen redeneren. Wanneer een systeem een hond kan herkennen, betekent dat immers niet dat ze een besef hebben van het concept ‘hond’ als een levend wezen. Het is aannemelijk dat we systemen vanaf nu steeds intelligenter kunnen maken, maar bewustzijn en logica zijn twee dingen waar we nog steeds mijlenver af staan.
 
//www.smartbiz.be/achtergrond/168987/hiervoor-wordt-artificiele-intelligentie-de-toekomst-echt-gebruikt/