Wat is deep learning? Een korte introductie tot deep learning

Deep learning helpt organisaties om machine learning te implementeren. Dat maakt het ontzettend belangrijk voor de technologische ontwikkeling van nieuwe oplossing. Deep learning ligt onder meer ten grondslag aan zelfrijdende auto’s en innovatieve oplossingen in de zorg. Maar wat is deep learning precies? En hoe pas jij het toe? Dat – en meer – ontdek je in deze blog.

# Wat is deep learning?

Het werkt als volgt. Een computer krijgt talloze voorbeelden te zien of horen van een bepaald object. Daardoor leert het een patroon te herkennen en zo herkent een computer na verloop van tijd zelfstandig of het een kat ziet of het woord ‘Alexa’ hoort. Daardoor is het mogelijk om een vervolgactie te koppelen aan het waarnemen van een bepaald object of geluid. Voor smart home oplossingen is dit dus een onmisbare techniek.

Merk op dat deze manier van leren veel lijkt op de manier waarop we zelf hebben geleerd om bijvoorbeeld katten te herkennen of nieuwe woorden te gebruiken. Ook het leren van meer complexe uitingen – zoals grammatica en zinsopbouw – is mogelijk dankzij deep learning.

# Wat is er diep?

Deep learning wordt ook wel diep structured leren en hierarchical leren genoemd. Wat is er eigenlijk zo diep aan deze vorm van leren? Deze vorm van leren wordt ondersteund door kunstmatige, neurale netwerken. Door onze kennis van de werking van onze hersenen, hebben we een kunstmatige variant van onze hersenen kunnen maken.

Het voorname verschil van dit kunstmatige neurale netwerk, is dat deep learning meer gericht is op de verschillende lagen of hiërarchieën waarin deze neuronen verwerkt worden. Een opdracht wordt ‘opgeknipt’ in verschillende lagen en elke ‘laag’ voert een opdracht uit. Doordat er zoveel opdrachten worden voltooid – en er dus zoveel lagen werkzaam zijn – spreken we over deep learning.

# Wat is het verschil met machine learning?

Deep learning is in feite een onderdeel van machine learning. Dankzij het is het mogelijk om computers machinaal te laten leren. Dit machinaal leren maakt op zijn beurt weer kunstmatige intelligentie mogelijk. Het maakt gebruik van neurale netwerken die grote hoeveelheden data analyseren aan de hand van voorbeelden. Machine learning is daarentegen een verzamelterm, waarbij vaak juist niet gebruik wordt gemaakt van neurale netwerken.

Zie deep learning dus als een Gazelle of Batavus, namelijk als twee voorbeelden van een fiets. Zo is het een goed voorbeeld van machinaal leren. Een fiets is weer een bekend middel om personen mee te vervoeren, zoals kunstmatige intelligentie een bekend middel is om computers menselijke handelingen mee uit te laten voeren.

Meer informatie over machine learning kan je vinden in onze machine learning blog.

# Wat zijn bekende voorbeelden?

Dankzij deep learning zijn er veel nieuwe toepassingen mogelijk. Niet alleen tech-bedrijven maken gebruik van het, maar ook traditionele sectoren zoals de zorg zien de meerwaarde van deze techniek. Dit zijn bekende en aansprekende voorbeelden van deep learning, die wellicht ook jou inspireren om aan de slag te gaan met deze techniek:

–   Er zijn verschillende startups die zich richten op het automatisch herkennen van talige uitingen. Denk bijvoorbeeld aan Travis de Tolk en Zoi Meet, dat een gesproken zin vertaalt (Travis) of tegelijkertijd transcribeert (Zoi Meet). Ook de gesproken zoekopdrachten op je telefoon zouden niet mogelijk zijn zonder deep learning;

–   Het lezen van medische scans gebeurt vaak handmatig. Dat brengt risico’s met zich mee: het is niet altijd zeker of een arts elke afwijking ziet. Dankzij analyses, kwamen er ook diverse nieuwe relevante eigenschappen van tumoren aan het licht;

–   Chatbots worden slimmer naarmate ze gebruikmaken van grote hoeveelheden data. Hoe meer gesprekken en talige interacties er aan de bot ‘gevoerd’ wordt, hoe menselijker de interactie van de bot met de gebruikers is. Ook zijn de antwoorden van een chatbot vaker bruikbaar dankzij deep learning.

# Wat zijn de voordelen?

Soms is deep learning beter in staat om een bepaald fenomeen te signaleren dan dat een mens dat kan. Dat is niet zo betekenisvol als het gaat over het spotten van katten in YouTube-video’s. Als het echter aankomt op het signaleren van onregelmatige cellen of andere kanker-indicatoren, dan kan het een echt verschil maken in het leven van mensen.

Merk op dat er ethische bezwaren kleven aan deep learning. Denk bijvoorbeeld aan drones die zelfstandig beslissingen nemen en aanvallen uitvoeren op bepaalde doelwitten. Computers die zelfstandig beslissingen nemen, zorgen ervoor dat we minder belast worden en meer tijd overhouden voor andere werkzaamheden. In sommige gevallen is het echter de vraag of we computers een afweging moeten laten maken, bijvoorbeeld als het over leven of dood van mensen gaat.

Dat we minder tijd en moeite hoeven te steken in bepaalde werkzaamheden, bespaart organisaties FTE’s. Hoe meer data en rekenkracht beschikbaar wordt, hoe meer werkzaamheden overgenomen kunnen worden door computers die leren dankzij deep learning. Het maakt organisaties efficiënter.