Vooruitgang in machine learning – DATAVERSITY

Machine learning is ongetwijfeld een van de krachtigste technologieën van de afgelopen tien jaar geworden. Door de nadruk op “leren” bij machine learning kunnen computers steeds betere beslissingen nemen op basis van eerdere ervaringen.

Vooruitgang in deze technologie heeft recente doorbraken mogelijk gemaakt die snellere en efficiëntere bedrijfsinformatie bevorderen, met behulp van vaardigheden die variëren van gezichtsherkenning tot natuurlijke taalverwerking.

Machine leren programma’s kunnen worden gezien als afzonderlijke componenten of subprogramma’s van AI die onafhankelijk kunnen werken. Het doel van echte kunstmatige intelligentie (een computer of programma dat denkt en communiceert als een mens) is nog niet bereikt. Individuele machine learning-programma’s zijn echter getraind om zich te specialiseren in het uitvoeren van bepaalde taken die behoorlijk nuttig zijn. Om verschillende redenen is machine learning vaak aangeduid als AI. Combinaties van een breed scala aan machine learning-programma’s, die als subprogramma’s fungeren, kunnen het doel van echte kunstmatige intelligentie ondersteunen.

Virtuele assistenten

Deze assistenten voor machine learning zijn enkele van de meest geavanceerde vormen van kunstmatige intelligentie die momenteel op de markt zijn. Hoewel ze niet over filosofie kunnen praten, kunnen ze basiscommando’s begrijpen en hebben ze een vrij grote woordenschat. Virtuele assistenten kunnen helpen bij dagelijkse taken, zoals bellen, herinneringen aan vergaderingen geven, takenlijsten beheren en notities maken. Enkele van de meer geavanceerde (Flamingo AI) kan de onderzoekstijd met wel 75 procent verminderen. Ze versterken het menselijk onderzoek door informatie te vinden binnen de silo’s van de organisatie.

Interacties heeft een virtuele assistent ontwikkeld die klanten helpt bij transacties. Een groot aantal transacties kan worden voltooid zonder de hulp van een menselijke tussenpersoon. Interactions.com beschrijft hun product als een combinatie van gespreks-AI met begrip om impactvolle, positieve klantervaringen te creëren.

Chatbots

Momenteel, chatbots zijn niet zo geëvolueerd als virtuele assistenten. Hoewel hun vermogen om taal te begrijpen vergelijkbaar is, is hun doel in het algemeen om als informatiekiosk te fungeren. Hun antwoorden zijn beperkter, geven routebeschrijvingen aan bedrijven in een winkelcentrum of beantwoorden de telefoon en bieden een kleine selectie van antwoorden. Chatbots worden gebruikt voor verschillende taken, zoals telefonische interacties, online klantenondersteuning of assistentie bij online technische ondersteuning. Een groot deel van de groeiende populariteit van de chatbot is gebaseerd op het feit dat ze eenvoudig in te zetten zijn. Als gevolg hiervan zijn ze vaak de eerste ervaring van een organisatie met machine learning.

ML-algoritmen voor het schrijven van ML-algoritmen

Er zijn een beperkt aantal datawetenschappers en machine learning experts, en helaas zijn er simpelweg niet genoeg om rond te gaan. Als reactie hierop worden programma’s ontwikkeld die machine learning gebruiken om betere machine learning te ontwikkelen. Gebeld geautomatiseerd machine learning (of AutoML), wordt het beschreven als “democratisering van machine learning” en stelt bedrijven in staat om gecompliceerde zakelijke problemen op te lossen met ML-programma’s. Door de hoge mate van automatisering in dit proces kunnen niet-experts technieken en modellen voor machine learning gebruiken zonder de expertise van een datawetenschapper. Een standaard machine learning-pijplijn omvat doorgaans:

De hierboven genoemde bewerkingen vereisen aanzienlijke expertise en het kost een ervaren persoon behoorlijk wat tijd om ze uit te voeren. AutoML automatiseert het proces echter en vermindert de benodigde tijd. Het is sneller, maar niet per se beter. Als geautomatiseerd systeem helpt het om menselijke fouten te elimineren, en in sommige gevallen kan AutoML meer functionele modellen ontwikkelen dan zijn menselijke tegenhangers.

NLP

Natuurlijke taalverwerking (of NLP) houdt zich bezig met het programmeren van computers voor het verwerken en analyseren van gegevens die zijn gepresenteerd in de vorm van menselijke taal. Met andere woorden, de computer zal verbale opdrachten begrijpen en accepteren. NLP maakt het veel gemakkelijker voor mensen om met machines te communiceren. Zoals NLP gaat vooruit, we kunnen niet alleen grappen uitwisselen met Siri en Alexa, maar mensen met een handicap hebben veel gemakkelijker toegang tot computers en het kan worden gebruikt om te vertalen voor mensen die verschillende talen spreken. Als onderzoekstool kan het het geschreven woord ‘lezen’ en enorme hoeveelheden ongestructureerde gegevens doorzoeken om nuttige bedrijfsinformatie te vinden.

Grafiek neurale netwerken

Grafische neurale netwerken zijn een vorm van machine learning die gebruikmaakt van een neuraal netwerk dat werkt op een grafiekstructuur. Gelijkwaardig aan graph-databases, grafische neurale netwerken (GNN’s) leggen de nadruk op relaties. Grafieksystemen zijn datastructuren die door neurale netten kunnen worden gebruikt om bepaalde taken te leren, zoals regressie, classificatie, en clustering. Historisch gezien waren GNN’s moeilijk om mee te werken. Recente vorderingen in netwerkarchitecturen, parallelle berekeningen en optimalisatietechnieken hebben echter succesvolle machine learning binnen hen bevorderd.

Grafieken gebruiken lijnen (relaties) om knooppunten (entiteiten of objecten) te verbinden. Grafieken vertegenwoordigen vaak situaties uit het echte leven. In de natuurkunde vertegenwoordigen de knooppunten bijvoorbeeld fysieke elementen, terwijl randen de veldenergieën vertegenwoordigen die tussen hen worden uitgedrukt (sterren en zwaartekracht / magnetische krachten). Andere voorbeelden van grafieken die worden gebruikt om situaties uit het echte leven weer te geven, zijn:

  • Kaarten: Waar steden knooppunten zijn en wegen randen
  • Menselijke relaties: Mensen zijn de knooppunten en hun relaties zijn randen
  • Webgrafieken: Knooppunten zijn webpagina’s en randen zijn hyperlinks
  • Kennisgrafieken: Dit toont een manier om kennis logisch te organiseren. De EU kan bijvoorbeeld in beperkte zin worden omschreven als “regerend” Spanje. De EU zou worden voorgesteld als een knooppunt, verbonden door een rand, met een knooppunt met de naam Spanje, dat op zijn beurt zou worden verbonden met een knooppunt met de naam Lissabon, de hoofdstad van Spanje.
  • Chemie: Moleculaire grafieken kunnen worden gebruikt om atomen (knooppunten) en chemische bindingen (randen) weer te geven, om de structuurformule van verschillende chemische verbindingen uit te drukken

In april 2019 kwamen MIT-onderzoekers gebruikte GNN’s om het vermogen van robots om materialen in specifieke vormen te gieten te verbeteren en om voorspellingen te doen over de interactie tussen vaste objecten en vloeistoffen. Tijdens de training leerde het GNN geleidelijk hoe de deeltjes van verschillende materialen reageren en opnieuw vormgeven. Dit wordt bereikt door de verschillende eigenschappen van elk deeltje – massa, elasticiteit – te berekenen en de beweging van het deeltje te voorspellen na een soort van opzettelijke verandering.

Variationele autoencoders

Variationele autoencoders (of VAE’s) werden populair nadat ze werden gebruikt om geavanceerde resultaten te behalen tijdens beeldherkenning en versterkingstraining. Ze zijn snel uitgegroeid tot een van de meest populaire methoden om zonder toezicht te leren voor gecompliceerde situaties. VAE’s zijn erg populair omdat ze neurale netwerken gebruiken die kunnen worden getraind om te detecteren stochastische gradiëntafdaling (gladheidseigenschappen). VAE’s zijn veelbelovend gebleken bij het genereren van een verscheidenheid aan complexe gegevensmodellen, waaronder modellen voor gezichten, handgeschreven cijfers en fysieke modellen van scènes.

Generatieve tegengestelde netwerken

Generatieve vijandige netwerken (GAN’s) zijn nog vrij nieuw en kunnen aanleiding geven tot ernstige ethische bezwaren. Deze technologie maakt gebruik van algoritmische architecturen om twee neurale netwerken te bouwen, die tegen elkaar worden “opgezet” (“vijandig” en met behulp van speltheoretechnieken), met als doel een illusionaire realiteit te creëren.

Een “generatornetwerk” brengt een vector in kaart in een beeld- of audiomatrix. Deze output wordt vervolgens ingevoerd in een ‘discriminatornetwerk’ dat leert onderscheid te maken tussen door de computer gegenereerde inhoud en echte inhoud. De twee netwerken trainen in tandem, en naarmate het generatornetwerk steeds betere technieken leert om het discriminatornetwerk voor de gek te houden, leert het discriminatornetwerk steeds betere technieken om kunstmatig gegenereerde inhoud te herkennen.

Het eindresultaat van het gebruik van de dynamiek van de speltheorie is het creëren van inhoud die eruitziet en klinkt als een opname van de werkelijkheid, maar in feite nepinformatie of nepnieuws is. Hoewel generatieve vijandige netwerken een groot potentieel hebben voor kunst en politieke humor, kunnen ze ook worden gebruikt bij het creëren van nepnieuws en advertenties. Een bedrieglijke video kan de reputatie van een persoon aanzienlijk schaden.

Afbeelding gebruikt onder licentie van Shutterstock.com

Table of Contents

Vragen voor onze consultants?

Twijfel niet en neem direct contact met ons op met uw vraagstuk.