Diep leren: meerdere lagen diep van machine learning

• Auteur:
• auteursnaam

  Quantumrun Vooruit
• 9 september 2022

Samenvatting inzicht

Deep learning (DL), een vorm van machinaal leren (ML), verbetert toepassingen van kunstmatige intelligentie (AI) door van gegevens te leren op manieren die vergelijkbaar zijn met de functie van het menselijk brein. Het wordt op verschillende gebieden gebruikt, van het verbeteren van autonome voertuigen en diagnoses in de gezondheidszorg tot het aandrijven van chatbots en het verbeteren van cyberbeveiligingsmaatregelen. Het vermogen van de technologie om complexe taken uit te voeren, enorme datasets te analyseren en weloverwogen voorspellingen te doen, geeft vorm aan industrieën en roept ethische debatten op, vooral rond datagebruik en privacy.

Diepgaande leercontext

Deep learning is een vorm van ML die de basis vormt voor veel AI-toepassingen. DL kan helpen met classificatietaken rechtstreeks vanuit afbeeldingen, tekst of geluid. Het kan data-analyses en apparaatinterfaces uitvoeren, assisteren bij autonome robots en zelfrijdende auto's, en wetenschappelijke verkenningen uitvoeren. DL kan helpen patronen en trends te identificeren en nauwkeurigere voorspellingen te doen. Deze technologie kan ook communiceren met technologische apparaten, zoals smartphones en Internet of Things (IoT)-apparaten. 

DL maakt gebruik van kunstmatige neurale netwerken om te helpen bij taken die vergelijkbaar zijn met natuurlijke taalverwerking (NLP) of computervisie en spraakherkenning. Neurale netwerken kunnen ook inhoudsaanbevelingen geven die vergelijkbaar zijn met die in zoekmachines en e-commercesites. 

Er zijn vier hoofdbenaderingen voor deep learning:

• Begeleid leren (gelabelde gegevens).
• Semi-gesuperviseerd leren (semi-gelabelde datasets).
• Leren zonder toezicht (geen labels vereist).
• Reinforcement learning (algoritmen interageren met de omgeving, niet alleen met de voorbeeldgegevens).

In deze vier benaderingen maakt deep learning gebruik van neurale netwerken op verschillende niveaus om iteratief te leren van gegevens, wat gunstig is bij het zoeken naar patronen in ongestructureerde informatie. 

De neurale netwerken in deep learning bootsen na hoe het menselijk brein is gestructureerd, met verschillende neuronen en knooppunten die informatie met elkaar verbinden en delen. Bij deep learning geldt: hoe complexer het probleem, hoe meer verborgen lagen er in het model zullen zitten. Deze vorm van ML kan hoogwaardige functies extraheren uit grote hoeveelheden onbewerkte gegevens (big data). 

DL kan helpen in situaties waarin het probleem te complex is voor menselijk redeneren (bijvoorbeeld sentimentanalyse, het berekenen van de rangschikking van webpagina's) of in problemen die gedetailleerde oplossingen vereisen (bijvoorbeeld personalisatie, biometrie). 

Disruptieve impact

Deep learning is een krachtig hulpmiddel voor organisaties die gegevens willen gebruiken om weloverwogen beslissingen te nemen. Neurale netwerken kunnen bijvoorbeeld diagnoses in de gezondheidszorg verbeteren door uitgebreide databases van bestaande ziekten en hun behandelingen te bestuderen, waardoor het beheer en de resultaten van de patiëntenzorg worden verbeterd. Andere bedrijfstoepassingen zijn onder meer computervisie, taalvertalingen, optische tekenherkenning en conversatiegebruikersinterfaces (UI) zoals chatbots en virtuele assistenten.

De wijdverbreide acceptatie van digitale transformatie en cloudmigratie door organisaties brengt nieuwe uitdagingen op het gebied van cyberbeveiliging met zich mee, waarbij DL-technologieën een cruciale rol kunnen spelen bij het identificeren en beperken van potentiële bedreigingen. Nu bedrijven steeds meer multi-cloud- en hybride strategieën adopteren om hun digitale doelstellingen te bereiken, is de complexiteit van IT-domeinen, die de collectieve informatietechnologiemiddelen van organisaties of individuen omvatten, aanzienlijk geëscaleerd. Deze groeiende complexiteit vereist geavanceerde oplossingen om deze diverse en ingewikkelde IT-omgevingen efficiënt te beheren, beveiligen en optimaliseren.

De groei van het IT-domein en de voortdurende ontwikkeling van de organisatie zorgen voor de flexibiliteit en kosteneffectiviteit die nodig zijn om concurrerend te blijven, maar creëren ook een moeilijkere backend om effectief te beheren en te beveiligen. DL kan helpen bij het identificeren van abnormale of grillige patronen die een teken kunnen zijn van hackpogingen. Deze functie kan kritieke infrastructuren beschermen tegen infiltratie.

Gevolgen van diep leren

Bredere implicaties van DL kunnen zijn: 

• Autonome voertuigen die deep learning gebruiken om beter te reageren op omgevingscondities, nauwkeurigheid, veiligheid en efficiëntie te verbeteren.
• Ethische debatten over hoe biometrische gegevens (bijv. gezichtskenmerken, oogstructuren, DNA, vingerafdrukpatronen) worden verzameld en opgeslagen door Big Tech.
• Natuurlijke interacties tussen mens en machine verbeteren (bijvoorbeeld met behulp van slimme apparaten en wearables).
• Cyberbeveiligingsbedrijven gebruiken deep learning om zwakke punten in IT-infrastructuren te identificeren.
• Bedrijven die een breed scala aan voorspellende analyses toepassen om producten en diensten te verbeteren en hyper-op maat gemaakte oplossingen aan klanten aan te bieden.
• Overheden die openbare databases verwerken om de openbare dienstverlening te optimaliseren, met name onder gemeentelijke rechtsgebieden.

Vragen om te overwegen

• Hoe kan deep learning bedrijven en overheden nog meer helpen om proactief op verschillende situaties in te spelen?
• Wat zijn de andere potentiële risico's of voordelen van het gebruik van deep learning?