Hoe leren het tij kan keren

Dagelijks wordt ons brein gevoed met een enorme hoeveelheid aan data uit de buitenwereld. Onze hersenen verwerken deze input en zetten die signalen vervolgens om in beelden en klanken. De structuur in onze hersenen die daarvoor zorgt, wordt ook wel een neuraal netwerk genoemd. En dat is waar de technologie Deep Learning op is gebaseerd. Onderstaand leggen we je aan de hand van afbeelding 1 uit hoe dit in zijn werk gaat.

Onze hersenen bestaan uit neuronen  ‘die zijn onderling verbonden’ en zijn een soort bolletjes die signalen combineren. Maar niet alle signalen zijn even belangrijk. Stel, er racet een auto voorbij en het stoplicht staat op rood, dan steek je niet over. Dan zou je kunnen denken dat beide signalen (de auto komt voorbij en het rode licht) even belangrijk zijn. Dit is echter niet waar, als het licht op groen springt en er komt een auto voorbij racen, moet je nog steeds niet oversteken. Dus het voorbij razen van een auto is duidelijk belangrijker dan de kleur van het stoplicht (omgekeerd is dit ook de reden dat veel mensen door een rood stoplicht lopen als er niets aankomt). De mate van belangrijkheid van een van de signalen noemen we een gewicht, hoe zwaar iets meeweegt in de beslissing.

Stel, je ziet een afbeelding (input),  bestaande uit duizenden kleine pixels. Op de afbeelding zien we een hond. Als kind denk je misschien dat het een kat of een konijn is (de voorspelling). Je ‘leert’ dat dit niet zo is, doordat iemand je dat vertelt. Het krijgt een label. In je hersenen worden de neuronen zo afgesteld, om een bepaalde combinatie van inputs (pixels, de signalen die de neuronen in gaan) te herkennen als hond. Door de gewichten van de inputs van de neuronen bij te stellen leer je steeds beter herkennen. Dit gebeurt in verschillende stadia, de lagen van een neuraal netwerk. Eerst wordt op pixel-niveau gekeken en samengevoegd, maar daarna worden de outputs daarvan ook weer samengevoegd, net zo lang tot je bij 1 uitkomst komt. Vaak zijn in de laatste laag meerdere outputs, in ons voorbeeld 1 voor elk type dier wat je wilt herkennen.

Nu het brein leert herkennen ‘is’ het model klaar voor gebruik. Het voordeel van een kunstmatig digitaal brein is dat er geen externe invloeden zijn die de resultaten kunnen beïnvloeden. Een computer wordt nooit moe, waar een mens na verloop van tijd de concentratie verliest en andere, verkeerde beslissingen maakt. Dit komt ten goede aan de voorspelbaarheid en nauwkeurigheid van het resultaat!

Deep learning gaat schuil achter verschillende technologieën waarvan de mens gebruik maakt in hun dagelijks leven. Zo zijn innovaties als Siri, Google Translate en FaceID gebaseerd op Deep Learning. Ook binnen Datacadabra maken we gebruik van de technologie. Het zorgt ervoor dat de MowHawk vuil en exoten kan detecteren en de hoogte van gras kan bepalen. Wanneer diverse deep learning toepassingen samen worden gevoegd, kunnen zelfs hele krachtige toepassingen ontstaan, zoals een zelfrijdende auto.