Machine learning deep learning ai

Kunstmatige intelligentie, machine learning en deep learning worden vaak in één zin genoemd. Daardoor lijkt het soms alsof de termen hetzelfde betekenen. Ze hangen samen, maar beschrijven verschillende niveaus. Het onderscheid helpt om een toepassing nauwkeurig te bespreken en betere vragen te stellen over gegevens, prestaties en onderhoud. Je hoeft daarvoor geen specialist te zijn; een concrete taak maakt veel van de verschillen zichtbaar.

AI is het brede gebied

Kunstmatige intelligentie omvat verschillende manieren om taken uit te voeren die met intelligent gedrag worden geassocieerd. Denk aan plannen, herkennen of het verwerken van taal. Niet iedere aanpak binnen dat brede gebied leert op dezelfde manier uit voorbeelden. Een systeem kan ook gebruikmaken van vooraf vastgelegde kennis en regels, of meerdere technieken combineren.

Daarom vertelt het label AI nog weinig over de werking van een product. Vraag welke taak wordt uitgevoerd en waarop de uitkomst is gebaseerd. Een toepassing die documenten ordent, heeft andere eigenschappen dan een toepassing die nieuwe tekst maakt. De gedeelde benaming betekent niet dat beide systemen dezelfde grenzen hebben of op dezelfde manier moeten worden gecontroleerd.

Machine learning leert patronen uit voorbeelden

Bij machine learning worden modellen opgebouwd met behulp van gegevens. In plaats van voor iedere mogelijke situatie een afzonderlijke beslisregel te schrijven, wordt gezocht naar een patroon dat ook bij nieuwe voorbeelden bruikbaar kan zijn. Dat vereist nog steeds menselijke keuzes. Iemand bepaalt de taak, verzamelt materiaal en beoordeelt of het resultaat voldoende helpt.

Stel dat je een vraag wilt indelen bij de juiste afdeling. Voorbeelden van eerder behandelde vragen kunnen informatie bieden over het verband tussen formulering en onderwerp. Het model doet vervolgens een voorstel bij een nieuwe vraag. Dat voorstel is geen bewijs dat het de volledige bedoeling van de afzender kent. Het blijft een uitkomst die op geschiktheid moet worden beoordeeld.

Deep learning gebruikt meerdere verwerkingslagen

Deep learning is een onderdeel van machine learning dat werkt met neurale netwerken met meerdere lagen. Zulke netwerken kunnen complexe relaties in gegevens modelleren. De benadering is relevant voor verschillende soorten invoer, waaronder afbeeldingen en taal. De keuze ervoor zegt echter niets over de kwaliteit van een specifieke toepassing zonder dat die toepassing daadwerkelijk is getest.

Meer lagen zijn ook geen vervanging voor een duidelijke opdracht. Een ingewikkeld model kan een slecht omschreven probleem niet vanzelf verduidelijken. Als de gewenste uitkomst onduidelijk is of belangrijke voorbeelden ontbreken, blijft beoordeling lastig. Begin daarom bij de vraag en de beschikbare informatie, ook wanneer de technische mogelijkheden uitgebreid zijn.

Gegevens hebben context nodig

Een verzameling voorbeelden weerspiegelt de manier waarop zij is samengesteld. Als bepaalde situaties ontbreken, kan een model daar later moeite mee hebben. Bekijk daarom welke groepen, perioden en omstandigheden vertegenwoordigd zijn. Voor een toepassing die in de praktijk uiteenlopende documenten ontvangt, is een verzameling uitsluitend nette voorbeeldteksten vaak een te smal vertrekpunt.

Controleer daarnaast wat een gegeven werkelijk betekent. Een ontbrekende waarde kan iets anders aangeven dan een nul. Een label kan voortkomen uit een oude werkwijze die inmiddels is veranderd. Zulke details beïnvloeden de bruikbaarheid van een model. De gegevens voorbereiden is daarom inhoudelijk werk en niet alleen een technische stap die je zo snel mogelijk afvinkt.

Beoordelen vraagt een eerlijke vergelijking

Vergelijk een model met de bestaande aanpak en met een eenvoudige referentie. Laat zien welke fouten optreden en hoeveel controle nodig blijft. Een algemeen percentage juiste antwoorden kan belangrijke verschillen verbergen. Misschien gaat een veelvoorkomende categorie goed, terwijl juist een zeldzame maar belangrijke situatie vaak verkeerd wordt behandeld.

Bespreek ook wat er met de uitkomst gebeurt. Een hulpmiddel dat een medewerker suggesties toont, kan ruimte laten voor correctie. Een toepassing die zelfstandig handelingen uitvoert, vraagt om een andere beoordeling van fouten en herstel. De gevolgen van de taak bepalen welke controle nodig is, niet alleen de naam van de gebruikte techniek.

Gebruik de begrippen om betere vragen te stellen

Vraag bij een voorstel welke techniek wordt gebruikt en waarom die bij de taak past. Vraag ook hoe het resultaat is getest en wie het onderhoudt. Daarmee verschuift het gesprek van algemene verwachtingen naar een concrete werkwijze. Het doel is niet om altijd de meest ingewikkelde aanpak te kiezen, maar om een begrijpelijke oplossing te bouwen die aantoonbaar helpt in de situatie waarvoor zij bedoeld is.

Sergej Dergatsjev, eigenaar van Online Solutions Group, heeft CompanyGids nieuw leven ingeblazen en het platform verder uitgebouwd tot een moderne bedrijvengids voor België. Bezoek Company Gids en Online Solutions Group.