Ooit begonnen als een wetenschappelijk probeersel, en nu een hot item in technologische en rekenkundige kringen: machine learning, oftewel machinaal leren. Deze tak van sport ontstond uit de eindeloze zoektocht naar een vorm van kunstmatige intelligentie.
Inmiddels zijn science facts op een punt aangekomen waarop het langzaam in aanraking komt met science fiction. Nog niet per se op het punt waar zelfstandig opererende androids, à la C-3PO uit Star Wars, dromen over elektrische schaapjes of te maken krijgen met een existentiële crisis; maar toch komen we steeds dichter bij dat wat ooit als het toekomstbeeld van kunstmatige intelligentie werd geschetst.
WAT IS MACHINE LEARNING?
Een veelgebruikte, formele definitie van machine learning is een techniek waarbij “een computerprogramma zou kunnen leren van gebeurtenis E, ten opzichte van soortgelijke taken T en prestatiemaatstaf P, als zijn prestatie op de taken in T, zoals gemeten door P, verbeterd door ervaring E.”
Machinaal leren omvat, kortgezegd, computer algoritmes die gebruikt worden om autonoom, dus zonder begeleiding, te leren van data en input. Hierbij hoeven computers dus niet zelf geprogrammeerd te worden, maar kunnen zelfstandig hun algoritmes veranderen en verbeteren.
Vandaag de dag wordt algoritmes voor machinaal leren gebruikt om, onder meer, computers met mensen te laten communiceren, zelfrijdende auto’s mogelijk te maken, verslagen en statistieken van sportwedstrijden te schrijven en publiceren, e-mails te controleren op spamberichten, tijdig zieke patiënten te diagnosticeren, en mogelijke terroristen te herkennen en lokaliseren. Nagenoeg iedere industrie zal te maken krijgen met machinaal leren, en direct de positieve gevolgen ervan achterhalen.
DE ROL VAN MACHINE LEARNING
Al aan het begin van de artificial intelligence hype beseften een aantal onderzoekers het belang van machines die zelfstandig kunnen leren van data – wat tot nu toe een van de hoekstenen van AI is gebleken. Het onderzoek naar neurale netwerken, statistiek en kansberekening als onderdeel van intelligentie heeft tot nu toe tot enorme vooruitgangen in het veld geleid.
Na verloop van tijd begonnen de wegen van machine learning en artificial intelligence langzaam te scheiden. De toenemende focus op een aanpak die leunt op een op logica en kennis-gebaseerd model, drukte het kansberekening model steeds verder naar de achtergrond: 
en daarmee de rol van machinaal leren. Kansberekening had, en heeft, immers flink te kampen met een gebrek aan vertrouwen. Praktische problemen zoals het vergaren van de juiste data en de juiste verwerking hiervan leidden tot een forse daling in het gebruik van statistiek-modellen.
Op dat moment bewoog machine learning weg van kunstmatige intelligentie, en meer richting programmering van afleidende logica-systemen en systemen voor kansberekening en statistiek: ideaal voor oplossingen voor de opvraging van informatie en patroonherkenning. ‘Intelligente’ algoritmes zijn in staat om van enorme hoeveelheden input te leren – en dit om te zetten naar praktische output, al dan niet naar aanleiding van een nieuwe specifieke dataset die verbonden moet worden aan een bepaalde output.
Dergelijke algoritmes kunnen zo uiteindelijk voorspellingen doen of beslissingen nemen, gebaseerd op de verzamelde data en de analyse hiervan. Zoals de eerdergenoemde voorbeelden van implementaties van machinaal leren al aantonen, is het dus op zijn waardevolst voor toepassingen waarvoor het handmatige ontwerpen en programmeren van expliciete algoritmes ontzettend lastig of zelfs onmogelijk is.
VAN THEORIE NAAR WERKELIJKHEID
Arthur Samuel, een werknemer van IBM, is degene die de term machine learning i
ntroduceerde: dit was in 1959. Hij werd als werknemer van zijn bedrijf gezien als een autoriteit en pionier op het gebied van gaming en kunstmatige intelligentie. Hij gebruikte hier een schaakspel voor, dat steeds slimmer werd al naar gelang het meer speelde. Het onthield winnende zetten en gebruikte deze in zijn eigen partijen.
Dit was het begin van de uitwerking van het concept van machine learning in het algemeen, en van de schaakcomputer in het bijzonder: het wordt dan ook regelmatig aangemerkt als zijnde de grootvader van Deep Blue, de IBM-computer die in 1997 schaakkampioen Garri Kasparov versloeg.
Na Samuel volgden nog veel inn
ovaties die allen verder gingen op het vinden van algoritmes die zichzelf leren, aan de hand van de verzamelde data, en aan de hand daarvan in staat zijn tot zelfstandige besluitvorming.
Een hoogtepunt hiervan vond plaats in 1958, het jaar waarin Frank Rosenblatt de Perceptron ontwierp. Dit was het eerste kunstmatige neurale netwerk – een kopie van het menselijke neurale netwerk – wat de basis vormde voor meer menselijke intelligentie in computers. Aan de hand van stimuli (input) werd een analyse uitgevoerd, en vervolgens omgezet in een reactie (output).
Ook noemenswaardig is het project van studenten van Stanford University in 1979, die tot de ontwikkeling van de zogenaamde ‘
Stanford Cart’ leidde: een bewegende robot die in staat was om zelfstandig door een kamer te bewegen en onderweg obstakels te ontwijken. Een verre voorvader van de zelfrijdende auto en robo-stofzuigers, dus.
SOORTEN ‘LEARNING’ BINNEN MACHINE LEARNING
Een computer kan op verschillende manieren leren. Dergelijke slimme algoritmes kunnen ingedeeld worden in een aantal bredere categorieën, gebaseerd op de manier waarop deze leren. Dit omvat de volgende leermethodes:
- Gecontroleerd leren, waarbij het algoritme voorbeelden van gangbare input en de daarbij passende output voor zich krijgt. Aan de hand van deze voorbeelden leert het systeem hoe bepaalde eigenschappen van de input bepalen wat de output gaat zijn. Na de initiële leerfase kan zo’n algoritme zelfstandig nieuwe input omzetten in de juiste output, of worden er oefeningen uitgevoerd waarbij bepaalde inputelementen ingedeeld moeten worden in groepen.
- Ongecontroleerd leren, waarbij geen voorbeelden gegeven worden van gangbare input en de gewenste output; maar het system zelf leert, aan de hand van de structuur van de input – bijvoorbeeld door input onder te verdelen in soortgelijke groepen.
- Semigecontroleerd leren bevat zowel elementen van gecontroleerd en ongecontroleerd leren. Na een incomplete ‘leersessie’ via de gecontroleerde methode, leert het system verder via ongecontroleerd leren.
- Ondersteund leren leert zichzelf gedrag aan, aan de hand van zijn relatie tot de rest van de wereld en behaalde successen. Het systeem leert dus al doende, bijvoorbeeld door het rijden in een voertuig of het spelen van een bepaald spel.
- Transductieleren wordt het minst gebruikt van alle methoden, en kan alleen getraind worden voor een beperkte set gevallen (gebaseerd op een budget), waarbij zelfstandig een keuze gemaakt dient te worden tussen gevallen waar in getraind moet worden.
- Deep learning gebruikt de input als basis voor het begrijpen van ‘de wereld’ en het ontwikkelen van concepten. Bijvoorbeeld voor het herkennen van vormen, of een dier: heeft het rechte zijden? Hoeveel? Heeft het ogen, oren, welke vorm? Aan de hand van dergelijke input wordt met deep learning geleerd om concepten te herkennen en te reflecteren – na opname van nieuwe data – op nieuwe concepten.
TOEPASSINGEN VAN MACHINE LEARNING
Enkele van de meest gebruikte toepassingen van de machine learning technologie zijn voor taken die nagenoeg altijd identiek zijn in uitvoering, herhalend werk dus, waarbij slechts een beperkt aantal uitkomsten mogelijk zijn. Aan de hand van variabelen in de input, kan een systeem zichzelf constant verder ontwikkelen om nog beter zijn taak te kunnen uitvoeren – en betrouwbare output te kunnen leveren.
Een aantal concrete velden waarin al gebruikt wordt van machine learning zijn onder meer:
- Bio-informatica, waarmee onder meer eiwitfuncties voorspeld kunnen worden.
- Zelfrijdende voertuigen, die geheel autonoom van punt A naar B kan, onderweg rekening houdend met alle variabelen – zoals over verkeer, omstandigheden, obstakels, verkeersregels, etc.
- Natuurlijke taalverwerking, zodat bijvoorbeeld de functie en betekenis van woorden in een zin bepaald kunnen worden en effectievere vertaal- en schrijfprogramma’s ontworpen kunnen worden.
- Audiovisuele dataverwerking, waarbij visuele weergaves en/of audiofragmenten – bijvoorbeeld captchas – geanalyseerd kunnen worden; en nadat herkenning heeft plaatsgevonden, een output geleverd kan worden die overeenkomt met de audiovisuele data.
- Gezichts- en stemherkenning, die, evenals bovengenoemd voorbeeld, aan de hand van visuele of audio-input bepaalde kenmerken opslaan en dit matchen aan bijpassende output. Een gezichtsherkenningssysteem is hier een uitstekend voorbeeld van, waarbij input van talloze bewakingscamera’s uitgelezen kan worden om gelijkende matches te vinden met een vooraf opgegeven profiel.
- E-mail spamfilters, waarbij een systeem zichzelf leert welke e-mailberichten potentieel ongewenst en/of spam zijn.
- Sportanalyses, waarbij het systeem de rol van een verslaggever of puntenteller overneemt en aan de hand van input – in de vorm van meetbare gebeurtenissen op het sportveld – output leveren in de vorm van een geschreven en gepubliceerd wedstrijdverslag.
In theorie zou dus iedere industrie die baat heeft bij een versimpeling van moeilijk te automatiseren repeterende taken, machine learning kunnen gebruiken. Een algoritme kan de vaak subjectieve en/of aan meerdere variabelen onderhevige input classificeren in bruikbare output, wat een enorme tijdswinst zou opleveren.
Duidelijk iets wat een voorloper is van ware artificial intelligence, al wijkt het door zijn hardnekkige focus op patroon- of kansberekening elementen daar ook ietwat van af; desalniettemin is een dergelijke toepassing – in zijn vakgebied – met recht intelligent te noemen. Men geeft wel eens aan dat een toepassing van machine learning geclassificeerd kan worden als zijnde een ‘eerstegeneratie’ robot: niet geheel en al onterecht, blijkt uit de taken die het kan uitvoeren.
Lancering van een nieuw risicoscoringsmodel: Kea - October Nederland
op 22 Apr 2021