Computers die zelf leren zonder dat je ze stap voor stap programmeert: dat is precies wat deep learning mogelijk maakt. Het is een methode binnen kunstmatige intelligentie waarbij een computer zelfstandig patronen leert herkennen in grote hoeveelheden data, en op basis daarvan beslissingen neemt.
Hoe past deep learning binnen AI en machine learning?
Kunstmatige intelligentie (AI) is de overkoepelende term voor systemen die menselijke intelligentie nabootsen. Binnen AI valt machine learning: een manier om computers te laten leren van data. Deep learning is een verdere stap binnen machine learning. Het verschil zit in de aanpak. Bij gewone machine learning moet een mens nog aangeven welke kenmerken uit de data belangrijk zijn. Bij deep learning ontdekt het systeem die kenmerken zelf.
Je kunt het zien als lagen van leren. Elke laag verwerkt informatie en geeft het resultaat door aan de volgende laag. Dit werkt op een manier die lijkt op hoe neuronen in de menselijke hersenen samenwerken. Vandaar de naam: neurale netwerken. Hoe meer lagen, hoe dieper het netwerk, en hoe complexer de patronen die het kan herkennen.
Wat is deep learning precies? De kern uitgelegd
Een deep learning-model leert door heel veel voorbeelden te verwerken. Stel je voor dat je een systeem wilt leren wat een kat is. Je geeft het duizenden foto’s van katten en duizenden foto’s van andere dieren. Het systeem leert vanzelf welke visuele kenmerken, zoals de vorm van oren, snuit en vacht, kenmerkend zijn voor een kat. Dit doet het zonder dat iemand heeft gezegd: “let op de oren”.
Hoe meer gevarieerde en representatieve data het model krijgt, hoe beter het leert. Een model dat is getraind op weinig of eenzijdige data maakt vaker fouten. Als de trainingsdata bevooroordeeld zijn, kunnen de voorspellingen dat ook zijn.
Welke soorten data gebruikt deep learning?
Deep learning werkt goed met ongestructureerde data. Dat zijn gegevens zonder vaste indeling, zoals afbeeldingen, geluid, video en tekst. Traditionele systemen hadden moeite met dit soort data, omdat je handmatig kenmerken moest aanwijzen. Deep learning haalt die kenmerken automatisch uit de ruwe data.
Voorbeelden van datatypen die deep learning verwerkt:
- Afbeeldingen en video, voor gezichtsherkenning of het detecteren van ziektes op medische scans
- Spraak en audio, voor spraakherkenning en virtuele assistenten
- Tekst, voor vertalingen, chatbots en sentimentanalyse
- Medische gegevens, voor het herkennen van complexe patronen in grote gegevensreeksen
Waar gebruik je deep learning in de praktijk?
Deep learning zit al in veel toepassingen die je dagelijks gebruikt. Je smartphone ontgrendelt met gezichtsherkenning: dat is deep learning. Streamingdiensten die aanbevelingen doen op basis van je kijkgedrag: ook deep learning. Navigatie-apps die verkeer voorspellen, vertaalprogramma’s, spamfilters in je mail en de autocorrectie op je toetsenbord: het zit overal.
In de gezondheidszorg wordt deep learning ingezet om complexe patronen te herkennen in medische scans. Zo kan een systeem helpen bij het opsporen van afwijkingen die voor een menselijk oog moeilijk zichtbaar zijn. Het Radboudumc werkt bijvoorbeeld met AI en deep learning om dit soort toepassingen te onderzoeken in de zorg.
Ook in de industrie speelt het een grote rol. Denk aan kwaliteitscontrole in fabrieken, waar camera’s automatisch defecte producten herkennen, of zelfrijdende auto’s die hun omgeving in real-time interpreteren.
Wat zijn de beperkingen van deep learning?
Deep learning is krachtig, maar heeft ook nadelen. Het heeft enorm veel data nodig om goed te werken. Weinig data leidt tot slechte resultaten. Bovendien is het voor mensen moeilijk te begrijpen waarom een model een bepaalde beslissing neemt. Dit heet het “black box”-probleem: je ziet de uitkomst, maar niet de redenering erachter.
Een ander aandachtspunt is bias. Als de data waarmee een model is getraind scheve verhoudingen bevat, neemt het model die scheefheid over. Dit kan leiden tot oneerlijke of onjuiste uitkomsten. Zorgvuldig kiezen en controleren van trainingsdata is daarom belangrijk.
Tot slot vraagt deep learning veel rekenkracht. Het trainen van grote modellen kost tijd en energie, en vereist krachtige hardware.
Deep learning in het kort
Deep learning maakt het mogelijk dat computers taken uitvoeren die vroeger alleen mensen konden doen: afbeeldingen herkennen, taal begrijpen, patronen ontdekken in complexe data. Het is een laag dieper dan gewone machine learning, letterlijk en figuurlijk. De technologie verbetert snel en duikt op in steeds meer sectoren, van zorg tot transport en van entertainment tot industrie. Begrijpen wat deep learning is, helpt je beter te begrijpen hoe de wereld om je heen steeds vaker door AI wordt aangestuurd.
Veelgestelde vragen
Wat is het verschil tussen deep learning en machine learning?
Machine learning is de bredere term voor systemen die leren van data. Bij machine learning moet een mens vaak nog aangeven welke kenmerken uit de data belangrijk zijn. Deep learning is een specifieke vorm van machine learning waarbij het systeem die kenmerken zelf ontdekt, via meerdere lagen van verwerking. Deep learning werkt daardoor beter bij complexe, ongestructureerde data zoals afbeeldingen en spraak.
Hoeveel data heb je nodig voor deep learning?
Deep learning heeft in de regel grote hoeveelheden data nodig. Hoe meer en hoe gevarieerder de trainingsdata, hoe beter het model presteert. Met weinig data maakt een deep learning-model snel fouten of leert het geen betrouwbare patronen. Een precieze minimumhoeveelheid is niet te geven, omdat dit sterk afhangt van het type taak en de complexiteit van het model.
Kan een deep learning-model fouten maken of bevooroordeeld zijn?
Ja, een deep learning-model kan zeker fouten maken en bevooroordeeld zijn. Dit gebeurt wanneer de data waarmee het model is getraind eenzijdig of onvolledig is. Het model neemt de patronen uit de trainingsdata over, inclusief eventuele scheefheden. Zorgvuldige selectie en controle van trainingsdata is daarom een belangrijk onderdeel van het werken met deep learning.
Wat is een neuraal netwerk?
Een neuraal netwerk is de technische structuur achter deep learning. Het bestaat uit lagen van verbonden rekeneenheden, ook wel neuronen genoemd, die samenwerken om informatie te verwerken. Dit is losjes gebaseerd op de manier waarop neuronen in de menselijke hersenen signalen doorgeven. Hoe meer lagen een neuraal netwerk heeft, hoe complexer de patronen het kan leren herkennen.