Auteur: Maur Bentein

Datum laatste publicatie: 05 maart 2021


 

Metadata

Bron: https://www.codeproject.com/Articles/1170474/Learning-Machine-Learning-Part-Application

Intro

Deze blogpost voorziet in een basiscursus tot machine learning (ML). Je hebt geen voorkennis over ML nodig hebt om het beste uit dit artikel te halen. Voordat je begint, laten we antwoorden op deze vraag: "Is ML zo belangrijk dat ik echt nodig deze blog moet lezen?"

1 - Machine Learning toepassingen

Na de introductie van Machine Learning en de bespreking van de verschillende technieken die worden gebruikt om haar toepassingsmogelijkheden te leveren, laten we overgaan tot de toepassingen in aanverwante gebieden: big data, kunstmatige intelligentie (AI), en diep denken.

Neuraal netwerk

2 - Big Data

Vóór 2010 speelden Machine Learning toepassingen een belangrijke rol in specifieke gebieden, zoals kentekenherkenning, ter voorkoming van cyber-aanvallen en herkenning van handgeschreven tekens. Na 2010 werden een groot aantal machine learning applicaties gekoppeld met big data, die dan zorgde voor de optimale omgeving voor Machine Learning toepassingen.

De magie van big data draait vooral rond hoe big data zeer nauwkeurige voorspellingen kan maken. Bijvoorbeeld, Google gebruikte big data om een uitbraak van H1N1 in bepaalde Amerikaanse steden te voorspellen. Voor het WK 2014 voorspelde Baidu nauwkeurig de wedstrijdresultaten van de eliminatieronde tot de finale. Dat is geweldig, maar wat geeft big data dergelijke macht? Machine Learning-technologie. In het hart van big data ligt de mogelijkheid om waarde uit gegevens te extraheren en Machine Learning is een belangrijke technologie die dat mogelijk maakt. Voor Machine Learning leveren meer data nauwkeuriger modellen op. Tegelijkertijd vereist de rekentijd, die nodig is voor complexe algoritmen, gedistribueerde computing, in-memory computing en andere technologieën. Daarom is de opkomst van de Machine Learning onlosmakelijk verweven met big data.

Big data is echter niet hetzelfde als machine learning. Big data omvat distributed computing, memory database, multi-dimensionale analyse en andere technologieën. Het gaat om de volgende vier analysemethoden:

Hoewel de resultaten van Machine Learning verbluffend zijn, en in bepaalde situaties de beste demonstratie van de waarde van Big Data, het is niet de enige analysemethode die beschikbaar is voor big data. Het is slechts een van de vele Big Data-analyse methoden.

Dit gezegd zijnde heeft de combinatie van Machine Learning en big data grote waarde geproduceerd. Gebaseerd op de ontwikkeling van de Machine Learning-technologie kunnen gegevens worden gebruikt om voorspellingen te doen. Bijvoorbeeld, hoe uitgebreider de ervaring, hoe beter je de toekomst kunt voorspellen. Er wordt gezegd dat mensen met "een schat aan ervaring" beter in hun job dan beginners. Dit komt omdat mensen met meer ervaring nauwkeuriger regels kunnen ontwikkelen op basis van hun ervaring.

Er bestaat een andere theorie over Machine Learning: hoe meer gegevens een model heeft, hoe beter de nauwkeurigheid van de voorspelling. De onderstaande grafiek toont de relatie tussen de Machine Learning-nauwkeurigheid en data.

Relatie tussen nauwkeurigheid en datavolume

De grafiek laat zien dat, nadat de invoerdatavolumes van verschillende algoritmes een bepaald niveau bereiken, zij vrijwel een identiek hoge nauwkeurigheid hebben. Dit leidde tot een bekend gezegde in de Machine Learning-sfeer, "het is niet wie het beste algoritme heeft die wint, maar wel wie de meeste data bezit!".

Het big data tijdperk heeft vele voordelen die een bredere toepassing van Machine Learning promoten. Bijvoorbeeld, met de ontwikkeling van IoT en mobiele apparaten hebben we nu nog meer data, waaronder afbeeldingen, tekst, video, en andere ongestructureerde data. Dit verzekert dat Machine Learning modules nog meer gegevens hebben. Op hetzelfde moment maakt de big data distributed computing-technologie, MapReduce, snellere Machine Learning mogelijk, waardoor het handiger is om te bezigen. De voordelen van big data maakt dat de sterke punten van Machine Learning kunnen worden ingezet in hun volle potentieel.

3 - Deep Learning

Onlangs heeft de ontwikkeling van Machine Learning een nieuwe wending genomen: diep leren. 

Hoewel de term diep leren pretentieus klinkt is het concept heel simpel. Het verwijst naar de ontwikkeling van een traditionele neuraal netwerk naar een netwerk met vele verborgen lagen.

In een eerdere blogpost (deel 2) hebben we gesproken over het verdwijnen van neurale netwerken na de jaren 1990. Geoffrey Hinton, de uitvinder van BP algoritmen, heeft echter nooit zijn onderzoek naar neurale netwerken opgegeven. Als een neuraal netwerk meer dan twee verborgen lagen bereikt, wordt haar trainingsnelheid erg traag. Ze zijn altijd minder praktisch dan SVM geweest. In 2006 echter publiceerde Hinton een artikel in Science dat twee punten aangetoond:
+ Neurale netwerken met meerdere verborgen lagen bezitten een uitstekend leervermogen voor karakteristieken. De karakteristieken die deze netwerken leerden lieten toe een meer fundamentele karakterisatie van de data te voorzien, die bevorderlijk is voor visualisatie en classificatie doeleinden.
+ Training is moeilijk voor diepe neurale netwerken, maar dat kan worden overwonnen met behulp van stap voor stap initialisatie.

Deze ontdekking loste niet alleen computing-problemen van neurale netwerken op, maar toonde ook de uitstekende leermogelijkheden van diepe neurale netwerken. Dit leidde tot het opnieuw ontstaan van neurale netwerken als een mainstream en krachtige leren-technologie in het gebied van Machine Learning. Tegelijkertijd werden neurale netwerken met vele verborgen lagen "diepe neurale netwerken" genoemd en het leren en het onderzoek op basis van die diepe neurale netwerken werd "diep leren" genoemd.

Gezien het belang ervan kreeg diep leren veel aandacht. De volgende vier mijlpalen in de ontwikkeling van dit gebied zijn het vermelden waard:

Grote namen in Deep Learning

In het vorige artikel, "Een introductie tot Machine Learning", identificeerden we drie titanen in het ML-veld. Ze zijn niet alleen experten in Machine Learning, maar ook pioniers in deep learning research. Deze mensen leiden de technologie-divisies bij grote Internet-bedrijven wegens hun technische kwaliteiten maar ook wegens het ongelimiteerde potentieel van hun research-veld.

Op dit moment wordt de vooruitgang van de beeld- en spraakherkenningtechnologie in de Machine Learning-industrie gedreven door de ontwikkeling van diep leren.

Diep leren is een sub-gebied van Machine Learning en de ontwikkeling ervan verhoogde aanzienlijk de status ervan. Het heeft de industrie gedwongen om zijn aandacht nogmaals te richten op het idee dat het leven schonk aan Machine Learning: kunstmatige intelligentie (AI).

4 - Kunstmatige Intelligentie

AI is de vader van Machine Learning en "deep learning" is het kind van Machine Learning. De volgende figuur toont de relatie tussen de drie:

Relaties

Zonder twijfel is AI de meest baanbrekende wetenschappelijke innovatie dat de mens zich kan voorstellen. Zoals de naam van het spel, Final Fantasy, is AI de ultieme wetenschappelijke droom van de mensheid. Sinds het concept van AI in de jaren 1950 werd voorgesteld hebben de wetenschappelijke gemeenschap en het bedrijfsleven de mogelijkheden verkend. Gedurende deze tijd portretteerden diverse romans en films AI op verschillende manieren. Soms stelden ze mensen voor die mensachtige machines uitvinden, een geweldig idee! Sinds de jaren 1950 heeft de ontwikkeling van AI vele moeilijkheden gekend zonder wetenschappelijke doorbraken.

Over het algemeen heeft de ontwikkeling van AI verschillende fasen doorlopen. De vroege periode werd gedefinieerd door het logisch redeneren en de middelste periode door expertsystemen. Deze wetenschappelijke vooruitgang duwde ons dichter naar intelligente machines toe, maar de afstand tot het uiteindelijke doel is nog ver weg. Na de komst van Machine Learning echter dacht de AI gemeenschap dat ze eindelijk de juiste pad was. In sommige verticale velden hebben beeld- en spraakherkenningstoepassingen op basis van ML met menselijke capaciteiten kunnen wedijveren. Machine Learning heeft ons voor de eerste keer dichter in de buurt van de droom van AI gebracht.

Als je in feite AI-gerelateerde technologie vergelijkt met de technologie van andere gebieden zul je ontdekken dat de centrale rol van Machine Learning in AI er is met een goede reden. Het belangrijkste dat de mens scheidt van voorwerpen, planten en dieren is "wijsheid". Maar wat  belichaamthet best onze wijsheid? Is het ons vermogen om te berekenen? Misschien niet. We denken aan mensen met een hoge capaciteit voor mentale berekeningen als savants, maar ze zijn niet per se verstandig. Is het ons vermogen om te reageren op prikkels? Ook niet. Is het ons geheugen? Mensen met een fotografisch geheugen kunnen vasthoudende geesten hebben. Hoe zit het met logisch redeneren? Hoewel dit iemand zeer intelligent kan maken, net als Sherlock Holmes, is het nog steeds niet gelijk aan wijsheid. En kennis? Een persoon kan een wandelende encyclopedie zijn, maar toch aan wijsheid ontbreken.

Dus, wat voor soort mensen moeten we omschrijven als verstandig? Wijzen, zoals Lao Tzu of Socrates? Hun wijsheid ligt in hun perceptie van het leven evenals hun accumulatie van ervaring en diep nadenken over het leven. Maar is dit vergelijkbaar met het concept van de Machine Learning? Inderdaad. Het gebruik van de ervaring om algemene regels te puren om de toekomst te voorspellen. Zonder ervaring, geen wijsheid.

Wijsheid van Machine Learning

Voor een computer kunnen de genoemde vermogens allemaal worden bereikt door een verscheidenheid aan technologieën. Voor het rekenvermogen is er de distributed computing; voor responsiviteit is er de event-driven architectuur; voor het ophalen van informatie zijn er zoekmachines; voor de opslag van kennis is er data warehousing; en voor het logisch redeneren zijn er expertsystemen. De enige technologie echter die overeenkomt met de meest prominente kenmerken van wijsheid, inductief redeneren en perceptie, is Machine Learning. Dit is de reden waarom we Machine Learning het best kunnen karakteriseren als wijsheid.

Laten we eens nadenken over het maken van een robot. De primaire componenten zouden krachtige rekenmogelijkheden, enorme opslagcapaciteit, snelle data retrieval, snelle reactie en een uitstekend logisch redeneren zijn. Vervolgens worden verstandige hersenen toegevoegd. Dit zou de geboorte van AI zijn in de ware zin van het woord. Met de snelle ontwikkeling van Machine Learning zou AI niet langer een droom kunnen zijn. De ontwikkeling van AI kan niet alleen worden bepaald door Machine Learning maar kan ook afhangen van diep leren. Dat komt omdat de technologie van diep leren beter de structuur van de menselijke geest simuleert en belangrijke doorbraken maakt op het initiële beperkingen van Machine Learning in visuele en spraakherkenning. Daarom is het zeer waarschijnlijk dat diep leren een kerntechnologie bij de ontwikkeling van echte AI is. Zowel Google Brain als Baidu Brain zijn opgebouwd uit een diep lerend netwerk met een enorm aantal lagen. Misschien, met de hulp van de technologie van diep leren, kan een computer met de menselijke intelligentie werkelijkheid worden in de nabije toekomst.

De snelle ontwikkeling van AI met de hulp van de technologie van diep leren heeft al geleid tot bezorgdheid onder sommigen. Tesla's CEO Elon Musk, een echte-wereld "Iron Man" is een dergelijke persoon. Onlangs, tijdens het bijwonen van een seminarie aan het MIT, uitte Musk zijn bezorgdheid over de AI. Hij zei dat de AI-onderzoek was verwant aan het "oproepen van de demon" en dat we moeten "heel voorzichtig" moeten zijn over een aantal gebieden.

Elon Musk

Hoewel Musks waarschuwing alarmerend mag klinken, is zijn redenering gezond. "Als zijn functie net zoiets is als het wegwerken van spam-mail en het bepaalt de beste manier voor het wegwerken van spam, zal het ook de mens wegwerken." Musk is van mening dat regelgeving van de overheid nodig is om een ​​dergelijk fenomeen te voorkomen. Als bij de geboorte van AI een aantal regels worden ingevoerd om het te bedwingen, kan een scenario waarin AI mensen overmeestert worden vermeden. AI zou niet alleen functioneren gebaseerd op Machine Learning, maar een combinatie van Machine Learning met een "rule engine" en andere systemen. Als een AI-systeem geen leerbeperkingen heeft, zal het waarschijnlijk bepaalde dingen verkeerd interpreteren. Derhalve is aanvullende begeleiding nodig. Net als in de menselijke samenleving zijn wetten de beste praktijk. Regels verschillen op basis van patronen die opgezet zijn voor Machine Learning. Patronen zijn richtlijnen afgeleid van waarschijnlijkheden. Regels daarentegen zijn onschendbaar en kunnen niet worden gewijzigd. Een patroon is veranderbaar, terwijl een regel dat niet is. Door het effectief combineren van regels en patronen kan een rationele en controleerbare AI met leercapaciteiten worden gecreëerd.

5 - Computer onderbewustzijn

Laten we tenslotte eens kijken naar een paar andere ideeën met betrekking tot Machine Learning. Laten we teruggaan naar het verhaal met John van onze eerste blog in deze 3 delige serie, waar we spraken over methoden om de toekomst te voorspellen. In het echte leven zullen maar weinig mensen gebruik maken van een dergelijke expliciete methode. De meeste mensen gebruiken een meer directe methode, intuïtie genaamd. Wat is nu precies de intuïtie? Intuïtie is samengesteld uit patronen getrokken uit eerdere ervaringen in je onderbewustzijn. Het is net alsof je een Machine Learning algoritme gebruikt om een ​​patroon te maken dat kan worden herbruikt om een ​​soortgelijke vraag te beantwoorden. Maar wanneer moet je die patronen aanmaken? Het is mogelijk dat je ze onbewust ontwikkelt, bijvoorbeeld, wanneer je slaapt of wandelt in een straat. Op zulke momenten doen je hersenen onmerkbare activiteit.

Om beter intuïtie en onbewuste te illustreren, laten we ze contrasteren met een ander type van experimenteel denken. Als een man zeer ijverig is, onderzoekt hij zichzelf elke dag of bespreekt hij vaak zijn recente werk met zijn collega's. De man gebruikt een directe trainingsmethode. Hij denkt bewust na over dingen en trekt algemene patronen uit ervaringen. Deze methode kan goed werken; het ontwikkelen van een sterk geheugen leidt tot effectieve antwoorden op praktische patronen. Maar heel weinig mensen bereiken conclusies op deze manier. In plaats daarvan gebruiken ze hun onbewustzijn om patronen uit hun ervaringen te trekken. Bijvoorbeeld, neem aan dat je niet reed in het verleden. Nadat je echter een auto hebt gekocht, rij je elke dag naar je werk. Elke dag neem je dezelfde route naar het werk. Het interessante is dat, in de eerste dagen, je erg nerveus was en besteedde voortdurend aandacht aan de weg. Nu staren tijdens de rit je ogen vooruit, maar je hersenen denken er niet over na. Toch draaien je handen automatisch aan het stuur om je richting aan te passen. Hoe meer je rijdt, hoe meer werk overgedragen wordt aan je onderbewustzijn. Dit is een heel interessante situatie. Terwijl je rijdt registreert je brein een beeld van de weg en onthoudt de juiste acties voor het draaien van het stuurwiel. Je onderbewustzijn stuurt de bewegingen van je handen op basis van het beeld van de weg. Nu, stel dat je een video-opname van de weg aan een computer geeft en je laat ze de bewegingen van de bestuurder die overeenkomen met de beelden opnemen. Na een periode van leren kan de computer een Machine Learning-patroon genereren en de auto laten automatisch rijden. Dat is geweldig, toch? In feite is dit precies hoe zelf-rijdende autotechnologie werkt voor bedrijven als Google en Tesla.

Naast zelfrijdende auto's kan onbewust denken worden toegepast op sociale interacties. Bijvoorbeeld, de beste manier om anderen te overtuigen is hen relevante informatie te geven om te generaliseren en tot een conclusie te komen die we wensen. Dat is de reden waarom we een gezichtspunt presenteren, het is veel effectiever om feiten te gebruiken of een verhaal vertellen dan alleen een lijst van redenen of morele principes op te sommen. Door de eeuwen heen hebben alle grote pleitbezorgers voor welke zaak dan ook deze aanpak gebruikt. Tijdens de lente- en herfstperioden van het oude China spraken de ministers met de monarchen van verschillende staten. Om een ​​monarch te overtuigen om een ​​bepaalde gedragslijn aan te nemen zouden ze hem niet vertellen wat hij moest doen (dat was een goede manier om het hoofd te verliezen). Eerder vertelden ze een verhaal, zodat hun voorkeursoptie plotseling zou dagen bij de vorst als een les die hij trok uit het verhaal. Er zijn vele voorbeelden van dergelijke grote overtuigers, waaronder Mozi en Su Qin. Maar waarom zijn verhalen effectiever? Als een persoon groeit vormt hij een groot aantal patronen en onbewuste attitudes door reflectie. Als je een patroon presenteert dat in tegenspraak is met een patroon in het bezit van de andere partij zul je waarschijnlijk worden geweigerd. Echter, als je een verhaal vertelt met nieuwe informatie kunnen ze hun gedachten veranderen na reflectie. Dit denkproces is zeer vergelijkbaar met Machine Learning. Het is net als iemand nieuwe data geven en hen te vragen om hun mentale modellen om te scholen om deze nieuwe input op te nemen. Als je de andere partij voldoende gegevens geeft om hen te dwingen om hun model te veranderen, dan zullen ze handelen in overeenstemming met de nieuwe patronen die door de data werden voorgesteld. Soms kan de andere partij weigeren na te denken over nieuwe informatie. Zodra echter nieuwe gegevens wordt ingevoerd, zelfs waren ze al dan niet van plan om hun denken te veranderen, hun geest zal onbewust de nieuwe gegevens in hun denken opnemen en hen ertoe aanzetten hun mening te veranderen.

Maar wat als een computer een ​​onderbewustzijn zou hebben? Als een computer bijvoorbeeld geleidelijk aan een onderbewustzijn ontwikkelt tijdens haar activiteiten, dan zou het misschien een aantal taken uitvoeren alvorens te worden verteld om dat te doen. Dit is een zeer interessant idee. Denk er over na!

Besluit

Machine Learning is een geweldige en spannende technologie. Overal vind je Machine Learning toepassingen, van Taobao's aanbevelingen tot Tesla's zelfrijdende auto's. Op hetzelfde moment is Machine Learning de meest waarschijnlijke technologie om de AI-droom waar te maken. Verschillende AI-toepassingen bestaan reeds op dit moment, zoals Microsoft XiaoIce chatbot en computer vision technologie, die Machine Learning-elementen integreren. Denk na over het bijleren over Machine Learning, het kan je helpen om beter inzicht te verwerven in de principes achter de technologie die zo veel gemak in ons leven brengt.