Sinds maart 2016 is de belangstelling voor AlphaGo en kunstmatige intelligentie enorm toegenomen en staan ​​de ontwikkelingen op het gebied van kunstmatige intelligentie, inclusief de concepten van deep learning en machine learning, in de schijnwerpers. Deep learning is gebaseerd op kunstmatige neurale netwerken om gegevens te verwerken, en het Deep Q Network van Deep Mind is een goed voorbeeld van het gebruik ervan. Met de ontwikkeling van AI ontstaat de noodzaak om na te denken over sociale en ethische kwesties.

Tenzij je in de middle of nowhere woont, afgesloten van de rest van de wereld, heb je in maart 2016 waarschijnlijk minstens één keer gehoord over AlphaGo en kunstmatige intelligentie. Je hebt waarschijnlijk de termen deep learning, machine learning en machine learning opgezocht en je afgevraagd waarom ze zo beroemd zijn. Maar hoeveel van ons weten er ook maar een klein beetje van? De meesten van ons kennen de namen van een paar woorden als big data, maar niet veel meer dan dat. In dit artikel bekijken we de geschiedenis en technisch-theoretische onderbouwing van ‘deep learning’, een van de populairste onderwerpen op het gebied van kunstmatige intelligentie op dit moment, en praten we kort over het ‘Deep Q Network’, het geesteskind van de deep learning. brein achter AlphaGo.

Overzicht en geschiedenis van deep learning

Voordat we het hebben over deep learning, laten we het eerst hebben over ‘leren’: machinaal leren. Volgens de Amerikaanse computerwetenschapper Tom M. Mitchell kan machinaal leren worden gedefinieerd als “het gebruik van ervaring met een taak om de uitvoering of uitkomst van die taak te verbeteren”. Beter worden door herhaalde ervaringen, dat is waar machine learning om draait. Net zoals mensen beter worden door training, is machinaal leren ontworpen om na te bootsen hoe mensen ‘leren’.
Deep learning is een vorm van machine learning gebaseerd op kunstmatige neurale netwerktechnologie. Een kunstmatig neuraal netwerk is een model op het gebied van kunstmatige intelligentie dat een neuraal netwerk nabootst dat bestaat uit een groot aantal neuronen in de hersenen, die elk signalen verzenden en ontvangen via synapsen. Deep learning is ontworpen met meerdere lagen in de hiërarchische structuur. structuur van een kunstmatig neuraal netwerk. Deze lagen maken deep learning anders dan traditioneel machine learning. Terwijl bij traditioneel machinaal leren eerst basiskenmerken moeten worden geëxtraheerd om van de invoergegevens te leren voor het gewenste resultaat, kan deep learning werken met zeer basale gegevens (zoals pixels in het geval van afbeeldingen) om output te produceren zonder kenmerken te extraheren.

De evolutie van deep learning en het moderne belang ervan

Het concept van deep learning, of kunstmatige neurale netwerken, werd meer dan dertig jaar geleden besproken. Meestal wordt aangenomen dat het halverwege de jaren vijftig begon met Perceptron van Frank Rosenblatt, een enkellaags neuraal netwerk dat werkte voor lineaire modellen, maar niet voor niet-lineaire modellen, en de hardware van die tijd kon de berekeningen niet bijhouden. Later werd echter aangetoond dat diepe neurale netwerken met meerdere lagen, zoals deep learning, niet-lineaire modellen konden analyseren en problemen zoals overtraining konden oplossen, wat leidde tot een heropleving van de belangstelling.
In de moderne tijd is deep learning een van de snelst groeiende vakgebieden geworden, met aanzienlijke vooruitgang op het gebied van hardware en big data. Dit heeft geleid tot innovaties in een verscheidenheid aan toepassingen, waaronder zelfrijdende auto's, spraakherkenning, beeldherkenning en meer. Zelfrijdende auto's maken bijvoorbeeld gebruik van deep learning om de wegomstandigheden in realtime te analyseren om veilige rijroutes te bepalen. Spraakherkenningstechnologie maakt ook gebruik van deep learning om menselijke spraak nauwkeuriger te herkennen en te begrijpen. Deze technologieën transformeren ons dagelijks leven en de impact ervan zal naar verwachting blijven groeien.

Deep Mind's Deep Q-netwerk

Deep Mind, bij de meesten van ons beter bekend als AlphaGo, gebruikt een algoritme genaamd het Deep Q Network (DQN) in zijn kunstmatige intelligentie. DQN is een combinatie van diepe neurale netwerken en versterkend leren. De theorie van versterkend leren is vergelijkbaar met de nutstheorie in de economie, die stelt dat het rationele gedrag bestaat uit het berekenen van het nut van elk object en het kiezen van het object met de hoogste gebruikswaarde. Wanneer gedrag echter verandert als gevolg van leren, betekent dit dat de nutswaarden veranderen. Reinforcement learning-theorie is een theorie die verduidelijkt hoe nutswaarden veranderen door ervaring. Het verandert alleen de terminologie van hulpprogramma naar een waardefunctie.
Het mooie van DQN is dat het kan presteren met zeer eenvoudige informatie, en dat het goed presteert in de meeste competitieve of uitdagende taken. Deep Mind demonstreerde dit door het toe te passen op klassieke games op de Atari 2600: in het geval van een blokbrekende game was de enige informatie die werd gegeven de score en het scherm. In eerste instantie was de machine niet zo goed in het spel, maar hij begon steeds betere scores te halen en leerde uiteindelijk zelf betere scores te behalen.

De toekomst van deep learning en onze rol

Tot nu toe hebben we de geschiedenis van deep learning, de theoretische grondslagen ervan en het Deep Q Network van Deep Mind besproken. Het feit dat het gemakkelijker is om gegevens in te voeren dan enig ander machinaal leren in het verleden en nog steeds geweldige resultaten oplevert, is wat deep learning op dit moment zo spannend maakt. Sommige mensen zien in deep learning het potentieel voor ‘sterke kunstmatige intelligentie’, wat een stap vooruit is ten opzichte van de huidige staat van kunstmatige intelligentie en de mens in alles overtreft. In feite heeft het de mens op sommige gebieden al overtroffen.
Het tijdperk van AI is niet ver weg. In een tijd als deze is het belangrijker dan ooit om over AI te leren en jezelf af te vragen wat je in dit tijdperk zou moeten doen. Nu AI ons dagelijks leven en onze industrieën over de hele linie beïnvloedt, moeten we de technologische vooruitgang bijhouden, maar ook diep nadenken over de ethische en sociale kwesties die deze met zich meebrengt. Er bestaat bijvoorbeeld bezorgdheid dat de vooruitgang op het gebied van AI tot banenverlies zou kunnen leiden. De uitdaging voor ons zal zijn om erachter te komen hoe hiermee om te gaan en manieren te vinden om naast AI te bestaan.