Navigatie overslaan

Wat is Deep Learning?

Deep Learning is een type machine learning dat gebruikmaakt van kunstmatige neurale netwerken om digitale systemen in staat te stellen te leren en beslissingen te nemen op basis van ongestructureerde, niet-gelabelde gegevens.

In het algemeen traint machine learning AI-systemen om te leren van opgedane ervaringen met gegevens, patronen te herkennen, aanbevelingen te doen en zich aan te passen. Met name bij Deep Learning bouwen digitale systemen kennis op uit voorbeelden en gebruiken die kennis vervolgens om te reageren, gedragen en als mensen te presteren, in plaats van alleen te reageren op sets regels.

Waarom Deep Learning belangrijk is

Gegevenswetenschappers en ontwikkelaars gebruiken Deep Learning-software om computers te trainen om grote en complexe datasets te analyseren, ingewikkelde en niet-lineaire taken uit te voeren en te reageren op tekst, spraak of beelden, vaak sneller en nauwkeuriger dan mensen. Deze mogelijkheden hebben veel praktische toepassingen en hebben veel moderne innovaties mogelijk gemaakt. Deep Learning is bijvoorbeeld wat auto's zonder bestuurder gebruiken om beelden te verwerken en onderscheid te maken tussen andere objecten onderweg of wat uw smart home-apparaten gebruiken om uw spraakopdrachten te begrijpen.

Deep Learning is belangrijk omdat naarmate de hoeveelheid gegevens toeneemt en de computercapaciteit krachtiger en betaalbaarder wordt, bedrijven in de detailhandel, gezondheidszorg, transport, productie, technologie en andere sectoren investeren in Deep Learning om innovatie te bevorderen, kansen te benutten en relevant te blijven.

Werking van Deep Learning

Deep Learning berust op neurale netwerkarchitecturen in meerdere lagen, krachtige grafische verwerkingseenheden in de cloud of op clusters, en grote hoeveelheden gelabelde gegevens om zeer hoge niveaus van tekst-, spraak- en beeldherkenningsnauwkeurigheid te bereiken. Al dat vermogen kan uw ontwikkelaars helpen digitale systemen te creëren met iets als menselijke intelligentie, en de time-to-value te stroomlijnen door de training van modellen te verkorten van weken tot uren.

Voor een model zonder stuurprogramma kunnen voor de training bijvoorbeeld duizenden video-uren en miljoenen afbeeldingen nodig zijn. Zonder Deep Learning kan dit niveau van training niet op schaal worden uitgevoerd.

Wat is een Deep Learning-framework?

Om complexe Machine Learning eenvoudiger te implementeren, maken ontwikkelaars gebruik van Deep Learning-frameworks zoals TensorFlow of PyTorch. Deze frameworks helpen bij het stroomlijnen van gegevensverzameling, wat vervolgens kan worden gebruikt om neurale netwerken te trainen. Bovendien kunnen accelerators zoals ONNX Runtime worden gebruikt met deze frameworks om de training en de deductie van modellen te versnellen.

Deep Learning-modellen trainen

Er zijn verschillende strategieën en methoden voor het trainen van Deep Learning-modellen. Laten we er eens een paar nader bekijken.

Leren onder supervisie

Met leren onder supervisie wordt een algoritme getraind op gegevenssets die zijn gelabeld. Dit betekent dat wanneer het algoritme een beslissing maakt over een stukje informatie, het de labels kan gebruiken die zijn opgenomen in de gegevens om te controleren of die beslissing juist is. Bij leren onder supervisie moeten de gegevens waarmee modellen worden getraind, worden verstrekt door mensen, die de gegevens labelen voordat ze worden gebruikt om het algoritme te trainen.

Leren zonder supervisie

Met leren zonder supervisie worden algoritmen getraind op gegevens die geen labels of informatie bevatten die het algoritme kan gebruiken om de bepaling ervan te controleren. In plaats daarvan sorteert en classificeert het systeem de gegevens op basis van de patronen die het zelf herkent.

Bekrachtigend leren

Met bekrachtigend leren lost een systeem taken op met behulp van trial-and-error om een reeks beslissingen op volgorde te nemen en een beoogd resultaat te bereiken, zelfs in een omgeving die niet eenvoudig is. Bij bekrachtigend leren gebruikt het algoritme geen gegevenssets om te bepalen, maar informatie die wordt verzameld uit een omgeving.

Deep reinforcement learning

Wanneer Deep Learning- en bekrachtigend leertechnieken worden gecombineerd, ontstaat een vorm van Machine learning die deep reinforcement learning wordt genoemd. Deep Reinforcement Learning maakt gebruik van dezelfde trial-and-error besluitvorming en complexe doelprestaties als bekrachtigend leren, maar is ook afhankelijk van Deep Learning-mogelijkheden voor het verwerken en zinvol maken van grote hoeveelheden ongestructureerde gegevens.

Waar wordt Deep Learning voor gebruikt?

Deep Learning wordt binnen bedrijven in diverse branches gebruikt voor een breed scala aan gebruiksgevallen. Hier volgen enkele voorbeelden van hoe Deep Learning vaak wordt gebruikt:

Beeld-, spraak- en emotieherkenning

Deep Learning-software wordt gebruikt om de nauwkeurigheid van beeld-, spraak- en emotieherkenning te verhogen en om het zoeken naar foto's, persoonlijke digitale assistenten, voertuigen zonder bestuurder, openbare veiligheid, digitale beveiliging en andere intelligente technologieën mogelijk te maken.

Op maat gemaakte ervaringen

Streamingdiensten, e-commerce retailers en andere bedrijven gebruiken Deep Learning-modellen om geautomatiseerde aanbevelingen te doen voor producten, films, muziek of andere services en om de ervaringen van klanten te perfectioneren op basis van hun aankoopgeschiedenis, gedrag in het verleden en andere gegevens.

Chatbots

Slimme bedrijven gebruiken Deep Learning om online chatbots met tekst- of spraakactiva aan te sturen voor veelgestelde vragen, routinetransacties en met name voor klantondersteuning. Ze vervangen teams van serviceagents en wachtrijen van wachtende klanten door geautomatiseerde, contextueel geschikte en nuttige antwoorden.

Persoonlijke digitale assistenten

Spraakgestuurde persoonlijke digitale assistenten maken gebruik van Deep Learning om spraak te verstaan, adequaat te reageren op vragen en opdrachten in natuurlijke taal en zelfs af en toe een knipoog te geven.

Voertuigen zonder bestuurder

Zelfrijdende auto's, de officieuze vertegenwoordiger voor AI en Deep Learning, gebruiken Deep Learning-algoritmen om meerdere dynamische gegevensstromen in een fractie van een seconde te verwerken, hoeven nooit de weg te vragen en reageren sneller op onverwachte situaties dan een menselijke bestuurder.

Veel bedrijven gebruiken opensource-Machine Learning om Deep Learning-oplossingen voor hun organisatie te gebruiken.

Meer informatie over opensource Machine Learning

Wat zijn neurale netwerken?

Een kunstmatig neuraal netwerk (ANN) is een digitale architectuur die menselijke cognitieve processen nabootst om complexe patronen te modelleren, voorspellingen te ontwikkelen en op de juiste wijze te reageren op externe gebruikers. Gestructureerde gegevens zijn vereist voor veel soorten Machine Learning en neurale netwerken, die gebeurtenissen in de hele wereld kunnen interpreteren als gegevens die kunnen worden verwerkt.

Steeds wanneer u een rapport leest, naar een film kijkt, in een auto rijdt of aan een bloem ruikt, verwerken miljarden neuronen in uw hersenen de informatie via minuscule elektrische signalen. Elk neuron verwerkt invoer en de resultaten worden doorgegeven aan het volgende neuron voor verdere verwerking, wat uiteindelijk en onmiddellijk een zakelijk inzicht, een lach, een voet op de rem of een beetje vreugde oplevert. Bij Machine Learning stellen neurale netwerken digitale systemen in staat situaties op vrijwel dezelfde wijze te interpreteren en erop te reageren.

Een ANN is net als een brein vol digitale neuronen, en hoewel de meeste ANN's elementaire uitingen van het echte werk zijn, kunnen ze nog steeds grote hoeveelheden niet-lineaire gegevens verwerken om complexe problemen op te lossen waarvoor anders menselijke tussenkomst nodig is. Bankanalisten kunnen bijvoorbeeld een ANN gebruiken om leningaanvragen te verwerken en de kans op wanbetalingen van een aanvrager te voorspellen.

Wat u kunt doen met neurale netwerken

In Machine Learning worden neurale netwerken gebruikt voor het leren en modelleren van complexe, vluchtige invoer en uitvoer, het afleiden van niet-gebruikte relaties en het doen van voorspellingen zonder beperkingen voor gegevensdistributie. Neurale netwerkmodellen vormen de basis voor veel Deep Learning-toepassingen, zoals computervisie en natuurlijke taalverwerking, die kunnen helpen bij de bescherming tegen fraude, gezichtsherkenning of zelfrijdende voertuigen.

De meeste bedrijven vertrouwen op prognoses om zakelijke beslissingen, verkoopstrategieën, financieel beleid en het gebruik van middelen te onderbouwen. Maar de beperkingen van traditionele prognoses maken het vaak moeilijk om complexe, dynamische processen met meervoudige en vaak verborgen onderliggende factoren, zoals de beurskoersen, te voorspellen. Deep Learning voor neurale netwerkmodellen helpt complexe niet-lineaire verbanden bloot te leggen en ongeziene factoren te modelleren, zodat bedrijven nauwkeurige voorspellingen kunnen ontwikkelen voor de meeste bedrijfsactiviteiten.

Algemene neurale netwerken

Er zijn tientallen verschillende soorten neurale AI-netwerken en elk netwerk is geschikt voor verschillende deep learning-toepassingen. Gebruik een ANN die geschikt is voor uw bedrijfs- en technologievereisten. Hier zijn enkele voorbeelden van algemene neurale AI-netwerken:

Convolutioneel neuraal netwerk (CNN)

Ontwikkelaars gebruiken een CNN om AI-systemen te helpen afbeeldingen te converteren naar digitale matrices. CNN's worden voornamelijk gebruikt voor afbeeldingsclassificatie en objectherkenning en zijn geschikt voor gezichtsherkenning, onderwerpdetectie en sentimentanalyses.

Deconvolutioneel neuraal netwerk (DNN)

Als complexe of grote netwerksignalen verloren gaan of worden verbonden met andere signalen, kan een DNN deze vinden. DNN's zijn handig voor het verwerken van afbeeldingen met hoge resolutie en schattingen van optische stromen.

Generatief tegenstrijdig netwerk (GAN)

Technici gebruiken een GAN om modellen te trainen voor het genereren van nieuwe informatie of materiaal dat de specifieke eigenschappen van de trainingsgegevens nabootst. GAN's helpen de modellen subtiele verschillen tussen oorspronkelijke kopieën en kopieën te onderscheiden om meer originele kopieën te maken. GAN-toepassingen omvatten hoogwaardige afbeelding- en videogeneratie, geavanceerde gezichtsherkenning en superresolutie.

Terugkerend neuraal netwerk (RNN)

Een RNN voert gegevens in de verborgen lagen in met specifieke tijdsvertragingen. Netwerkcomputing is verantwoordelijk voor historische informatie in huidige staat en hogere invoer verandert de modelgrootte niet. RNN's zijn een goede keuze voor spraakherkenning, geavanceerde prognoses, robotica en andere complexe deep learning-workloads.

Transformers

Transformers zijn ontworpen om sequentiële invoergegevens te verwerken. Ze zijn echter niet beperkt tot het verwerken van die gegevens in sequentiële volgorde. In plaats daarvan gebruiken transformers aandacht: een techniek die modellen in staat stelt verschillende invloedsniveaus toe te kennen aan verschillende invoergegevens en de context te bepalen voor afzonderlijke gegevens in een invoerreeks. Dit maakt een verhoogd niveau van parallellisatie mogelijk, waardoor de trainingstijden van het model kunnen worden beperkt.

Machine learning versus neurale netwerken

Hoewel neurale netwerken worden beschouwd als een subset van Machine Learning, zijn er enkele belangrijke verschillen tussen neurale netwerken en normale Machine Learning-modellen.

Neurale netwerken zijn over het algemeen complexer en kunnen onafhankelijker werken dan gewone Machine Learning-modellen. Een neuraal netwerk kan bijvoorbeeld zelf bepalen of de voorspellingen en resultaten nauwkeurig zijn, terwijl voor een Machine Learning-model de invoer van een menselijke technicus vereist is om dat onderscheid te maken.

Daarnaast zijn neurale netwerken gestructureerd zodat het neurale netwerk zelf intelligente beslissingen kan blijven nemen en blijven leren. Machine learning-modellen zijn daarentegen beperkt tot besluitvorming op basis van wat er specifiek op is getraind.

Aan de slag met Deep Learning in Azure

Ondersteuning bieden voor afbeeldingsherkenning met neurale netwerken of natuurlijke taalverwerking optimaliseren met snelle, eenvoudige, nauwkeurige BERT NLP-modellen. Ontdek hoe u alle soorten Deep Learning-modellen bouwt, traint en implementeert met Azure Machine Learning.

Machine learning voor gegevenswetenschappers verkennen

Leer hoe u oplossingen voor machine learning op cloudschaal kunt bouwen in Azure en verken de hulpprogramma's voor machine learning voor datawetenschappers en engineers op het gebied van machine learning.

Kunnen we u helpen?