Deep learning

In de wereld van big data en artificiŽle intelligentie is er geen enkele technologie die meer tot de verbeelding spreekt dan deep learning. Via neurale netwerken slaagt men erin computers beoordelingen te laten doen zonder vooraf een algoritme te schrijven Ė een methode die vroeg of laat ook zijn weg zal vinden naar industriŽle automatisering.

Deze introductie tot deep learning past in onze artikelenreeks waarin ook artificiŽle intelligentie en machine learning uitgelegd worden. De drie termen zijn met elkaar verbonden, want machine learning is een methode om tot artificiŽle intelligentie te komen. Deep learning is op zijn beurt een van de mogelijke methodes binnen machine learning.

De term deep learning slaat op het gebruik van neurale netwerken. U weet wel, het simuleren van de werking van de hersenen via een netwerk van nodes die signalen aan elkaar doorgeven. In simulaties is zo een netwerk opgebouwd uit lagen waarbij de eerste laag nodes externe input krijgt. Elke node genereert op basis hiervan een output die met een bepaald gewicht aan de nodes in de volgende laag wordt doorgegeven. Dat gewicht is een maar voor hoe relevant de bijhorende input blijkt te zijn voor de gewenste output. Vele lagen later (vandaar de deep in deep learning) komen de nodes tot een output.

Typisch aan zo een neuraal netwerk is wat in ons artikel over machine learning ďreinforcement learningĒ genoemd wordt. Het systeem moet de parameters in de nodes en gewichten bij het doorgeven van de signalen zelf bepalen door training. Daarbij wordt het gevoed met grote hoeveelheden input, waarbij de parameters zichzelf aanpassen tot de gewenst outputs bekomen wordt.

Duizenden iteraties

Neem als voorbeeld een specifieke uitdaging waar vandaag op gewerkt wordt in het kader van zelfrijdende voertuigen: het herkennen van verkeersborden. Om een stopbord te herkennen zou men in een traditionele applicatie werken met een algoritme dat bijvoorbeeld eerst de contouren zoekt in een beeld, vervolgens op zoek gaat naar een achthoek, dan kijkt of de kleur binnen die achthoek rood is, enz.

Bij deep learning is de aanpak heel anders. Men voedt fotoís aan een neuraal netwerk, bijvoorbeeld door ze in stukken te knippen en elke node in de eerste laag een stukje te geven. Vervolgens krijgt het systeem feedback over de correctheid van zijn output Ė of het al dan niet een stopbord ziet Ė waarna het zijn parameters eventueel bijstelt voor de volgende test. Na duizenden en duizenden van deze iteraties wordt het systeem geacht dan in staat te zijn om met vrij grote nauwkeurigheid te zeggen of er al dan niet een stopbord staat in een beeld.

Waar deep learning zich ook onderscheidt van de andere methodes in machine learning is dat het ďalgoritmeĒ dat op deze manier tot stand komt, gebonden is aan het neuraal netwerk zelf. Met andere woorden, om het systeem te gebruiken heeft men precies hetzelfde neuraal netwerk nodig als hetgeen in de training gebruikt werd.

Grafische kaarten

Dat deep learning pas de laatste jaren echt is komen opzetten heeft alles te maken met de enorme rekenkracht die ervoor nodig is. Om tot een intelligent systeem te komen is een enorm neuraal netwerk nodig dat bovendien ook nog eens met miljoenen inputs getraind moet worden. Een doorbraak op het vlak van rekenkracht is er gekomen toen men krachtige grafische kaarten uit de gaming industrie begon te gebruiken. Producent NVIDIA is een van de koplopers in het domein en ontwikkelt intussen ook CPUís die qua architectuur volledig afgestemd zijn op deep learning toepassingen.

Een veelbesproken voorbeeld is de NVIDIA DRIVE PX 2 computer die ontwikkeld werd voor onderzoek naar zelfrijdende autoís. Het neurale netwerk krijgt de input van meerdere cameraís en sensoren. Door het systeem te leren, wat concreet betekent dat men de computer laat mee volgen hoe een menselijke bestuurder rijdt, hoopt men dat het neurale netwerk zichzelf kan configureren tot een systeem dat ooit zelf het stuur zal kunnen overnemen. Voor alle duidelijkheid: zo ver is men nog lang niet.

En de industrie? In ons artikel over artificiŽle intelligentie staat een mooi voorbeeld over een robot die via een neuraal netwerk bin picking leert. Een ander onderzoeksdomein is dat van smart sensoren die bijvoorbeeld in staat moeten zijn om aan de hand van klassieke metingen in een proces een maat te genereren voor een niet direct meetbare grootheid zoals productkwaliteit. Men spreekt dan over ANFIS gebaseerde sensoren (Adaptive Neuro-Fuzzy Inference System).

© Productivity.be


Feel free to share

VDW

METAV 2018

Van de laatste technologieŽn in traditionele productietechnieken tot nieuwe oplossingen voor Industrie 4.0 - ze komen allemaal aan bod op de vakbeurs METAV, van 20 tot 24 februari 2018 in Dusseldorf.
Naast het hoofdthema metaalbewerking heeft de beurs speciale zones met aandacht voor kwaliteitscontrole, additive manufacturing, molding en medical.
Meer info en inschrijving: www.metav.com

Start To Make Smarter

Op 7 en 8 februari ontvangt het MTMS Network Event in Kortrijk Xpo een 3000-tal bezoekers uit metaal- en kunststoffentransformatie, subcontractors, OEMís en machinebouwers om te netwerken met 165 technologie- en componentenleveranciers.
Het event omvat kleine partnerstanden, netwerkrecepties en de Ideas Battle Arena met tal van inspirerende ondernemers. Dit jaar wordt voor de eerste maal ook de POM Late Shift georganiseerd.
Registreer u (en uw collega's)