Select your location
Austria

Austria

Czech Republic

Czech Republic

Germany

Germany

Italy

Italy

The Netherlands

The Netherlands

Romania

Romania

Sweden

Sweden

Greece

Greece

Artificial intelligence, machine learning en deep learning: wat is het verschil?

De slimme software van tegenwoordig is op allerlei technologieën gebaseerd. Weet u het verschil tussen artificial intelligence, machine learning en deep learning? Wat komt er kijken bij big data? En wat doet een data scientist precies? In dit artikel lichten we al deze termen toe en leggen we uit wat ze voor uw organisatie kunnen betekenen.

Artificial intelligence

Artificial intelligence (AI), of kunstmatige intelligentie (KI) in het Nederlands, is eenvoudigweg wat de term zegt: intelligentie die we van mensen en dieren kennen, maar dan nagebouwd met computers. Achter die eenvoudige term schuilt een grote complexiteit, want wetenschappers en filosofen zijn er nog altijd niet helemaal uit wat intelligentie nu juist is, laat staan hoe we een kunstmatige vorm van het fenomeen kunnen maken.

We zijn nog ver vandaan van het namaken van algemene intelligentie, maar we kunnen intelligentie wel in diverse subdomeinen opbreken. Redeneren, problemen oplossen, plannen, leren, taal gebruiken, zien: het zijn allemaal vormen van intelligentie. En voor elk van die vormen bestaat ook een domein binnen AI om de menselijke vermogens in een computer te integreren.

Machine learning

Een groot – en waarschijnlijk het bekendste – domein binnen AI is machine learning (in het Nederlands: machinaal leren of automatisch leren). Dit domein heeft als doel om het lerend vermogen van de mens na te maken. Als mens leren we continu uit situaties in ons dagelijks leven. Als een kind bijvoorbeeld naar een kat kijkt en de ouders ‘kat’ zeggen, en dat telkens herhalen, ook bij andere katten, dan leert dat kind mettertijd om katten te herkennen.

Technieken in machine learning werken op dezelfde manier op basis van voorbeelden. U geeft zo’n systeem talloze voorbeelden van foto’s van katten met de omschrijving ‘kat’, en uit die training leert het systeem wat al die foto’s gemeen hebben. Als u het systeem dan daarna een foto van een kat toont die het nog niet gezien heeft, zal het ook hierop de kat herkennen.

In uw bedrijf moet u uiteraard geen katten herkennen. Maar er zijn talloze zaken die u machinaal kunt leren. Zo kunt u bijvoorbeeld een voorspellend model voor de kans op een (volgende) aankoop ontwikkelen. Hiermee rangschikt u dan prospecten op basis van de kans dat ze opnieuw zullen kopen. En zo geeft u het succespercentage van uw salesgesprekken een enorme boost.

Deep learning

Een belangrijke aanpak voor machine learning vormen de (kunstmatige) neurale netwerken. Zoals hun naam al zegt, is die aanpak geïnspireerd door de werking van de menselijke hersenen. Die bestaan immers uit een netwerk van verbonden neuronen, de hersencellen, die elektrische pulsen aan elkaar doorgeven. Op dezelfde manier bestaat een kunstmatig neuraal netwerk uit kunstmatige neuronen, die invoer kunnen krijgen van andere neuronen en uitvoer aan andere neuronen kunnen doorgeven.

Doorgaans worden die neuronen in een kunstmatig neuraal netwerk in lagen opgebouwd. U heeft dan een invoerlaag, een of meer tussenliggende (verborgen) lagen en een uitvoerlaag:

Neuraal netwerk

We spreken van deep learning als het netwerk een groot aantal verborgen lagen heeft. Deep learning heeft het laatste decennium tot een grote vooruitgang in AI geleid binnen domeinen zoals voorwerpen herkennen, spraakherkenning, kwaliteitsbewaking, fraudedetectie en zelfs medische diagnoses.

Big data

Deep learning is dus een specifieke techniek voor machine learning, zoals er nog andere bestaan. En machine learning is een van de domeinen van artificial intelligence. Visueel kunnen we dat zo voorstellen:

Venn diagram

We zien in deze voorstelling ook twee andere concepten: big data en data science. Laten we met die eerste beginnen.

We spreken over big data als het om een dataverzameling gaat die te groot of te complex is om met een klassiek databasemanagementsysteem te verwerken. Bij een probleem in machine learning, waarbij u bijvoorbeeld honderdduizenden foto’s moet analyseren, spreken we van big data. Deep learning leent zich uitstekend om problemen met big data aan te pakken.

In de praktijk stapt u over naar technieken voor big data op het moment dat u het systeem voor machine learning niet meer op een pc kunt draaien. Vaak loopt u dan tegen beperkingen aan zoals te weinig geheugen of te weinig processorkracht voor de grote hoeveelheid trainingsdata. De oplossing is dan om de software voor deep learning op clusters van computers in een datacenter te draaien. De taak wordt dan verdeeld en parallel uitgevoerd op meerdere computers.

Data science

Wat is dan data science of datawetenschappen? Dat is een interdisciplinair veld dat met wetenschappelijke methodes en algoritmes kennis vergaart uit grote dataverzamelingen om problemen in allerlei toepassingsdomeinen op te lossen.

In de bovenstaande afbeelding ziet u dat datawetenschappen deel uitmaken van AI en dan vooral machine learning. Die omvatten het domein van big data en een deel van deep learning. Maar datawetenschappen omvatten ook aspecten die buiten het domein van AI vallen.

Wat doet een datawetenschapper?

Wat die aspecten van datawetenschappen buiten AI juist zijn, wordt duidelijker als we analyseren wat een datawetenschapper juist doet. De vaardigheden van een datawetenschapper vallen uiteen in vier domeinen:

  • AI: kennis van machine learning en aanverwante technieken, maar ook statistische modellen en aanverwante wiskunde.
  • Computerwetenschappen: kennis van programmeertalen zoals Python en R, databases zoals SQL en NoSQL en deployments in de cloud.
  • Domeinkennis: kennis van de businesscontext van de toepassingen waarin AI problemen oplost.
  • Communicatie: de vaardigheden om datagedreven inzichten uit te leggen en te visualiseren.

Data scientist

Voorbeeld: Aanwezigheid van onzuiverheden opsporen

Een voorbeeld maakt dit duidelijk. Een afvalverwerkingsbedrijf wil met een AI-gebaseerde camera langs de transportbanden onzuiverheden opsporen. De datawetenschapper gebruikt zijn domeinkennis van de business om de opdracht van het bedrijf te vertalen in een algoritmisch vraagstuk. Hij put uit zijn kennis van AI om met deep learning een model te trainen op foto’s van zuivere en onzuivere plasticstromen. Om dit te realiseren, schrijft hij code in Python die hij op een cloudplatform draait. De resultaten visualiseert hij met behulp van zijn communicatievaardigheden.

 

Van data tot actie

Bedrijven hebben uiteraard al langer mogelijkheden om inzichten uit data te halen. We spreken dan over Business Intelligence (BI), met als instrumenten rapporten en interactieve dashboards.

Maar doorgaans blijven de inzichten van BI beperkt tot achteruitkijken: wat is er gebeurd en waarom? Er komen ook nog vrij veel manuele processen bij kijken en de gebruikers moeten zelf nog veel beslissingen nemen in die processen.

Geavanceerde analytics en dan vooral AI gaan nog een stap verder en laten u toe om vooruit te kijken. De resultaten zijn voorspellingen (Wat zal er gebeuren?) en aanbevelingen (Wat moet ik doen?). Daarbij zijn nog maar minimale manuele processen en beslissingen nodig om tot acties te komen.

De meest doorgedreven vormen van AI automatiseren ook die laatste menselijke stappen. Daardoor kan het systeem volledig automatisch acties uitvoeren op basis van data.

Verschil tussen AI en BI

Aan de slag met data science

Wilt u uw bedrijfsresultaten verbeteren door gebruik te maken van geavanceerde datatechnologieën zoals AI, machine learning, deep learning en big data? Maar weet u niet goed hoe u daaraan begint?

Cegeka heeft een uitgebreid team van datawetenschappers die u bijstaan in uw zoektocht om van data tot actie te komen. We bieden een totaalpakket aan dataoplossingen en hanteren een bewezen aanpak die verder gaat dan alleen een proof of value.