In dit blogbericht onderzoeken we hoe AlphaGo en ontwikkelingen in deep learning-technologie een revolutie teweegbrengen in kunstmatige intelligentie en een impact hebben op de gezondheidszorg, het onderwijs en de maatschappij als geheel.
In maart 2016 schokte de Go-wedstrijd tussen AlphaGo en Lee Sedol de wereld. AlphaGo, een kunstmatige intelligentie die wordt aangestuurd door deep learning-technologie, versloeg de op de 9e plaats gerangschikte Go-speler Lee Sedol. Sindsdien is de term "deep learning" een begrip geworden. Deep learning is in feite een oude theorie die al meer dan tien jaar bestaat. Veel mensen weten er echter niet veel over. In dit artikel leggen we uit wat deep learning precies is, wat het anders maakt en hoe AlphaGo het toepast.
Laten we eerst even snel kijken naar de geschiedenis van kunstmatige intelligentie. De geschiedenis van kunstmatige intelligentie begint bij Alan Turing in de jaren 1950. In zijn boek “Computing Machinery and Intelligence” sprak Alan Turing over de mogelijkheid van kunstmatige intelligentie en zei dat het op een dag zou kunnen denken als mensen. Sindsdien hebben veel mensen aan AI gewerkt, maar de grenzen van de AI-ontwikkeling werden in de jaren 1980 bereikt. Ongeveer 20 jaar lang heeft niemand geprobeerd om AI te ontwikkelen.
In 2006 introduceerde professor Hinton echter deep learning-technieken in zijn artikel ‘A fast learning algoritme for deep believe nets’, en het AI-onderzoek kwam in een stroomversnelling. Deep learning verwijst naar machine learning-technieken gebaseerd op kunstmatige neurale netwerken (ANN's) waarmee computers zelfstandig kunnen leren van een grote hoeveelheid gegevens, net als mensen. Gebaseerd op het motief dat mensen denken en handelen met honderden lagen neuronen, worden kunstmatige neurale netwerken computationeel geconstrueerd om computers te laten leren.
Kunstmatige intelligentie is op veel gebieden onderzocht en deep learning heeft op veel gebieden een revolutie teweeggebracht, vooral beeldherkenning, spraakherkenning en natuurlijke taalverwerking. De gezichtsherkenningstechnologie van Google Photos, de spraakherkenningsfunctie van Apple in Siri en het aanbevelingssysteem van Amazon zijn bijvoorbeeld allemaal voorbeelden van diepgaand leren. Deze technologieën hebben ons dagelijks leven eenvoudiger gemaakt en de verwachting is dat deep learning in de toekomst op veel meer terreinen zal worden toegepast.
Maar wat maakt deep learning anders dan traditionele methoden? Kunstmatige neurale netwerken zijn in het verleden onderzocht. Er zijn echter twee belangrijke problemen met bestaande kunstmatige neurale netwerken. Het eerste is het lokale minimumprobleem, het probleem waarbij het verkeerde antwoord wordt gegeven voordat het ware antwoord wordt gevonden. De tweede is overfitting, waarbij de trainingsgegevens en de echte gegevens verschillen, wat tot fouten leidt.
Deep learning-technologie heeft echter ongeleid leren mogelijk gemaakt, waarbij prioriteit wordt gegeven aan het eerste probleem. Deep learning stelt computers in staat om voortdurend het juiste antwoord terug te sturen, wat de nauwkeurigheid exponentieel vergroot. Het tweede probleem werd opgelost met behulp van big data. Bij de traditionele methode werden trainingsgegevens verwerkt om het voor de computer gemakkelijker te maken om te begrijpen, maar met de ontwikkeling van big data kan er een grote hoeveelheid informatie tegelijk aan de computer worden verstrekt. Op basis hiervan werd ongeleid leren geïmplementeerd. Met andere woorden, de computer leerde daadwerkelijk ongeleid van echte gegevens. Met beide problemen opgelost, luidde deep learning een nieuwe lente in op het gebied van kunstmatige intelligentie.
Dus hoe heeft AlphaGo deep learning ingebouwd? AlphaGo werd ongeleid getraind op basis van amateur Go-spelers. Door ongeleid leren heeft AlphaGo zijn informatie over de kans op winst bijgewerkt. Uiteindelijk was het in staat om kansverdelingen te gebruiken om te bepalen welke zet op elk moment beter was. AlphaGo gebruikte een algoritme om 2-3 startpunten te identificeren met een hoge kans op winst. Het algoritme waar we het hier over hebben is een combinatie van de value network-methode en de rollout-methode. De eerste is een methode die direct de waarde van elk startpunt evalueert op basis van Monte-Carlo-zoektechnieken, en de laatste is een methode die de waarden met een hoge waarschijnlijkheid extraheert op basis van de statistieken van alle opgeslagen notaties van AlphaGo. Door deze twee methoden in combinatie te gebruiken, vermindert AlphaGo de complexiteit van de berekening door niet alle gevallen van Go te hoeven tellen. Dit is hoe AlphaGo Lee Sedol 9 in Go kon verslaan.
In de vorige paragrafen bespraken we de evolutie van kunstmatige intelligentie, wat deep learning is, de voordelen ervan en hoe het werd toegepast op AlphaGo. Deep learning is op zichzelf een revolutionaire technologie. De belangrijkste betekenis van deep learning is echter dat het ons heeft laten zien dat het mogelijk is om menselijke zelforganisatie in machines na te bootsen, wat het mogelijk maakt om mensachtige kunstmatige intelligentie voor te stellen die niet alleen maar sciencefiction is. Als deep learning-technologie verder kan worden ontwikkeld en toegepast op technologieën die de mens ten goede komen, zullen mensen in een gemakkelijkere wereld kunnen leven als deep learning AI problemen kan oplossen die mensen niet gemakkelijk kunnen oplossen.
Daarom is de ontwikkeling van deep learning-technologie niet alleen een technologische innovatie, maar heeft het het potentieel om een revolutie teweeg te brengen in de samenleving als geheel. Deep learning kan worden gebruikt in een verscheidenheid aan sectoren, waaronder de gezondheidszorg, het onderwijs, de financiële sector, de productie en meer, wat onze levenskwaliteit verder zal verbeteren. In de gezondheidszorg zal deep learning bijvoorbeeld precisiegeneeskunde mogelijk maken, wat een gepersonaliseerde behandeling mogelijk zal maken, en in het onderwijs zal het gepersonaliseerd onderwijs mogelijk maken op basis van individuele leerniveaus. Dit zijn allemaal positieve gevolgen van de vooruitgang in deep learning-technologie.
Als zodanig zal deep learning zich blijven ontwikkelen en ons leven zal gemakkelijker en verrijkt worden door de vooruitgang ervan. Ik hoop dat dit artikel u een beter begrip van deep learning heeft gegeven en u heeft voorbereid op de veranderingen die komen gaan.
