Terug van nooit weggeweest...
Artificiële Intelligentie is terug van nooit helemaal weggeweest! Hoewel AI al ongeveer even lang meegaat als computers zelf, kunnen we tegenwoordig spreken van een ware AI revolutie. Dankzij de opkomst van Deep Learning kunnen taken geautomatiseerd worden waarvan ooit gedacht werd dat ze nooit door computers konden worden uitgevoerd: Beeldherkenning, documentverwerking, machinevertaling, fraudedetectie, en nog zoveel meer!
Toch is AI vandaag de dag terug erg actueel, en dit vooral dankzij nieuwe ontwikkelingen in de familie van “Machine Learning” algoritmes. Zoals de naam impliceert, is Machine Learning een familie van “lerende” algoritmes. Machine Learning algoritmes kunnen namelijk leren om een bepaalde taak uit te voeren door te kijken naar de input en output van deze taak, en hieruit dan zelf logica uit af te leiden.
Machine Learning is bijzonder handig voor taken die mensen onbewust uitvoeren, maar niet zelf in logica kunnen vervatten. Denk bijvoorbeeld aan het herkennen van gezichten: een taak waar mensen bijzonder goed in zijn, maar onmogelijk kan vertaald worden naar de taal van computers, die denken in termen van pixelwaarden.
Wat is Machine Learning?
ML bevat heel wat technische onderverdelingen, maar de belangrijkste voor bedrijven is het onderscheid tussen zelflerende machine learning algoritmes (unsupervised & reinforcement learning) en algoritmes die leren van menselijke input (supervised learning). Ondanks het feit dat er vaak gesproken wordt over zelflerende algoritmes bevindt het overgrote deel van de use-cases zich in de tweede categorie. Een Machine Learning systeem die leert om aandeelprijzen te voorspellen is zelflerend door voorspellingen automatisch af te toetsen aan werkelijke beursprijzen. Daarentegen, een systeem die automatisch emails sorteert kan enkel leren van menselijke feedback.
Machine Learning technologie bestaat al langer dan vandaag, maar het is pas recent, dankzij doorbraken in zowel hardware als software, dat we met Machine Learning de grootste uitdagingen in AI kunnen aanpakken. Hiervoor gebruiken we vandaag vooral een specifieke tak binnen de Machine Learning familie: Neurale Netwerken.
Neurale Netwerken zijn gebaseerd op de werking van het menselijk brein, en hebben als voornaamste voordeel dat ze enorm goed kunnen schalen op onze moderne hardware. Ook Neurale Netwerken zijn niet nieuw, maar om een onderscheid te maken tussen de kleine netwerken van enkele decennia geleden en de relatief grote netwerken van vandaag gebruikt men tegenwoordig vaak de term “Deep Learning”.
Eén groot nadeel van Neurale Networken is dat hun werking niet langer door mensen kan worden geëvalueerd. Vaak spreekt men dus over Deep Learning toepassingen als ‘black box’ systemen: je kan feedback geven over het resultaat, maar je krijgt geen inzicht in hoe dat resultaat is verkregen. Hier wordt echter hard aan gewerkt, in een discipline genaamd “Explainable AI”. Tegenwoordig worden belangrijke Machine Learning systemen ook ontworpen volgens het “human in the loop” principe, waarbij mensen het werk van de AI evalueren en indien nodig corrigeren.
AI - Machine Learning - Deep Learning
Artificiële Intelligentie is het uitvoeren van taken door een computer die normaal enkel door een mens kunnen worden uitgevoerd. (Voor de uitvinding van computers waren alle taken immers voormensen voorbehouden.)
AI is vandaag de dag terug terecht brandend actueel, en dit vooral dankzij nieuwe ontwikkelingen in de familie van Machine Learning algoritmes. Zoals de naam impliceert, is Machine Learning een familie van “lerende” algoritmes. Machine Learning algoritmes kunnen namelijk leren om een bepaalde taak uit te voeren door te kijken naar de input en output van deze taak, en hieruit dan zelf logica uit af te leiden.
Machine Learning is bijzonder handig voor taken die mensen onbewust uitvoeren, maar niet zelf in logica kunnen vervatten. Denk bijvoorbeeld aan het herkennen van gezichten: een taak waar mensen bijzonder goed in zijn, maar onmogelijk kan vertaald worden naar de taal van computers, die denken in termen van pixelwaarden.
AI technologie bestaat al langer dan vandaag, maar het is pas recent, dankzij doorbraken in zowel hardware als software, dat we met Machine Learning de grootste uitdagingen in AI kunnen aanpakken. Hiervoor gebruiken we vandaag vooral een specifieke tak binnen de Machine Learning familie: Neurale Netwerken.
Neurale Netwerken zijn gebaseerd op de werking van het menselijk brein, en hebben als voornaamste voordeel dat ze enorm goed kunnen schalen op onze moderne hardware. Om een onderscheid te maken tussen de kleine netwerken van enkele decennia geleden en de relatief grote netwerken van vandaag gebruikt men tegenwoordig vaak de term Deep Learning. Meer weten over Deep learning? Ontdek ons blogbericht waarin een voorbeeld wordt aangehaald hoe Deep learning kan gebruikt worden.
Waarom inzetten? En waarom niet?
De eerste denkoefening die elke organisatie moet maken bij het evalueren van een Machine Learning project is “Kan het ook met gewone code?”. Klinkt averechts, maar vanwege de complexiteit en datavereisten van Machine Learning algoritmes is een traditionele aanpak waar mogelijk quasi altijd goedkoper en efficiënter. Zijn één of meerdere aspecten echter niet zomaar in logica te vervatten, dan wordt Machine Learning pas relevant
In principe kan iedere organisatie vandaag al Machine Learning integreren in hun business processen. Veel ML applicaties zijn immers al getraind door een technologiebedrijf of academische organisatie, en kunnen dus meteen worden ingezet zonder trainingdata te vereisen.
Belangrijk bij voorgetrainde ML componenten is echter wel dat ze enkel generische taken kunnen uitvoeren. Voorbeelden hiervan zijn zaken zoals herkennen van mensen, detecteren van emoties in tekst, spraakherkenning, machinevertaling, etc. Deze componenten kunnen hergebruikt worden en worden aangeboden door grote technologiebedrijven zoals IBM, Google of Microsoft.
De meest interessante ML componenten worden echter door organisaties zelf getraind aan de hand van eigen data, aangezien die specifieke taken kunnen uitvoeren die uniek zijn binnen de organisaties zelf.
Om te illustreren aan de hand van een voorbeeld: In het geval van documentverwerking bij bestelbonnen kunnen generische componenten heel goed zaken zoals leverdata en adressen detecteren maar producttypes of specifieke wensen niet.
Het belangrijkste element die dus de maturiteit van ML adoptie bepaalt is de beschikbaarheid van trainingsdata. Zoals eerder vermeld worden moderne ML systemen getraind door te leren van de input en de output van een bepaalde taak. Nemen we nu even het automatisch toekennen van tags aan afbeeldingen als voorbeeld, dan zijn er eerst genoeg voorbeelden nodig van zowel afbeeldingen (input) als de bijhorende tags (output).
Het vereiste volume is sterk afhankelijk van de gevraagde taak, en varieert van enkele honderden tot duizenden voorbeelden. Deze inschatting wordt typisch aan het begin van een Machine Learning traject gemaakt door een gespecialiseerde partij.
Een vuistregel die vooral bij automatisatie opdrachten gebruikt wordt is dat er minstens 1 fulltime werknemer momenteel met deze taak moet bezig zijn. Dit garandeert zowel voldoende datavolume, als een goede ROI voor de meeste Machine Learning projecten.
Sectoren waar Machine Learning een rol speelt
Een AI oplossing gebruiken is nooit een doelstelling op zich. Het is een middel om de bedrijfsdoelstelling te bereiken. Idealiter kunnen deze doelstelling ook in metrices uitgedrukt worden. Ongeacht in welke sector je bedrijf actief is. Voorbeelden van sectoren waar Machine Learning relevant is:
- Process Industrie
- Manufacturing
- Retail (B2C & B2B)
- Supply Chain
- Banking & Financial Services
- Healthcare
- Utilities
- Consulting Services
- enz.
Inzicht krijgen in wat AI - Machine Learning - Deep Learning kan betekenen voor je organisatie is nuttig om richting te hebben en te krijgen naargelang je organisatie verder groeit in functie van de bedrijfsdoelstellingen. Een beter en gerichter gebruik van data verhoogt significant de kansen op hogere, snellere en betere waardecreatie.
Dit voor alle stakeholders, zowel binnen als buiten de organisatie.
Je wil dieper ingaan op Machine Learning?Ons aanbod
Analyse
Voordat we aan een machine learning (ML) of AI oplossing beginnen, hebben we een duidelijk en duidelijk omschreven doel nodig. Het is noodzakelijk om het probleem dat we willen oplossen te definiëren, evenals de zakelijke waarde ervan. Daarnaast kijken we of we alle gegevens hebben die nodig zijn om het opgegeven probleem op te lossen, hoe de gegevens worden aangeleverd en hoe deze moet worden beheerd. In de snel evoluerende wereld van AI is het ook belangrijk om te onderzoeken of we kunnen voortbouwen op eerder academisch onderzoek. Hiervoor hebben we dan ook nauwe banden met de academische wereld.
Data Exploratie & Analyse
Gegevens zijn de brandstof van kunstmatige intelligentie, daarom moeten we uw gegevens van binnen en van buiten kennen. We zoeken naar de best leesbare weergave voor een machine learning-model, waarna we bekende statistische methoden gebruiken om data te normaliseren, uitschieters op te sporen en ontbrekende waarden in te vullen. Bovendien leggen we onze bevindingen vast in een rapport om de kwaliteit van uw gegevens te verbeteren. Indien nodig annoteren we ook de gegevens voor de opbouw van een model.
Ontwikkeling van een model
Onze AI-engineers blijven constant op de hoogte van de laatste ontwikkelingen op het gebied van machine learning. Bij elk project selecteren we zorgvuldig de meest geschikte algoritmen en architecturen om een efficiënte en performante oplossing te creëren. Deze oplossingen variëren van het gebruik van bestaande AI-services tot het bouwen van een volledig aangepast model dat is afgestemd op uw behoeften. Het model is getraind met uw gegevens en doelstellingen in gedachten, en zal worden geëvalueerd op basis van relevante gegevens uit de praktijk.
UX / UI
Vanwege de steeds veranderende aard van data of gegevens, heeft elk waardevol AI-model menselijke validatie nodig voor periodieke training. En u wilt natuurlijk precies weten hoe goed uw nieuwe topmedewerker presteert. Daarom gebruiken we de nieuwste technieken, methodologieën en technologieën om interfaces te creëren die de kloof tussen mens en machine overbruggen. Op basis van de feedback van uw domeinexperts evolueren onze interfaces om ervoor te zorgen dat het eindresultaat efficiënt in gebruik is.
Integratie & Lancering
Als de ontwikkeling voltooid is, is het tijd om onze hersenen in een 'potje' te stoppen. In deze laatste fase zorgen we ervoor dat onze applicatie helemaal klaar is om zelfstandig te draaien. We zorgen voor de integratie van de applicatie met jullie systeem en zorgen voor de draagbaarheid en schaalbaarheid met behulp van de juiste technologiën . Ten slotte implementeren we uw applicatie op locatie of op een van de beschikbare cloud platformen.
Wanneer is de tijd rijp voor ML?
We houden van een stevige portie pragmatiek, voetjes op de grond, dus wanneer we evalueren of de tijd gekomen is om in te zetten op artificial intelligence technology dan hanteren we enkele vuistregels.
Een vuistregel die bijvoorbeeld vooral bij automatisatie opdrachten gebruikt wordt is dat er (geaggregeerd) ongeveer één fulltime werknemer momenteel met deze taak moet bezig zijn. Dit garandeert zowel voldoende datavolume, als een goede ROI voor de meeste AI (Artificial Intelligence) projecten.
Technologie
Open Source
Pytorch
SpaCy
HuggingFac
BERT
GPT-2
Tensorflow
etc.
AI Services
Azure AI
Google Cloud AI
IBM Watson
etc.
De beste ML oplossingen beginnen met een goed gesprek.
We begrijpen dat we hier niet altijd alle vragen beantwoorden en soms zelfs nog meer vragen naar boven doen komen. We geloven sterk in persoonlijk contact om de juiste vragen te stellen én advies & oplossingen vorm te geven, dus nodigen we je graag uit voor een boeiend gesprek over Machine Learning.
Tot binnenkort!
