Het proberen te begrijpen van de laatste ontwikkelingen in kunstmatige intelligentie kan overweldigend zijn, maar als je geïnteresseerd bent in het leren van de basisbeginselen, kan je AI-innovaties terugbrengen naar twee concepten: zelflerende systemen en deep learning. Het lijkt er vaak op dat deze twee termen verwisselbare modewoorden zijn, daarom is het belangrijk om de verschillen te weten.
En deze verschillen zouden bekend moeten zijn, want voorbeelden van zelflerende systemen en deep learning zijn overal te vinden. Het is de manier waarop Netflix weet welk programma je vervolgens wilt zien, waarop Facebook weet wie zijn of haar gezicht er op de foto staat, waarop zelfrijdende auto’s realiteit zijn geworden en de manier waarop klantensupportmedewerkers weten of je tevreden bent met hun ondersteuning nog voor je zelf aan een klanttevredenheidsonderzoek deelneemt.
Dus wat zijn deze concepten die de gesprekken over kunstmatige intelligentie domineren en op welke manier zijn zij precies verschillend?
Wat zijn zelflerende systemen?
Hier volgt een basisdefinitie van zelflerende systemen:
’Algoritmes die gegevens ontleden, van die gegevens leren en dan die kennis toepassen om weloverwogen beslissingen te maken’
Een gemakkelijk voorbeeld van een zelflerend algoritmisch systeem is een on-demand muziekstreamingdienst. De algoritmes van zelflerende systemen associëren de voorkeuren van de luisteraar met andere luisteraars die een vergelijkbare muzieksmaak hebben en maakt aan de hand daarvan een beslissing over welke nieuwe liedjes of artiesten aan een luisteraar aan te bevelen. Deze techniek, die vaak simpelweg als kunstmatige intelligentie aangeprezen wordt, wordt door vele diensten gebruikt die automatische aanbevelingen geven.
Zelflerende systemen drijven allerlei soorten automatische taken aan in diverse sectoren, van gegevensbeveiligingsfirma’s die malware opsporen tot financiële professionals die notificaties willen ontvangen voor een gunstige handel. De AI-algoritmes worden geprogrammeerd om voortdurend te leren en op die manier een virtuele persoonlijke assistent te simuleren – wat ze vrij goed doen.
Zelflerende systemen betreffen een hoop complexe wiskunde en codering die, uiteindelijk, op een mechanische manier werken, zoals ook een zaklamp, een auto of een computermonitor dat doen. Wanneer we zeggen dat iets als een ‘zelflerend systeem’ kan worden gezien, bedoelen we dat het een systeem is dat een functie uitvoert aan de hand van de geleverde gegevens en op progressieve wijze steeds beter wordt. Het is alsof je een zaklamp zou hebben die aan zou gaan als je ‘het is donker’zou zeggen en de zaklamp dus de verschillende zinnen die het woord ‘donker’ bevatten, zou herkennen.
De manier waarop machines nieuwe trucjes kunnen leren wordt pas echt interessant (en boeiend) wanneer we het beginnen te hebben over deep learning en neurale netwerken.
Deep learning vs zelflerende systemen
Praktisch gezien is deep learning gewoon een subcategorie van zelflerende systemen. Deep learning is eigenlijk technisch gezien een zelflerend systeem en functioneert op eenzelfde manier (daarom worden de termen soms losjes door elkaar gebruikt). De mogelijkheden zijn echter verschillend.
Terwijl de modellen van zelflerende systemen steeds beter worden in hun functie, ongeacht welke dat is, hebben ze nog steeds begeleiding nodig. Als een AI-algoritme een onnauwkeurige voorspelling opbrengt, dan moet een engineer inspringen en aanpassingen maken. Met een deep learning model kan een algoritme zelf bepalen of een voorspelling al dan niet nauwkeurig is aan de hand van zijn eigen neurale netwerk.
Laten we terugkomen op het voorbeeld met de zaklamp. De zaklamp kan geprogrammeerd worden om aan te gaan als deze een hoorbare hint herkent wanneer iemand het woord ‘donker’zegt. Als de zaklamp blijft leren, zou hij uiteindelijk aan kunnen gaan bij elke zin die dat woord bevat. Als de zaklamp over een deep learning model zou beschikken, dan zou hij kunnen begrijpen dat hij aan zou moeten gaan bij de hints ‘Ik zie niks’ of ‘de lichtschakelaar werkt niet’, misschien gepaard met een lichtsensor. Een deep learning model is in staat om te leren via het eigen rekenmodel, een techniek waardoor het lijkt alsof het een brein heeft.
Hoe werkt deep learning?
Een deep learning model is ontworpen om voortdurend gegevens te analyseren via een logische structuur die lijkt op de manier waarop een mens conclusies trekt. Om dat te bereiken, gebruiken deep learning applicaties een gelaagde structuur van algoritmes met de naam artificieel neuraal netwerk. Het ontwerp van een artificieel neuraal netwerk is geïnspireerd op het biologische neurale netwerk van het menselijk brein, waardoor het leerproces tot veel meer in staat is dan de standaard modellen van zelflerende systemen.
Het is lastig om ervoor te zorgen dat het model van een zelflerend systeem de juiste conclusies trekt. Net zoals bij andere voorbeelden van kunstmatige intelligentie, is er nogal wat training nodig om de leerprocessen op punt te stellen. Maar wanneer het eenmaal werkt zoals het moet werken, wordt functioneel deep learning vaak ontvangen als een wetenschappelijk wonder dat door velen als de ruggengraat van de ware kunstmatige intelligentie wordt beschouwd.
Een groot voorbeeld van deep learning is Google’s AlphaGo. Google heeft een computerprogramma gemaakt met een eigen neuraal netwerk dat geleerd heeft om het abstracte bordspel Go te spelen, waarvan bekend is dat het een scherp verstand en intuïtie vereist. Door tegen professionele Go-spelers te spelen, heeft het deep learning model van AlphaGo geleerd om het spel op een niveau te spelen dat nog nooit eerder in kunstmatige intelligentie gezien was en dat zonder dat er gezegd werd welke specifieke zet er gemaakt moest worden (zoals nodig is bij een standaard model van een zelflerend systeem). Het deed nogal wat stof opwaaien toen AlphaGo meerdere wereldwijde ‘meesterspelers’ van het spel versloeg. Niet alleen kon een machine de complexe technieken en abstracte aspecten van het spel begrijpen, maar het kon ook nog eens een van de beste spelers ervan worden.
Om de verschillen tussen de twee nogmaals te herhalen:
- Zelflerende systemen gebruiken algoritmes om gegevens te ontleden, van die gegevens te leren en weloverwogen beslissingen te maken gebaseerd op dat wat het heeft geleerd.
- Deep learning organiseert de algoritmes in lagen om een ‘artificieel neuraal netwerk’ te creëren dat kan leren en dat zelf intelligentie beslissingen kan maken.
- Deep learning is een subveld van zelflerende systemen. Hoewel beiden onder de brede categorie kunstmatige intelligentie vallen, is deep learning dat wat de meest menselijke vorm van kunstmatige intelligentie aandrijft.
Een eenvoudige uitleg
We snappen dat dit alles nog steeds gecompliceerd lijkt. De eenvoudigste manier om het verschil tussen zelflerende systemen en deep learning te begrijpen, is door te weten dat deep learning machine learning is.
Meer specifiek wordt deep learning als de evolutie van zelflerende systemen gezien. Het gebruikt een programmeerbaar neuraal netwerk dat machines in staat stelt om nauwkeurige beslissingen te maken zonder de hulp van de mens.
Gegevens als de brandstof van de toekomst
Met de enorme hoeveelheden aan gegevens die door het huidige ‘tijdperk van big data’ worden geproduceerd, zullen we ongetwijfeld innovaties zien die we nog niet eens kunnen doorgronden en mogelijk zelfs al binnen de komende tien jaar. Volgens de experts zullen sommige daarvan waarschijnlijk toepassingen van deep learning zijn.
Andrew Ng, het wetenschappelijk hoofd van de grootste Chinese zoekmachine Baidu en een van de leiders van het Google Brain Project, deelde een belangrijke analogie voor deep learning met Wired Magazine: ‘Ik denk dat kunstmatige intelligentie sterk verwant is aan het bouwen van een ruimteschip. Je hebt een enorme motor en heel veel brandstof nodig,’ is wat hij de journalist Caleb Garling van Wired vertelde. ‘Als je een grote motor hebt, maar een kleine hoeveelheid brandstof, haal je de baan om de aarde niet. Als je een kleine motor en een ton brandstof hebt, kan je niet eens opstijgen. Om een raket te bouwen, heb je een enorme motor en heel veel brandstof nodig.’
‘De analogie met deep learning is dat de motor van de raket de deep learning modellen zijn en de brandstof de enorme hoeveelheden aan gegevens die we aan deze algoritmes kunnen voeren.’
– Andrew Ng (bron: Wired)
Dus wat betekenen zelflerende systemen en deep learning voor klantensupports?
Veel van de hedendaagse AI-applicaties in klantensupports gebruiken algoritmes uit zelflerende systemen. Ze worden gebruikt om selfservice aan te drijven, de productiviteit van agenten te verhogen en workflows betrouwbaarder te maken.
De gegevens die aan de algoritmes worden gevoerd, zijn afkomstig uit een voortdurende stroom van binnenkomende klantenvragen, inclusief de relevante context van de problemen waarmee klanten te maken krijgen. Door die context in een AI-applicatie samen te voegen, leidt dat op zijn beurt weer tot snellere en nauwkeurigere voorspellingen. Hierdoor is kunstmatige intelligentie een boeiend vooruitzicht voor vele ondernemingen geworden, waarbij de marktleiders speculeren dat de meest praktische toepassingen van bedrijfsgerelateerde kunstmatige intelligentie voor de klantensupports zullen zijn.
En naarmate deep learning meer gestalte krijgt, zullen we nog meer geavanceerde toepassingen van kunstmatige intelligentie in klantensupports terugzien. Een groot voorbeeld is de Zendesk Answer Bot die een deep learning model bevat om de context van een supportticket te begrijpen en om te leren welke help-artikelen er aan de klant zouden moeten worden aangeraden.