Artikel

Deep learning versus zelflerende systemen: een eenvoudige manier om het verschil te begrijpen

Door Brett Grossfeld, Associate content marketing manager

Gepubliceerd 18 juli 2018
Laatst gewijzigd 2 september 2020

Het begrijpen van de meest recente ontwikkelingen op het gebied van kunstmatige intelligentie (artificial intelligence, AI) kan overweldigend lijken, maar als je geïnteresseerd bent in het leren van de basis, kun je heel veel innovaties op het gebied van AI terugvoeren op twee concepten: zelflerende systemen en deep learning. Het lijkt er vaak op dat deze termen verwisselbare modewoorden zijn. Daarom is het belangrijk om de verschillen te kennen.

En die verschillen zouden bekend moeten zijn, want voorbeelden van zelflerende systemen en deep learning zijn overal. Het is de manier waarop Netflix weet welk nieuw programma je wilt zien, waarop Facebook weet wiens 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 voordat je een klanttevredenheidsonderzoek uitvoert.

Dus wat zijn deze concepten die de gesprekken over kunstmatige intelligentie domineren en waarin verschillen ze precies?
 

Deep learning vs zelflerende systemen

Het makkelijkste weetje om het verschil tussen de zelflerende systemen en deep learning te kunnen begrijpen is dat deep learning een vorm van een zelflerend systeem is.

Meer specifiek wordt deep learning beschouwd als een evolutie van zelflerende systemen. Het maakt gebruik van een programmeerbaar neuraal netwerk waarmee machines nauwkeurige beslissingen kunnen nemen zonder hulp van mensen.

Maar laten we om te beginnen eerst zelflerende systemen definiëren.

Wat zijn zelflerende systemen?

Dit is een basisdefinitie van zelflerende systemen:

"Algoritmes die data ontleden, van die data leren en vervolgens toepassen wat ze hebben geleerd om weloverwogen beslissingen te nemen"

Een eenvoudig voorbeeld van een algoritme voor zelflerende systemen is een on-demand muziekstreamingdienst. Om ervoor te zorgen dat de dienst een beslissing kan nemen over welke nieuwe nummers of artiesten deze een luisteraar moet aanbevelen, koppelen algoritmes voor zelflerende systemen de voorkeuren van de luisteraar aan andere luisteraars die een vergelijkbare muzikale smaak hebben. Deze techniek, die vaak simpelweg als kunstmatige intelligentie (AI) wordt aangeprezen, wordt gebruikt door vele diensten die geautomatiseerde aanbevelingen geven.

Zelflerende systemen drijven allerlei soorten geautomatiseerde taken aan in diverse sectoren, van gegevensbeveiligingsfirma's die malware opsporen tot finance professionals die notaties willen ontvangen voor gunstige transacties. De AI-algoritmes worden geprogrammeerd om voortdurend te leren en op die manier een virtuele persoonlijke assistent te simuleren - iets waar ze behoorlijk goed in zijn.

Bij een zelflerend systeem komt veel complexe wiskunde en codering kijken die uiteindelijk een op mechanische manier werkt, zoals ook een zaklamp, een auto of een computerscherm dat doen. Als 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 data en op progressieve wijze steeds beter wordt. Het is alsof je een zaklantaarn had die aangaat wanneer je "het is donker" zegt, en die dus verschillende zinnen kan herkennen die het woord "donker" bevatten.

De manier waarop machines nieuwe trucjes kunnen leren, wordt pas echt interessant (en boeiend) als we het over deep learning en diepe neurale netwerken gaan hebben.
 

Het verschil tussen deep learning en zelflerende systemen

In de praktijk is deep learning slechts een subset van zelflerende systemen. Technisch gezien is deep learning in feite een zelflerend systeem en functioneert het op eenzelfde manier (vandaar dat de termen soms losjes door elkaar gebruikt worden). De mogelijkheden zijn echter verschillend.

Hoewel basismodellen voor 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 retourneert, moet een engineer ingrijpen en aanpassingen maken. Met een deep learning-model kan een algoritme zelf aan de hand van zijn eigen neurale netwerk bepalen of een voorspelling al dan niet nauwkeurig is.

Laten we nog eens naar het voorbeeld van de zaklamp kijken: deze kan worden geprogrammeerd om aan te gaan wanneer hij de hoorbare aanwijzing herkent wanneer iemand het woord "donker" zegt. Als hij blijft leren, kan hij uiteindelijk aangaan bij elke zin die dat woord bevat. Als de zaklamp echter een deep learning-model had, zou hij erachter kunnen komen dat hij aan zou moeten gaan bij aanwijzingen zoals "ik kan niets zien" of "de lichtschakelaar werkt niet", misschien in combinatie met een lichtsensor. Een deep learning-model kan leren door middel van zijn eigen rekenmodel - een techniek waardoor het lijkt alsof het een eigen brein heeft.

Hoe werkt deep learning?

Een deep learning-model is ontworpen om continu gegevens te analyseren met een logische structuur die lijkt op de manier waarop een mens conclusies trekt. Om dit te bereiken, gebruiken deep learning-applicaties een gelaagde structuur van algoritmes die een artificieel neuraal netwerk wordt genoemd. 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 standaardmodellen voor zelflerende systemen.

Het is een lastig karwei om ervoor te zorgen dat een model van een zelflerend systeem geen verkeerde conclusies trekt. Net als bij andere voorbeelden van AI is er veel training voor nodig om de juiste leerprocessen te krijgen. Maar als het eenmaal werkt zoals het moet werken, wordt functionele deep learning vaak gezien als een wetenschappelijk wonder dat door velen als de ruggengraat van de ware kunstmatige intelligentie wordt beschouwd.

Een geweldig voorbeeld van deep learning is AlphaGo van Google. Google heeft een computerprogramma gemaakt met een eigen neuraal netwerk dat geleerd heeft om het abstracte bordspel Go te spelen, een spel waarvan bekend is dat het veel verstand en intuïtie vereist. Door tegen professionele Go-spelers te spelen, heeft het deep learning-model van AlphaGo geleerd om het spel te spelen op een niveau dat nog nooit eerder vertoond was bij kunstmatige intelligentie, en zonder dat er gezegd werd welke specifieke zet het moest doen (zoals bij een standaard model van een zelflerend systeem het geval zou zijn). Het deed nogal wat stof opwaaien toen AlphaGo meerdere wereldberoemde "meesters" in het spel versloeg. Niet alleen kon een machine de complexe technieken en abstracte aspecten van het spel begrijpen, maar deze ook nog eens een van de beste spelers worden.

Om de verschillen tussen de twee samen te vatten:

  • Zelflerende systemen maken gebruik van algoritmes om data te ontleden, van die data te leren en weloverwogen beslissingen te nemen op basis van het geleerde.
  •  

  • Deep learning organiseert algoritmes in lagen om een ‘kunstmatig neuraal netwerk’ te creëren dat kan leren en dat zelfstandig intelligente beslissingen kan nemen.
  •  

  • 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.

 

Data als de brandstof van de toekomst

Met de enorme hoeveelheden aan data die in het huidige "Big Data-tijdperk" wordt geproduceerd, zullen we ongetwijfeld innovaties zien die we ons nu nog niet eens kunnen voorstellen, mogelijk zelfs al in de komende tien jaar. Volgens de deskundigen zullen sommige hiervan waarschijnlijk toepassingen van deep learning zijn.

Andrew Ng, hoofdwetenschapper van de belangrijkste Chinese zoekmachine Baidu en een van de leiders van het Google Brain Project, deelde een geweldige analogie voor deep learning met Wired Magazine: "Ik denk dat AI vergelijkbaar is met het bouwen van een raket. Je hebt een enorme motor en veel brandstof nodig,'' zei hij tegen Wired-journalist Caleb Garling. "Als je een grote motor en een kleine hoeveelheid brandstof hebt, kom je niet in een baan om de aarde. Als je een kleine motor en een ton brandstof hebt, kun 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 data die we aan deze algoritmes kunnen voeren."

- Andrew Ng (bron: Wired)

 

Dus wat betekenen zelflerende systemen en deep learning voor klantenservice?

Veel van de huidige AI-applicaties in klantenservice maken gebruik van algoritmes uit zelflerende systemen. Ze worden gebruikt om self-service te stimuleren, de productiviteit van medewerkers te verhogen en workflows betrouwbaarder te maken.

De data die in die algoritmes wordt ingevoerd, is afkomstig van een constante stroom van binnenkomende vragen van klanten, inclusief de relevante context voor de problemen waarmee klanten te maken krijgen. Het samenvoegen van die context in een AI-applicatie leidt op zijn beurt tot snellere en nauwkeurigere voorspellingen. Hierdoor is kunstmatige intelligentie een boeiend vooruitzicht voor veel bedrijven, waarbij marktleiders speculeren dat de meest praktische toepassingen van bedrijfsgerelateerde kunstmatige intelligentie die voor de klantenservice zullen zijn .

zelflerende systemen versus deep learning
 
En naarmate deep learning verfijnder wordt, zullen we nog geavanceerdere toepassingen van kunstmatige intelligentie in klantenservice zien. Een prachtig voorbeeld is de eigen Answer Bot van Zendesk, die een deep learning-model bevat om de context van een supportticket te begrijpen en te leren welke Help-artikelen aan een klant zou moeten worden aangeraden.

Kunstmatige intelligentie gebruiken voor betere selfservice

Leer hoe kunstmatige intelligentie je selfservice aanbod voor klanten kan verbeteren in de Zendesk Guide