Competenties

AI-visie

Wat betekent kunstmatige intelligentie?

De term kunstmatige intelligentie (AI) is niet eenduidig ​​gedefinieerd. Een definitie schiet tekort, simpelweg omdat de term "intelligentie" dubbelzinnig is.
De term "kunstmatige intelligentie" werd bedacht in de jaren 50 en is dus historisch gevormd en onderhevig aan vele invloeden. De term weerspiegelt de visie en het "grotere plaatje". AI raakt verschillende technische en wetenschappelijke disciplines en wordt vaak (ook door ons) gebruikt als een pakkende marketingterm.
Wanneer AI wordt genoemd in meettechnologie of beeldverwerking, verwijst het meestal naar machine learning (ML) of deep learning (DL). De termen bouwen als volgt op elkaar voort:

Kunstmatige intelligentie (AI) → Machine learning (ML) → Deep learning (DL)

Kunstmatige intelligentie om uw testprocessen te optimaliseren

Historische cursus

Hoewel kunstmatige intelligentie vaak als een trend wordt omschreven, is het geenszins een nieuw fenomeen. Al in de jaren vijftig deelden wetenschappers de overtuiging dat het denkproces niet beperkt is tot het menselijk brein. Nadat het onderzoek naar dit onderwerp vastliep, vooral in de jaren tachtig, gaven technologiebedrijven als Google het gebied in de jaren 2000 een nieuwe impuls. Tegenwoordig is kunstmatige intelligentie een integraal onderdeel van ons dagelijks leven.

Wat betekent machinaal leren (ML)?

Bij beeldverwerking zijn er in principe twee verschillende manieren om een ​​probleem te verwerken:

Op regels gebaseerd programmeren

  • Handmatig regels formuleren en programmeren nadat de resultaten zijn berekend of gedefinieerd

Machinaal leren

  • Een model trainen met gegevens
  • Onafhankelijk leren van patronen uit de data
  • Uitkomstvariabelen classificeren of schatten
Kunstmatige intelligentie om uw testprocessen te optimaliseren

Welke aanpak beter is, hangt af van de toepassing en moet zorgvuldig worden beoordeeld of systematisch worden bepaald. Op regels gebaseerde benaderingen, vooral in de meettechnologie en beeldverwerking, zijn zeer geschikt om beslissingen te nemen op basis van duidelijke meetkarakteristieken en regels. Als de regels niet bekend zijn of alleen met veel moeite systematisch uit afbeeldingen kunnen worden gehaald, kan een machine learning-methode een betere aanpak zijn. Machine learning-methoden worden doorgaans gebruikt bij beeldverwerking voor moeilijke segmentatietaken, bij tekenherkenning (OCR / OCV), patroon- en anomalieherkenning, object- en beeldherkenning en beeldclassificatie. In moderne toepassingen worden beide benaderingen meestal verstandig gecombineerd.

Machine learning (ML) leermethoden

Grofweg en simpel gezegd zijn er 3 verschillende leermethoden voor machine learning.

Kunstmatige intelligentie om uw testprocessen te optimaliseren

Diep leren versus machinaal leren

Moderne AI-toepassingen zijn vrijwel uitsluitend gebaseerd op diepe kunstmatige neurale netwerken (ANN). Het bijzondere aan de netwerken is dat ze ook complexe taken kunnen uitvoeren en dat handmatige feature-extractie volledig kan worden geëlimineerd. Een ANN is daardoor in staat zelfstandig complexe taken uit te voeren.

  • Deep learning is een tak van machinaal leren
  • DL-methoden zijn gebaseerd op kunstmatige neurale netwerken met verschillende tussenlagen
Kunstmatige intelligentie om uw testprocessen te optimaliseren

Kunstmatige neurale netwerken (ANN)

Deep learning-methoden zijn gebaseerd op kunstmatige neurale netwerken.
Deze netwerken zijn geïnspireerd op de (biologische) neurale netwerken, oftewel een onderdeel van een zenuwstelsel. Kunstmatige neurale netwerken zijn in lagen opgebouwd. Een laag of niveau bestaat uit meerdere kunstmatige neuronen. Er zijn verschillende verborgen niveaus tussen een ingangs- en een uitgangsniveau. De structuur krijgt de naam "diep" neuraal netwerk vanwege deze verborgen niveaus.

Kunstmatige intelligentie om uw testprocessen te optimaliseren
Kunstmatige intelligentie om uw testprocessen te optimaliseren

Convolutionele neurale netwerken (CNN)

Bij beeldverwerking worden vooral zogenaamde ‘convolutionele neurale netwerken’ (CNN) gebruikt. Deze netwerken, geïnspireerd door de visuele cortex, bestaan ​​uit meerdere feature maps. Deze kenmerkkaarten komen overeen met de lagen van een kunstmatig neuraal netwerk en worden gegenereerd door convolutie. De convolutie-operatoren produceren verschillende kenmerken/kenmerken, zoals randen. Bij beeldverwerking zou een CNN kenmerken moeten kunnen generaliseren en deze op steeds hogere abstractieniveaus moeten weergeven.

Kunstmatige intelligentie om uw testprocessen te optimaliseren

Bron: Lecun, Yann, et al. "Gradiëntgebaseerd leren van toepassing op documentherkenning." Proceedings of the IEE 86.11 (1998): 2278-2324

Kunstmatige intelligentie om uw testprocessen te optimaliseren

Bron: Lee, Honglak, et al. "Ongeleverd leren van hiërarchische representaties met convolutionele diep gelegen netwerken." Communicatie van de ACM 54.10 (2011): 95-103.

Kunstmatige intelligentie om uw testprocessen te optimaliseren

MV.MINDNET, het deep learning platform van MABRI.VISION, combineert de nieuwste technologie en praktijkgerichte oplossingen.