Competenties
AI-visie
Wat houdt kunstmatige intelligentie in?
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)
Historische ontwikkeling
Hoewel kunstmatige intelligentie vaak als een trend wordt beschreven, is het geenszins een nieuw fenomeen. Al in de jaren 50 waren wetenschappers ervan overtuigd dat het denkproces niet beperkt is tot het menselijk brein. Nadat het onderzoek naar dit onderwerp, met name in de jaren 80, stagneerde, brachten technologiebedrijven zoals Google in de jaren 2000 een nieuwe impuls aan het vakgebied. Tegenwoordig is kunstmatige intelligentie een integraal onderdeel van ons dagelijks leven.
Wat betekent machine learning (ML)?
Bij beeldverwerking zijn er in principe twee verschillende manieren om een probleem aan te pakken:
Regelgebaseerd programmeren
- Handmatig regels formuleren en programmeren nadat de resultaten zijn berekend of gedefinieerd
Machine learning
- Een model trainen met data
- Zelfstandig leren van patronen uit de gegevens
- Het classificeren of schatten van uitkomstvariabelen
Welke aanpak beter is, hangt af van de toepassing en moet zorgvuldig worden beoordeeld of systematisch worden vastgesteld. Op regels gebaseerde methoden zijn met name geschikt voor metrologie en beeldverwerking, omdat ze beslissingen mogelijk maken op basis van duidelijke meetkenmerken en regels. Als de regels onbekend zijn of alleen met aanzienlijke inspanning systematisch uit beelden kunnen worden afgeleid, kan een machine learning-methode een betere aanpak zijn. Machine learning-methoden worden in de beeldverwerking doorgaans gebruikt voor complexe segmentatietaken, optische tekenherkenning (OCR/OCV), patroon- en anomaliedetectie, object- en beeldherkenning en beeldclassificatie. In moderne toepassingen worden beide benaderingen meestal effectief gecombineerd.
Leermethoden voor machinaal leren (ML)
In grote lijnen en vereenvoudigde termen zijn er 3 verschillende leermethoden voor machine learning.
Diep leren versus machinaal leren
Moderne AI-toepassingen zijn bijna uitsluitend gebaseerd op diepe kunstmatige neurale netwerken (ANN's). Het bijzondere aan deze netwerken is hun vermogen om complexe taken uit te voeren, waardoor handmatige extractie van kenmerken volledig overbodig wordt. Een ANN is daarom in staat om zelfstandig complexe taken te volbrengen.
- Deep learning is een subdiscipline van machine learning
- DL-methoden zijn gebaseerd op kunstmatige neurale netwerken met meerdere tussenlagen
Kunstmatige neurale netwerken (ANN)
Diepgaande leermethoden zijn gebaseerd op kunstmatige neurale netwerken. Deze netwerken zijn geïnspireerd op (biologische) neurale netwerken, die deel uitmaken van het zenuwstelsel.
Kunstmatige neurale netwerken zijn opgebouwd uit lagen. Een laag bestaat uit meerdere kunstmatige neuronen. Tussen een invoer- en uitvoerlaag bevinden zich meerdere verborgen lagen. De structuur dankt zijn naam "diep" neuraal netwerk aan deze verborgen lagen.
Convolutionele neurale netwerken (CNN's)
In beeldverwerking worden zogenaamde "convolutionele neurale netwerken" (CNN's) het meest gebruikt. Deze netwerken, geïnspireerd op de visuele cortex, bestaan uit meerdere feature maps. Deze feature maps corresponderen met de lagen van een kunstmatig neuraal netwerk en worden gegenereerd door middel van convolutie. De convolutie-operatoren produceren verschillende kenmerken, zoals randen. In beeldverwerking moet een CNN in staat zijn om kenmerken te generaliseren en deze op steeds hogere abstractieniveaus weer te geven.
Bron: LeCun, Yann, et al. “Gradient-based learning applied to document recognition.” Proceedings of the IEEE 86.11 (1998): 2278-2324
Bron: Lee, Honglak, et al. “Unsupervised learning of hierarchical representations with convolutional deep belief networks.” Communications of the ACM 54.10 (2011): 95-103.
MV.MINDNET, het Deep Learning-platform van MABRI.VISION, combineert de allernieuwste technologie met praktische oplossingen.