GlobalOrange
  • Over GO
  • Cases
  • Diensten
    • Software Ontwikkeling
    • Software Moderniseren
    • Scrum Teams
    • Machine Learning
  • Kennis
    • Whitepapers
    • Boekentips
    • Factsheets
    • Blog
  • Vacatures
    • Agile Project Manager
    • Lead Java Developer
    • Machine Learning Specialist
    • Python Developer
  • Contact
  • Menu Menu

Machine learning, kunstmatige intelligentie (A.I.) en deep learning.

Kunstmatige intelligentie, machine learning en deep learning. Ze worden vaak in één adem genoemd. Toch zijn ze verre van gelijk aan elkaar. Wat is het verschil tussen deze drie technologische ontwikkelingen?

Contact opnemen
Download onze machine learning whitepaper

Het verschil tussen kunstmatige intelligentie, machine learning en deep learning:

  • Kunstmatige intelligentie of AI is functionele intelligentie buiten het menselijk brein om. We onderscheiden sterke en beperkte AI. De sterke of brede variant richt zich op de ontwikkeling van software die zelfstandig kan redeneren en problemen op kan lossen.
  • Machine learning houdt zich bezig met de ontwikkeling van software die de eigen performance verbetert. Machine learning leunt sterk op statistische wetenschap.
  • Deep learning is een onderdeel van machine learning, gebaseerd op meerlaagse neurale netwerken. Er zijn talloze voorbeelden van deep learning waarbij de technologie het menselijke brein moeiteloos verslaat.
Deel dit artikel met uw netwerk!
  • Deel via Facebook
  • Deel via Twitter
  • Deel via LinkedIn
  • Delen via e-mail
machine learning

Groeien met de belangrijkste technologie sinds het internet.

Machine learning biedt u en uw onderneming ongekende mogelijkheden. GlobalOrange neemt een pionierspositie in op het gebied van machine learning en kunstmatige intelligentie. We hebben veel ervaring met deze technologieën. Die ervaring delen we graag met u in de vorm van deze whitepaper machine learning, waarin we de mogelijkheden voor uw bedrijf verkennen. In deze whitepaper behandelen we definities, verschillende technieken en de kansen die machine learning u biedt.

  • Dit veld is voor validatie doeleinden en moet ongewijzigd blijven.

Deep learning.

Deep learning noemen we ook wel gestructureerd of hiërarchisch leren. Deep learning maakt deel uit van een bredere variatie van machine learning-methoden. Deze technologie kan op drie manieren plaatsvinden:

  • Gecontroleerd: in dit geval krijgt het algoritme een input en een voorbeeld van een output. Het algoritme leert op basis van het voorbeeld.
  • Ongecontroleerd: in dit geval krijgt het algoritme geen voorbeeld van een output.
  • Semi-gecontroleerd: deze variant houdt het midden tussen gecontroleerde en ongecontroleerde deep learning.

Deep learning wordt succesvol gebruikt op het gebied van bijvoorbeeld beeldherkenning (faceID of de beoordeling van medische scans), spraakherkenning (Alexa, Siri, et cetera) en vertaling (Google Translate). Door diverse deeplearningtoepassingen samen te voegen, kunnen nog krachtigere toepassingen ontstaan. Voorbeelden hiervan zijn de zelfrijdende auto en realtime spraakvertaling waarbij je in het Nederlands tegen een Chinees kan praten en hij of zij jouw moeiteloos verstaat.

Maar wat is een neural network dan?

Machine learning.

Machine learning, of automatisch leren, is een behoorlijk breed onderzoeksveld binnen kunstmatige intelligentie en software-ontwikkeling. In de software-ontwikkeling verwijst machine learning naar de ontwikkeling van algoritmes en van begeleidende software waarmee computers kunnen leren. Deze software wordt beter in zijn taak naarmate het deze vaker uitvoert. De ontwikkelende performance van machine learning software wordt uitgedrukt met de volgende formule. 

T = Task
X = Number of exercises
P = Performance

T x X = P

Machine learning leunt sterk op statistische (data-)analyse en is gericht op algoritmische complexiteit in programma’s. Tevens is machine learning sterk gerelateerd aan data mining, waarbij op een geautomatiseerde manier wordt gezocht naar relaties of voorkomende patronen in een grote hoeveelheid data.

Machine learning is ruwweg te verdelen in drie categorieën:

Supervised machine learning

Supervised learning gebruikt data die gelabeld is door mensen. Supervised data wordt voornamelijk gebruikt om gebeurtenissen te voorspellen. Er kan het beste voor supervised learning gekozen worden als de gewenste output van een algoritme bekend is. In supervised learning leert een algoritme een serie inputs samen met een serie inputs in combinatie met de corresponderende (verlangde) outputs en de vergelijking met ongewenste outputs. Op basis van de discrepantie daartussen past het model zich aan.

Een voorbeeld van supervised learning is Apple’s Photos op iOS en Mac OS X. Als de gebruiker een paar vrienden tagt op een aantal foto’s, dan is de software in staat deze mensen voortaan te herkennen en zelfstandig te taggen op foto’s.

Classification

Een subcategorie van supervised machine learning is classification. Classification kan het beste worden gedefinieerd als de pogingen om een output te voorspellen wanneer de input bekend is. Om dit te kunnen doen heeft het model behoefte aan een gelabeld voorbeeld in de vorm van tekst, spraak of een afbeelding.

Unsupervised machine learning

Voor data die niet gelabeld is, leent unsupervised learning zich het beste. In deze variant poogt de software nieuwe patronen in de data te ontdekken zonder dat de software bekend is met de soort data of labels in welke vorm dan ook. Deze vorm van machine learning werkt goed voor bijvoorbeeld clustering, waarbij data georganiseerd wordt op basis van overeenkomstige kenmerken.

Reinforcement machine learning

Deze manier van machine learning is sterk gebaseerd op een theorie uit de psychologie. Reinforcement behavior is niets anders dan leren door trial and error. Daar is een computer bij uitstek toe in staat. In het geval van reinforcement learning onderzoekt een computer de ideale uitkomst door deze veelvuldig te simuleren. Deze vorm van machine learning wordt veel gebruikt bij navigatie-applicaties of gaming.

Machine Learning

Probeer het zelf!

Praktisch voorbeeld van machine learning:

SimpledCard: machine learning bespaart tijd en voorkomt fraude.

SimpledCard is een innovatieve fintech-applicatie waarmee internationaal geaccepteerde betaalpassen kunnen worden uitgegeven zonder tussenkomst van een bank. Bonnetjes worden via een mobiele app direct aan de transacties gekoppeld.

Voor SimpledCard hebben we op de volgende gebieden machine learning toegepast:

Transaction monitoring

De applicatie monitort alle transacties en leert zelf frauduleuze transacties herkennen. Dit bespaart de tijd die benodigd was voor handmatige controle van transacties en bonnetjes.

Spraakherkenning

Diverse handelingen in de app kunnen spraakgestuurd worden uitgevoerd, zoals een opdracht om het saldo op de kaart aan te vullen met een bepaald bedrag.

Bonnetjes herkennen

De applicatie herkent zelf de bonnetjes en vult automatisch de benodigde informatie voor verantwoording in, zoals de omschrijving en het bedrag.

We kunnen helpen met:


SaaS ontwikkeling.


Machine learning.


Scrum teams.


MVP Ontwikkeling.


Applicatiebeheer.

Kunstmatige intelligentie.

Als we het hebben over kunstmatige intelligentie of AI, dan bedoelen we een gecreëerd (en dus kunstmatig) verschijnsel dat in meerdere of mindere mate intelligentie vertoont.

Wikipedia (what else) definieert intelligentie als volgt:

Intelligentie is een algemeen begrip uit de psychologie dat een mentale eigenschap beschrijft met veel verschillende functies; zoals de mogelijkheid overeenkomsten en verschillen op te merken in waarnemingen, zich in de ruimte te oriënteren, te redeneren, plannen te maken, problemen te doorgronden en op te lossen, in abstracties te denken, ideeën en taal te begrijpen en te produceren, informatie op te slaan in het geheugen en daar weer uit op te halen, te leren van ervaringen.

– Wikipedia

Het feit dat Wikipedia refereert aan een mentale eigenschap, impliceert dat intelligentie louter voorbehouden zou zijn aan levende wezens. Kunstmatige intelligentie gaat dus over een levenloos object, zoals een computer, dat over het het hierboven beschreven vermogen beschikt.

We onderscheiden twee vormen van AI: beperkte en sterke kunstmatige intelligentie.

machine learning robot

Beperkte kunstmatige intelligentie.

Beperkte kunstmatige intelligentie beperkt zich tot kleine gebieden waarin bepaald gedrag intelligent lijkt. Dit zou daarom ook gespecialiseerde intelligentie genoemd kunnen worden. De software lijkt intelligent, maar uitsluitend op een specifiek gebied. Hierbij kan gedacht worden aan de algoritmen die Google inzet om zoeken op het internet te faciliteren, maar ook aan visuele inspectie of bepaalde expertsystemen. Op het moment van schrijven is beperkte AI de heilige graal van software-ontwikkeling.

Sterke kunstmatige intelligentie.

Sterke kunstmatige intelligentie gaat over software die zelfstandig problemen kan oplossen. Theoretisch gezien is het mogelijk dat een dergelijk systeem een eigen bewustzijn ontwikkelt. In dat geval krijgt software krijgt dus zijn eigen identiteit.

Een dergelijk bewustzijn kan zich op twee manieren uiten. De eerste mogelijkheid is dat de intelligentie van de software op die van de mens gebaseerd is. In dit geval denkt en uit de computer zich als een mens. De tweede mogelijkheid is dat de software zich op een niet-menselijke manier ontwikkelt. Het is lastig te omschrijven hoe een dergelijk construct eruit zou zien. Fictieve voorbeelden zijn bekend uit films zoals iRobot, The Terminator en The Matrix.

Zoals u waarschijnlijk al vermoedt: op dit moment is het onmogelijk om sterke AI te bouwen. Wait-but-Why is een leuke blog die hier verder op ingaat.

Samengevat.

Deep learning is een discipline van machine learning, waarin gelaagde neurale netwerken leren van grote hoeveelheden data. Met machine learning refereren we aan algoritmen waarvan de performance verbetert naarmate ze vaker aan data worden blootgesteld. Kunstmatige intelligentie is een (software-)construct dat zelfstandig kan waarnemen, redeneren en reageren.

Meer lezen over machine learning:

  • Over machine learning in food en beverage.
  • Machine learning en supply chain management.
  • Agile machine learning experimenten inzetten.
  • Machinen learning experimenten optimaliseren.
  • Drie manieren waarop u machine learning kunt implementeren.

Vrijblijvend advies over software-ontwikkeling?

Laat uw gegevens hier achter en wij nemen zo spoedig mogelijk contact met u op.

“GlobalOrange heeft goed met ons meegedacht en door toepassing van machine learning de applicatie vereenvoudigd. Onze eindgebruikers hoeven nu veel minder tijd te besteden aan controle.”

Steven van RijHead of product – SimpledCard

  • Dit veld is voor validatie doeleinden en moet ongewijzigd blijven.

Contact

GlobalOrange

Haarlemmerstraat 124-E
Noord-Holland
Amsterdam - NL
tel:020 420 4307
Email: info@globalorange.nl.

Vacatures

Lead Java Developer
Machine Learning Specialist
Python Developer

LEES MEER

Maatwerk software
SaaS ontwikkeling
Refactoring
Machine learning
App ontwikkeling
MVP ontwikkelen
Vendor lock-in

Social

app ontwikkeling app ontwikkeling app ontwikkeling app ontwikkeling

De 3 meest interessante artikelen over Machine Learning van afgelopen maand... james bond machine learning frameworks in software ontwikkeling Over maatwerk software en frameworks
Scroll naar bovenzijde

Wij gebruiken cookies om uw ervaring op onze website te verbeteren. Door te surfen op deze website, gaat u akkoord met ons gebruik van cookies.

Accepteren

Cookie and Privacy Settings



Essentiële Website Cookies

Deze cookies zijn strikt noodzakelijk om u diensten aan te bieden die beschikbaar zijn via onze website en om sommige functies ervan te gebruiken.

Omdat deze cookies strikt noodzakelijk zijn om de website te leveren, heeft het weigeren ervan invloed op het functioneren van onze site. U kunt cookies altijd blokkeren of verwijderen door uw browserinstellingen te wijzigen en alle cookies op deze website geforceerd te blokkeren. Maar dit zal u altijd vragen om cookies te accepteren/weigeren wanneer u onze site opnieuw bezoekt.

We respecteren volledig als u cookies wilt weigeren, maar om te voorkomen dat we u telkens opnieuw vragen vriendelijk toe te staan om een cookie daarvoor op te slaan. U bent altijd vrij om u af te melden of voor andere cookies om een betere ervaring te krijgen. Als u cookies weigert, zullen we alle ingestelde cookies in ons domein verwijderen.

We bieden u een lijst met opgeslagen cookies op uw computer in ons domein, zodat u kunt controleren wat we hebben opgeslagen. Om veiligheidsredenen kunnen we geen cookies van andere domeinen tonen of wijzigen. U kunt deze controleren in de beveiligingsinstellingen van uw browser.

Google Analytics Cookies

Deze cookies verzamelen informatie die in geaggregeerde vorm wordt gebruikt om ons te helpen begrijpen hoe onze website wordt gebruikt of hoe effectief onze marketingcampagnes zijn, of om ons te helpen onze website en applicatie voor u aan te passen om uw ervaring te verbeteren.

Als u niet wilt dat wij uw bezoek aan onze site volgen, kunt u dit in uw browser hier uitschakelen:

Overige externe diensten

We gebruiken ook verschillende externe services zoals Google Webfonts, Google Maps en externe videoproviders. Aangezien deze providers persoonlijke gegevens zoals uw IP-adres kunnen verzamelen, kunt u ze hier blokkeren. Houd er rekening mee dat dit de functionaliteit en het uiterlijk van onze site aanzienlijk kan verminderen. Wijzigingen zijn pas effectief zodra u de pagina herlaadt

Google Webfont Instellingen:

Google Maps Instellingen:

Google reCaptcha instellingen:

Vimeo en Youtube video's insluiten:

Privacy Beleid

U kunt meer lezen over onze cookies en privacy-instellingen op onze Privacybeleid-pagina.

Privacy policy
Instellingen