NieuwsKoe in groen weiland als voorbeeld voor image recognition

Image Recognition: herken de koe

Welkom bij alweer een nieuw blog op de nieuwe website van Experience Data. In onze vorige blog Kunstmatige Intelligentie in de huiskamer spraken we over de betekenis van Artificial Intelligence (AI) of Kunstmatige Intelligentie (KI). Daar leerden we dat een machine leert als een bepaalde taak door ervaring op te doen in data bewijsbaar verbetert.

Praatjes over plaatjes

In deze blog gaan we het hebben over een specifieke vorm van data; plaatjes. Én hoe je machine learning algoritmes optimaal kan inzetten om een bepaalde taak te voorspellen.

Leeuw vs. struik

Mensen kunnen objecten uit plaatjes goed herkennen. Ons wordt van jongs af aan geleerd wat bijvoorbeeld een koe is. Dit kan door met je ouders plaatjes van een koe te bekijken en door de bevestiging van je ouders te krijgen dat dit een koe is. Het herkennen van objecten is een basisvaardigheid. Stel je de prehistorie voor: het was van levensbelang om een gevaarlijke leeuw van een struik te kunnen onderscheiden. We hebben als mens al eeuwen ervaring met objecten herkennen in plaatjes. Met andere woorden: mensen hebben heel veel ervaring opgedaan in de taak objecten te herkennen.

Herken de koe

En om een computer in staat te stellen om deze zelfde taak even goed, dan wel beter uit te voeren, moet je deze ook ervaring meegeven. Maar hoe doe je dat nou precies? Je zult de computer heel veel plaatjes moeten geven. En die plaatjes bestaan uit allemaal pixels: getallen die elk een klein stukje van de afbeelding omschrijven. Een computer ziet dus nog niet ‘de koe in de wei’, maar een hele rits aan cijfers.

Mensen leren de koe in de wei te herkennen door de plaatjes uit hun kindertijd, met de bevestiging van de ouders. En vooral de herhaling hiervan. Eigenlijk werkt het precies hetzelfde voor een computer. Je moet niet alleen veel voorbeelden geven, maar ook de bijbehorende conclusies. Deze manier van machine learning model training noemen we ook wel supervised machine learning. Omdat je eigenlijk als een soort supervisor – docent – de juiste conclusies meegeeft aan de dataset.

Waarom hebben we computers nodig?

Oke, dus we weten nu dat een computer op bijna dezelfde manier leert als een mens, maar dat mensen hier evolutionair gezien al veel langer mee bezig zijn. Waarom nemen we dan überhaupt de moeite om een computer dit te leren, als wij dat al lang kunnen?

Er zijn meerdere antwoorden op deze vraag mogelijk. Zo kan een computer over het algemeen veel sneller leren, sneller de plaatjes zien, zonder te moeten stoppen om te eten, slapen of voor bijvoorbeeld vakantie. Ook is een machine learning algoritme in de ideale situatie objectiever en consistenter: nooit last van een baaldag of van vooroordelen. En tot slot kan een machine learning algoritme veel en veel meer onthouden dan een mens ooit kan. En als je meer voorbeelden kunt onthouden, dan kun je uiteindelijk de taak ook beter uitvoeren.

Las je ook dat zinnetje ‘in de ideale situatie’, hierboven? Zie dat als een soort kleine lettertjes, een disclaimer. Want bij machine learning kan nogal wat fout gaan. Maar meestal zijn deze fouten logisch te begrijpen als je het vergelijkt met het leerproces van de mens. Binnenkort gaan we daar een blog over schrijven. Zodat jij ook kunt begrijpen waar je rekening mee moet houden als jij machine learning wilt inzetten op een toffe dataset. Ook als dat geen koeien zijn.

Man die nadenkt over visie op data gedreven werken
Button data gedreven werken voorbeeld in praktijk