Plan een afspraak

Wat is Kunstmatige Intelligentie?

Wat is kunstmatige intelligentie? Kunstmatige intelligentie (Artificial Intelligence) is iets dat over de laatste jaren steeds meer wordt toegepast, privé en in het bedrijfsleven. Als je op zoek bent naar een eenvoudige uitleg over KI, hoe het is opgebouwd met voorbeelden, ben je hier op de juiste plek!

Dus als je een momentje hebt, gaan we je uitleggen wat het verschil is tussen de verschillende takken binnen KI, de technieken en de ‘learning algorithms’.

Benieuwd hoe u zich kunt onderscheiden van de concurrentie door het implementeren van Artificial Intelligence (Kunstmatige Intelligentie, KI) voor uw organisatie? Download hier het AI-stappenplan!

gratis_whitepaper_divtag_kunstmatige_intelligentie

Wat is kunstmatige intelligentie?

Kunstmatige intelligentie is de intelligentie waarmee machines, software en apparaten zelflerend zijn waardoor zij zelfstandig problemen oplossen. Het maakt het mogelijk voor machines om te leren van ervaring, zich aan te passen aan nieuwe input en menselijke taken uit te voeren.

De meeste KI-voorbeelden (ook wel AI genoemd) waar je vandaag de dag over hoort en leest, zijn sterk afhankelijk van ‘Deep Learning’ en ‘Natural Language Processing’. Met behulp van deze technologieën kunnen computers worden getraind om specifieke taken uit te voeren door grote hoeveelheden gegevens te verwerken en patronen in die gegevens te herkennen.

Hierdoor leren machines van hun eigen fouten en leveren ze een beter resultaat. Je spreekt hier dan ook wel van ‘Machine Learning’.

Kunstmatige Intelligentie in vergelijking tot de mens

De meest eenvoudige manier om Kunstmatige Intelligentie te begrijpen is in de context van de mens. Want de mens is het meest intelligente organisme dat we kennen. Daarom gebruiken zo vaak mogelijk ‘de mens’ als voorbeeld verder in dit artikel.

Kunstmatige Intelligentie is een brede tak van Computer Science. Met als doelstelling om systemen te creëren die intelligent en onafhankelijk kunnen functioneren.

Kunstmatige Intelligentie – werkt op twee verschillende manieren:

  1. Symbolic Based (Symbolic Learning)
  2. Data Based (Machine Learning)

Symbolic Learning

Symbolic learning (of wel: Symbolische Kunstmatige Intelligentie) is de term die wordt gebruikt voor het verzamelen van de door mens leesbare informatie. Dit model ​​gebruikt door mensen leesbare informatie om het probleem te definiëren, te doorzoeken en op te lossen.

Als we dit gaan vergelijken met de mens, kunnen we concluderen dat mensen met hun ogen kunnen zien en verwerken wat ze zien. Dit is het gebied van ‘computer vision’.

Mensen herkennen hun omgeving door hun ogen die beelden van die wereld creëren. Dit veld van beeldverwerking, hoewel het niet direct gerelateerd is aan AI, is vereist voor ‘computer vision’.

Daarnaast zijn mensen in staat hun omgeving te begrijpen en kunnen hier ook vloeiend in voortbewegen – dit is het gebied van ‘Robotics’.

Machine Learning: Fundament van Kunstmatige Intelligentie

Machine Learning is de ‘Data-based’ kant van kunstmatige intelligentie. Om dit goed te laten werken, moeten we de machines, software en apparaten voeden met veel data (gegevens) omdat het eerst moet leren voordat het resultaat kan leveren. Door de data kan het patronen herkennen, dit noemen we ‘Pattern Recognition’.

Patroonherkenning door Data-analyse

Stel je voor dat je over veel data beschikt met betrekking tot Verkopen vs. Advertentie kosten. Dan kan je deze gegevens plotten om een bepaald patroon te achterhalen. Als de machine dit patroon kan leren, kan het voorspellingen doen die zijn gebaseerd op alles wat het heeft geleerd van de gegevens die binnen zijn gekomen.

Kracht van High-dimensional Data voor Voorspellingen

Hierin onderscheidt de machine zich van de mens. Aangezien een mens in staat is om één, twee of drie dimensies te begrijpen en te leren. Kan een machine wel honderden of duizenden dimensies begrijpen EN leren. Dat is de reden dat machines naar data kan kijken met veel dimensies (high-dimensional data), en patronen kan bepalen.

Als de machine deze patronen bepaalt, kan het voorspellingen doen waar de mens niet aan kan tippen.

We kunnen al deze technieken voor ‘Machine Learning’ gebruiken om één ​​van twee dingen te doen:

  1. Classification (Classificatie)
  2. Predictions (Voorspelling)

Als je bijvoorbeeld informatie over klanten gebruikt om een nieuwe klant aan een bepaalde doelgroep toe te wijzen, zoals jonge volwassenen, classificeer je die klant (Classification).

Als je gegevens gebruikt om te voorspellen of een klant wilt overstappen naar een concurrent, doe je een voorspelling (Prediction).

Je kunt daarnaast ‘learning algorithms’, die worden gebruikt voor AI, ook op een andere manier bekijken. Namelijk door de bepaalde manier van ‘leren’/’trainen’

  1. Supervised Learning
  2. Unsupervised Learning
  3. Reinforcement Learning

Als je een algoritme traint met gegevens, dat ook het antwoord bevat. Dan wordt het ‘Supervised Learning’ genoemd.

Bijvoorbeeld met het trainen van een machine om informatie van een bepaalde foto te kunnen lezen. Geef je een aantal foto’s met informatie wat erop staat en train je het om nieuwe foto’s the herkennen. In dit geval wordt de data (foto en informatie over wat erop staat), aan de computer gegeven.

Met een algoritme, welke je traint met gegevens waar je de machine zelf de patronen wilt laten uitzoeken, noem je het ‘Unsupervised Learning’.

Bijvoorbeeld als je een aantal foto’s hebt van 6 personen zonder enige informatie wie op welke foto staat, en je wilt deze informatie onderverdeeld in 6 verschillende datasets, elk met de foto’s van één persoon

Als je een willekeurig algoritme een doel geeft en verwacht dat de machine d.m.v. trial- en -error dat doel bereikt, dan heet het: ‘Reinforcement Learning’ (Versterkend Leren).

Een robot die probeert over de muur te klimmen totdat het lukt, is daar een voorbeeld van.

Machine Learning is op te delen in twee groepen:

  1. Statistical Learning
  2. Deep Learning

Statistical Learning:

Mensen kunnen spreken en luisteren door te communiceren door taal – dit is het werkveld van ‘Speech Recognition’. Veel van spraakherkenning is statistisch gebaseerd en wordt daarom ‘Statistical Learning’ genoemd.

Mensen kunnen tekst in een taal schrijven en lezen, dit is het gebied van ‘NLP’ of ‘Natural Language Processing’ (natuurlijke taalverwerking).

Deep Learning:

Laten we het nu hebben over het menselijk brein. Het menselijke brein is een netwerk van neuronen en deze gebruiken we om nieuwe dingen te leren. Als we de structuur en de functie van de menselijke hersenen kunnen repliceren, kunnen we misschien cognitieve vaardigheden in machines krijgen. Dit is het gebied van ‘Neural Networks’ (Neurale Netwerken).

Deze netwerken zijn complexer en dieper, en we gebruiken die om complexe dingen te leren – dat is het gebied van ‘Deep Learning’ (Diep Leren).

Het is een ‘Convolutional Neural Network’ (convolutie neuraal netwerk), CNN. Een CNN wordt gebruikt om objecten in een omgeving te herkennen. Dit is hoe ‘Computer Vision’ hierin past waardoor objectherkenning, wordt gerealiseerd met AI.

Mensen kunnen zich het verleden herinneren, zoals wat je gisteravond hebt gegeten. Tenminste …. de meesten van ons. We kunnen een neuraal netwerk een beperkt verleden laten herinneren. Dit is een ‘Recurrent Neural Network’ (terugkerend neuraal netwerk).

Over Deep Learning is nog veel meer te vertellen, maar daar komen we in latere artikelen op terug!

Wat hebben we geleerd?

We hebben gezien dat je Kunstmatige Intelligentie (Artificial Intelligence) kunt opdelen in 2 groepen: Symbolic- en Machine learning.

Dat Symbolic learning ​​gebruikt door mensen leesbare informatie om het probleem te definiëren, te doorzoeken en op te lossen en dat Machine learning ‘data’ gebruikt om 2 dingen te kunnen: Classificeren en voorspellen.

Machine learning leert deze data op 3 verschillende manieren:

  1. Supervised Learning
  2. Unsupervised Learning
  3. Reinforcement Learning

En dat Machine learning weer onder te verdelen is in 2 groepen:

  1. Statistical learning
  2. Deep learning

Wat we niet hebben besproken, zijn de manieren hoe dat jij Kunstmatige Intelligentie kunt toepassen in jouw bedrijf! Maar niet getreurd, we zullen je snel kwalitatief artikel geven met hoe jij Kunstmatige intelligentie kunt toepassen in jouw bedrijf.

Meer blogs in aantocht…

Dit blog is een introductie op Kunstmatige Intelligentie (Artificial Intelligence) voor wie dat nog nieuw is. De komende tijd zullen we in enkele nieuwe blogs dieper ingaan op hoe bedrijven KI / AI kunnen toepassen voor hun bedrijf en praktijkvoorbeelden van hoe het op dit moment al wordt toegepast. Dus houd onze posts in de gaten!

Benieuwd hoe u zich kunt onderscheiden van de concurrentie door het implementeren van Artificial Intelligence (Kunstmatige Intelligentie, KI) voor uw organisatie? Download hier het AI-stappenplan!

Benieuwd hoe wij de ontwikkeling van jouw software zouden aanpakken?

Maak nu een afspraak bij ons softwarebedrijf in Drunen en je hebt snel duidelijkheid.

Plan een afspraak