Deep learning Deep learning slaat een brug tussen de digitale en de echte wereld Algoritmen hebben zich altijd thuis gevoeld in de digitale wereld, waar ze getraind en ontwikkeld worden in volmaakt gesimuleerde omgevingen. De huidige golf van deep learning technologie faciliteert de sprong die kunstmatige intelligentie (AI) maakt van de digitale naar de fysieke wereld. De toepassingen zijn eindeloos, van machinebouw tot landbouw, al moeten er nog de nodige obstakels worden overwonnen. Voor traditionele AI experts is deep learning (DL) oud nieuws. De technologie beleefde zijn doorbraak in 2012 toen het Alex Krizhevsky voor het eerst lukte om convolutionele neurale netwerken, hét kenmerk van deep learning technologie, toe te passen met zijn AlexNet algoritme. Het zijn neurale netwerken die computers hebben laten zien, horen en spreken. DL is de reden dat we met onze telefoons kunnen praten en e-mails aan onze computers kunnen dicteren. Maar DL algoritmen hebben hun rol altijd gespeeld in de veilige gesimuleerde omgeving van de digitale wereld. Baanbrekende AI onderzoekers zijn hard aan het werk om deep learning te introduceren in onze fysieke, driedimensionale wereld. Inderdaad, de echte wereld. Deep learning kan veel betekenen voor het verbeteren van je bedrijf, of je nu autofabrikant, chipmaker of boer bent. Hoewel de technologie volwassen is geworden, is de sprong van de digitale naar de fysieke wereld een stuk uitdagender gebleken dan velen hadden verwacht. Daarom hebben we het al jaren over slimme koelkasten die onze boodschappen kunnen doen, maar heeft nog niemand er een. Wanneer algoritmen hun veilige digitale nest verlaten en het in drie hele echte en ruwe dimensies moeten zien te rooien, zijn er tal van uitdagingen die moeten worden overwonnen. Annotatie automatiseren Het eerste probleem is nauwkeurigheid. In de digitale wereld kunnen algoritmen wegkomen met nauwkeurigheidspercentages van rond de 80%. Daarmee red je het echter niet in de echte wereld. “Als een tomaatplukrobot maar 80% van alle tomaten ziet, mist de kweker 20% van zijn omzet,” aldus Albert van Breemen, een AI onderzoeker die DL algoritmes heeft ontwikkeld voor Nederlandse land- en tuinbouw bedrijven. Zo heeft hij een robot ontworpen die bladeren van komkommerplanten knipt, een robot die asperges kan oogsten en een model dat aardbeienoogsten kan voorspellen. Zijn bedrijf is ook actief in de medische industrie, waar zijn team een model heeft ontwikkeld dat de productie van medische isotopen optimaliseert. “Mijn klanten zijn gewend aan 99,9% nauwkeurigheid en dat verwachten ze ook van AI algoritmes,” zegt Van Breemen. “Elke procent verlies van nauwkeurigheid gaat ze geld kosten.” Om de gewenste niveaus te halen moeten AI modellen voortdurend worden bijgetraind. En daarvoor is een constant geüpdatete stroom van data nodig. Data verzamelen is zowel duur als tijdrovend, aangezien al die data door mensen moet worden geannoteerd. Om die uitdaging het hoofd te bieden heeft Van Breemen elk van zijn robots uitgerust met een functionaliteit die het vertelt of het zijn taken goed of slecht uitvoert. Wanneer ze een fout maken, sturen de robots alleen de specifieke data door waar ze zich op moeten verbeteren. Die data wordt automatisch over de totale robotvloot verzameld. Dus in plaats van duizenden beelden ontvangt Van Breemens team er slechts enkele honderden, die vervolgens getagd, gelabeld en weer teruggestuurd worden om de robots bij te trainen. “Een paar jaar geleden riep iedereen dat data goud is,” zegt hij. “Nu beginnen we in te zien dat data een hele grote hooiberg is waar ergens dat klompje goud ligt. Dus de uitdaging is niet om zoveel mogelijk data te verzamelen, maar de juiste data.” De Nederlandse AI specialist ziet een enorm potentieel voor deep learning in de maakindustrie, waar AI ingezet kan worden voor toepassingen als het opsporen van defecten en het optimaliseren van machines. De wereldwijde slimme maakindustrie wordt geraamd op 185 miljard euro en heeft een voorspelde groeiratio van 11% tot 2025. De Brainport regio rondom Eindhoven waar Van Breemens bedrijf actief is, telt vele machinebouwers van wereldformaat, waaronder Philips en ASML. De sim-to-real kloof Een tweede uitdaging voor het toepassen van AI in de echte wereld is het feit dat fysieke omgevingen veel gevarieerder en complexer zijn dan digitale omgevingen. Een zelfrijdende auto die in de VS is getraind, zal niet automatisch in Europa functioneren met zijn hele eigen verkeersregels en -borden. Van Breemen kreeg met deze uitdaging te maken toen hij zijn DL model dat komkommerplanten knipt wilde toepassen in de kas van een andere teler. “Als dit in de digitale wereld speelde, zou ik gewoon hetzelfde model trainen met de data van de nieuwe teler,” zegt hij. “Maar deze teler had LED verlichting in zijn kas hangen, waardoor Kijk voor meer informatie op www.mikrocentrum.nl 16
19 Online Touch Home