in General

Artificial Intelligence, Machine Learning en Deep Learning: wat is het verschil?

Was het nu Machine Learning (ML), Deep Learning (DL) of toch kunstmatige intelligentie (AI)? Wie voorbij de buzzword bingo kijkt om de termen correct te interpreteren, raakt het spoor al snel bijster.
Wat betekenen de verschillende begrippen precies en hoe onderscheiden ze zich van elkaar in de praktijk? Een overzicht.

AI, ML en DL eenvoudig uitgelegd

In een notendop ziet de situatie er als volgt uit:

  • AI is de overkoepelende wetenschap die zich bezighoudt met het creëren van machines die een zekere vorm van intelligentie vertonen.
  • Machine Learning is een onderdeel van AI dat zich toespitst op technieken waarmee computers kunnen bijleren op basis van ingevoerde dataen patronen.
  • Deep Learning is op zijn beurt de verzamelnaam voor een groep technieken voor zelfsturende Machine Learning, waarbij algoritmes zichzelf slimmer maken.
De verhouding tussen AI, ML en DL schematisch weergegeven.

Kunstmatige intelligentie, Machine Learning en Deep Learning staan dus in een hiërarchische verhouding tot elkaar. In de praktijk zijn er natuurlijk enkele grijze zones en bevinden heel wat concrete technieken en algoritmes zich op het snijvlak tussen de verschillende deelgebieden. Zowel AI, ML als DL hebben dan ook hun eigen geschiedenis, merites en toepassingen.

Artificial Intelligence

Artificial Intelligence of kunstmatige intelligentie draait om het bouwen van machines die een zekere vorm van intelligentie vertonen. Als concept is AI onlosmakelijk verbonden met de geschiedenis van de eerste computers. En daarvoor moeten we een heel eind terug in de tijd. Zelfs de Oude Grieken hadden meer dan tweeduizend jaar geleden al een complexe analoge machine ontworpen om ingewikkelde astronomische berekeningen uit te voeren, hoewel hun uitvinding nog erg veraf stond van de hedendaagse opvattingen over kunstmatige intelligentie.

Een onderdeel van de eerste analoge “computer”

De Britse wiskundige en codekraker Alan Turing wordt algemeen beschouwd als de vader van de moderne computer. Zijn pionierswerk in de jaren veertig en vijftig van de vorige eeuw luidde niet alleen het tijdperk van razendsnelle rekenmachines in. Turing legde ook de filosofische en praktische basis voor abstracte concepten als zelfbewustzijn van intelligente computers. Dat baanbrekende denkwerk leidde uiteindelijk tot de Turingtest, die nog steeds een belangrijke, zij het ietwat achterhaalde maatstaf vormt om te bepalen of een machine al dan niet als intelligent en zelfdenkend beschouwd kan worden.

Alan Turing

Tegenwoordig omvat AI een brede waaier aan verschillende concepten, waar Machine Learning en Deep Learning deel van uitmaken. Er wordt intussen trouwens ook hard gewerkt aan de praktische uitwerking van volledig bewuste kunstmatige intelligentie, waardoor het speelveld binnenkort dus nog uitgebreid zal kunnen worden met bijvoorbeeld menselijke AI.

Machine Learning

Machine Learning is een onderdeel van AI dat zich toespitst op methodes waarmee computers kunnen bijleren op basis van ingevoerde data en patronen. In de praktijk gebeurt dat met behulp van data mining. Dat is een techniek om relevante informatie uit databanken te halen. Een algoritme voor Machine Learning heeft daarvoor geen gestructureerde database nodig – zoals een Excel-bestand met netjes geordende gegevens -, maar is slim genoeg om relevante datapunten te ontcijferen op basis van ongestructureerde data. Veel bedrijven passen vandaag de dag al Machine Learning toe. Denk maar aan Amazon, dat zijn gebruikers automatisch producten aanbeveelt op basis van hun eerdere aankopen. Een ander voorbeeld is Netflix, dat zijn abonnees series en films voorstelt op basis van eerder kijkgedrag.

Deep Learning

Deep Learning is in wezen een geavanceerde vorm van Machine Learning met één belangrijk onderscheidend kenmerk: zelfstandige bijsturing. Een Deep Learning-model kan zichzelf aanpassen op basis van externe signalen – data dus -, waar Machine Learning enkel kan aanpassen op basis van manuele bijsturing, zoals in de achterliggende code van het algoritme.

Bekende voorbeelden van Deep Learning vinden we vandaag de dag in zelfrijdende auto’s en in ons eigen Trendskout-platform. Ze vereisen geen van beide expliciete gebruikersfeedback om zich succesvol aan te passen. Deep Learning-algoritmes zijn volledig geconcentreerd op het gevraagde eindresultaat en sturen zichzelf zich in functie daarvan bij.

Verwar Deep Learning zeker niet met neurale netwerken. Die worden vaak verward met Deep Learning, maar zijn niet hetzelfde. Een neuraal netwerk is een techniek die zowel voor Machine Learning, Deep Learning als in overkoepelende AI ingezet kan worden. Neurale netwerken bootsen de werking van het menselijke brein na om op basis van voorbeelden informatie te classificeren. Ze staan bij het grote publiek bijvoorbeeld bekend als manier om snel afbeeldingen te categoriseren op basis van een beperkte reeks gekende foto’s.

Conclusie: Gepaste soort AI voor elk project

We geven het toe: de soms verwarrende terminologie en het steeds veranderende AI-landschap maken het er niet makkelijker op om door de bomen het bos nog te zien. De juiste techniek inzetten in een organisatie, is specialistenwerk. Dat is precies waar het Trendskout-platform z’n waarde bewijst. Het platform kiest automatisch het gepaste AI-algoritme voor elke businesscase op basis van de relevante parameters.