Deep Learning: Does it spark joy?
Dit item werd oorspronkelijk gepubliceerd op 5 november 2019.
‘We willen graag deep learning gaan gebruiken.’ Het klonk me als een vreemde wens in de oren, zeker voor een zorginstelling. Het leek me een beetje vergelijkbaar met een arts die zegt dat hij vooral graag z’n nieuwe eendenbek wil gebruiken, ongeacht wat er met me aan de hand is. Voor m’n werk ben ik regelmatig op bezoek bij ziekenhuizen om ze te helpen met het realiseren van verschillende AI en machine learning doelstellingen: beslis-ondersteuning op medisch vlak, optimalisatie van werkprocessen en het terugdringen van administratieve druk. Allemaal prima projecten, maar ‘deep learning gebruiken’ voelt in die zin toch een beetje als de eendenbek van AI-problematiek. Je kan hem prima inzetten als de situatie daar om vraagt, maar het lijkt me niet iets wat leidend moet zijn bij een diagnosestelling. Ik zou in ieder geval flink zenuwachtig worden als ik voor oorpijn bij de dokter kom en hij alleen maar verlekkerd met z’n eendenbek zit te klepperen.
Deep Learning
Wat is deep learning? Deep learning is een type algoritme dat bepaalde type problemen door middel van een ontleding van abstractieniveaus oplost. In (nog) wat technischere termen: het is een neuraal netwerk met meerdere verborgen lagen. Wat zo bijzonder is aan die verborgen lagen is dat, als je een neuraal netwerk traint, deze lagen vanzelf per laagje een klein stukje van het probleem gaan oplossen, zodat het hele netwerk uiteindelijk de goede uitkomst geeft. Het netwerk splitst het probleem dus eigenlijk op in sub-probleempjes: als we eerst dit stukje van het probleem oplossen kunnen we met het antwoord de volgende stap oplossen, en dat gaat zo door totdat we bij de gewenste uitkomst zijn.
Die manier van problemen in laagjes oplossen is losjes gebaseerd op hoe onze hersenen zoiets aanpakken. Onze visuele cortex bestaat ook uit verschillende gebieden, die op verschillende niveaus de visuele informatie die via onze ogen de hersenen binnenkomen verwerken: van losse pixels tot lijnen, tot vormen, tot uiteindelijk een geheel van concepten die we als zodanig herkennen (kat, gezicht, eendenbek). Maar dat is dus best een specifieke manier van specifieke problemen oplossen, en zeker niet iets wat overal van toepassing is.
Mocht je meer willen weten over neurale netwerken, hier kan je spelen met je eigen neurale netwerk, en als je echt het fijne wilt weten van hoe een netwerk een plaatje verwerkt kan je hier kijken.
Learn, maar Deep met mate
Deep Learning is geen doel op zich. Tenzij je een onderzoeksbureau bent wat zich specialiseert in het beter maken van deep learning technieken is voor vrijwel elke andere partij deep learning een middel om specifieke problemen op te lossen. Niet elk algoritme gebruikt deep learning, en niet elk probleem heeft deep learning nodig om het op te lossen. Er zijn stapels andere algoritmes die allemaal een eigen set van probleem-types hebben wat ze goed kunnen oplossen. Vaak beter, sneller en efficiënter dan met deep learning. Dus kijk eerst of deep learning wel de juiste oplossing is voor het probleem wat jij hebt, anders zit je straks onverhoopt met een eendenbek in je oor.