Machine learning is een manier om computers taken te laten uitvoeren zonder dat een programmeur alle regels uitschrijft. In plaats daarvan leert een computerprogramma van voorbeelden. Het is de techniek achter spraakherkenning, spamfilters, aanbevelingen op streamingdiensten en de meeste chatbots. Op deze pagina lees je hoe dat leren in grote lijnen werkt.
Leren van data
Een machine-learningmodel is een wiskundige functie met heel veel instelbare getallen, de parameters. Bij het trainen krijgt het model voorbeelden te zien. Het doet een voorspelling, vergelijkt die met het juiste antwoord en past zijn parameters een klein beetje aan om de fout te verkleinen. Dat herhaalt het heel vaak. Na genoeg voorbeelden kan het model ook goede voorspellingen doen bij invoer die het nog niet eerder zag.
Er zijn drie veelgebruikte manieren van leren:
- Supervised learning (gecontroleerd leren): het model krijgt voorbeelden met het juiste antwoord erbij, zoals foto’s met een label.
- Unsupervised learning (ongecontroleerd leren): het model zoekt zelf structuur in data zonder labels, bijvoorbeeld groepen met vergelijkbaar gedrag.
- Reinforcement learning (bekrachtigingsleren): het model leert door te proberen en beloning of straf te krijgen, zoals bij het leren spelen van een spel.
Neurale netwerken en deep learning
Veel moderne modellen zijn neurale netwerken: lagen van eenvoudige rekeneenheden die met elkaar verbonden zijn. Elke verbinding heeft een gewicht dat tijdens het trainen wordt aangepast. Netwerken met veel lagen vallen onder deep learning. Ze kunnen complexe patronen leren, zoals de vorm van een gezicht of de structuur van een zin, maar hebben veel data en rekenkracht nodig.
Training en gebruik
Er zijn twee fasen. Tijdens de training leert het model van data; dat vraagt veel rekenwerk en gebeurt voor grote modellen in datacenters met veel videokaarten of gespecialiseerde chips. Daarna volgt de inferentie: het gebruiken van het getrainde model om een antwoord te geven. Inferentie vraagt per keer veel minder rekenkracht en kan voor kleinere modellen ook op een gewone computer of telefoon; zie AI op je eigen computer.
Beperkingen
Een model leert alleen wat in de data zit. Is die data onvolledig, verouderd of eenzijdig, dan geldt dat ook voor het model. Een model kan bovendien overfitten: het onthoudt de trainingsvoorbeelden te letterlijk en presteert slecht op nieuwe gegevens. In de artikelen hieronder lees je meer over neurale netwerken, deep learning en het verschil tussen training en inferentie.