This post is also available in Engels.
Heb je wel eens van Deep Learning gehoord? Het is in zowel het bedrijfsleven als de wetenschap een populair onderwerp. Maar in hoeverre kan het ons daadwerkelijk helpen het menselijk brein beter te begrijpen?
Deep learning is een specifiek onderdeel van Kunstmatige Intelligentie (KI) en heeft geholpen meer intelligente, mensachtige machines te maken. Recentelijk was er hier op het Donders Instituut een reeks colleges over deep learning. Een prangende vraag was of Deep Learning ons kan helpen het brein te begrijpen. Maar laten we eerst kijken naar wat KI-wetenschappers zoal hebben gedaan en wat deep learning precies is.
Machine Learning
Stel je voor dat je naar een reeks rasters kijkt met elk duizenden getallen. Zou je erin slagen om elk raster te herkennen als een afbeelding van een hond? Dit klinkt misschien als een onmogelijke opdracht, maar als de getallen zouden worden weergegeven als kleurwaardes van elke pixel in een afbeelding, dan zou het voor de meeste mensen juist erg makkelijk zijn. Dit voorbeeld laat zien dat het erg moeilijk kan zijn om patronen te herkennen in grote hoeveelheden data, maar dat dit niet betekent dat het patroon er niet is.
Opvallend genoeg zijn mensen ontzettend goed in patronen herkennen: we kunnen moeiteloos het verschil zien tussen een husky en een wolf, die erg veel op elkaar lijken, en kunnen zowel husky’s als buldogs herkennen als honden, terwijl zij juist niet op elkaar lijken.
Het is een enorme uitdaging geweest voor het veld van Kunstmatige Intelligentieom deze vaardigheid na te bootsen. Onderzoekers waren tot een decennium geleden dan ook onsuccesvol, totdat ze Machine Learning gingen gebruiken. Bij Machine Learning leer je een machine om een probleem op te lossen. Bijvoorbeeld: stel dat we onze computer auto’s en honden willen laten identificeren op afbeeldingen. We beginnen door de machine(de computer) heel, heel veel afbeeldingen van auto’s en honden te ‘voeren’ [en we vertellen de computer welke afbeeldingen van honden en welke van auto’s zijn]. Het algoritme, de code op de computer die het probleem moet gaan oplossen, zal zichzelf gaan trainen. Je kunt je dit algoritme voorstellen als een netwerk van ‘knoppen’ dat aangepast kan worden. Uiteindelijk, na veel voorbeelden, zal het algoritme de beste instelling van de knoppen leren om zo het verschil tussen auto’s en honden te herkennen. Vervolgens passen we dit algoritme toe op afbeeldingen die de machine nog nooit eerder heeft gezien. Als het deze afbeeldingen correct classificeert kunnen we de machine gebruiken om honden en auto’s te detecteren.
Deep Learning
Maar honden van auto’s onderscheiden is makkelijk vergeleken met husky’s van wolven onderscheiden en tegelijk kunnen herkennen dat zowel husky’s als buldogs honden zijn.
Deep Learning heeft daarom een daadwerkelijke revolutie ontketend, omdat het computers in staat heeft gesteld deze unieke vaardigheid te evenaren. Er zijn extra lagen toegevoegd aan het netwerk van knoppen, en er zijn meer stappen bij het leerproces gekomen. Deze Deep Neural Networkszijn vaak geïnspireerd door hoe het menselijke visuele systeem is georganiseerd in het brein. Eerder moesten mensen nog het leerproces monitoren en aanpassen, maar nu leert de machine daadwerkelijk op zichzelf en verbreekt het alle records. Deep Learning wordt gebruikt in gezichts-, tekst- en spraakherkenning en kan zelfs worden toegepast om op videobeelden in real timeverkeersborden of wandelaars te herkennen. Dit is de magie achter zelfrijdende auto’s. Wetenschappers denken daarom dat dit type Machine Learning de toekomst is.
Diep(er) begrip van het brein?
Deze ‘Deep Neural Networks’ kunnen opvallend veel lijken op de architectuur van het menselijk brein. Betekent dat dat het brein ook functioneert als zo’n Deep Neural Network? Kan Deep Learning een verklaring geven, of zelfs worden, voor hoe het brein cognitieve informatie verwerkt? Dit is onderwerp van een vurig debat onder wetenschappers, en het college gaf enkele interessante inzichten. Een van de kritieken op Deep Learning is bijvoorbeeld dat de computer in sommige bijzondere gevallen van een taak kan slagen waar mensen falen en juist faalt waar mensen slagen. Deze verschillen kunnen komen door de manier waarop de algoritmes worden getraind, maar het feit blijft dat deze gevallen laten zien dat het Deep Learning systeem niet exact hetzelfde is als wat mensen doen.
Een ander probleem is dat, tot nu toe, de informatie- en kennisoverdracht tussen KI en de neurowetenschap vooral een eenrichtingsweg is geweest: Kennis over het brein heeft KI geholpen, maar het is nog niet duidelijk of KI ons nieuwe dingen kan leren over het brein. Om dit laatste te realiseren hebben we niet alleen een Deep Learning-systeem nodig dat de prestatie van mensen evenaart [zowel qua successen als qua falen], maar ook een idee van hoe en waaromDeep Learning een oplossing vindt. Zelfs als een computer ons gedrag exact kan nabootsen, betekent dat niet dat het ons gedrag op dezelfde manier implementeert. Er kunnen meerdere manieren zijn waarop een complex systeem als een computer of een brein een probleem oplost. De zelfrijdende auto rijdt niet zoals wij rijden; het imiteert in feite niet onze capaciteit om auto te rijden. Het lost echter wel hetzelfde probleem op: het navigeert in de ruimte (totdat het een bus tegenkomt).
Dat gezegd hebbende, wat is de toekomst van het gebruik van Deep Learning om het brein te begrijpen? Om een van de sprekers te citeren: “Alle modellen zijn fout, maar sommige zijn nuttig” (George Box). Vanuit dit perspectief moeten we blijven proberen. Menselijk gedrag evenaren vanuit een KI-perspectief zal mogelijk niet tot een volledige verklaring van het menselijk brein leiden, maar het draagt wel bij aan een begrip over hoe complexe systemen complex gedrag kunnen creëren.
Sprekers tijdens het college waren Andrea Martin, Marcel van Gerven en Eelke Spaak.
Originele taal: Engels
Auteur: Floortje Bouwkamp
Buddy: Eelke Spaak
Editor vertaling: Rebecca Calcott
Vertaler: Felix Klaassen
Editor: Jill Naaijen
