Deep learning is een tak van machine learning die kunstmatige neurale netwerken met veel lagen gebruikt. Zulke netwerken leren uit grote hoeveelheden data welke kenmerken van belang zijn – van randen in beelden tot betekenisrelaties in teksten. Deep learning vormt de basis van de huidige taalmodellen, beeld- en spraakherkenning en machinevertaling en vergt doorgaans veel rekenkracht en trainingsdata.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenKunstmatige neurale netwerken (ANN’s) zijn rekenmodellen die bestaan uit veel verbonden eenheden (“neuronen”) die in lagen zijn geordend en invoer verwerken via gewogen verbindingen. Tijdens het trainen worden de gewichten stap voor stap aangepast aan de hand van voorbeelden, meestal via backpropagation. ANN’s vormen de basis van deep learning en drijven beeldherkenning, spraakherkenning en grote taalmodellen aan. Ondanks hun biologische inspiratie werken ze veel eenvoudiger dan het menselijk brein.
Machine learning is een tak van de kunstmatige intelligentie waarin computers patronen uit data afleiden in plaats van dat elke regel expliciet wordt geprogrammeerd. Afhankelijk van de taak leren modellen van gelabelde voorbeelden (gesuperviseerd), van ongelabelde data (ongesuperviseerd) of via beloningen (reinforcement). Toepassingen variëren van spamfilters en vraagvoorspellingen tot productaanbevelingen. De kwaliteit hangt sterk af van de hoeveelheid en kwaliteit van de trainingsdata.
Een convolutioneel neuraal netwerk (CNN) is een architectuur voor neurale netwerken die bijzonder geschikt is voor beelddata. Het scant de invoer met kleine filters en herkent in de eerste lagen eenvoudige kenmerken zoals randen en in diepere lagen complexere vormen. CNN’s hebben beeldherkenning jarenlang bepaald en worden bijvoorbeeld gebruikt om defecten op productfoto’s op te sporen of bij medische beeldanalyse.
De transformer is een architectuur voor neurale netwerken die in 2017 werd geïntroduceerd in het onderzoeksartikel “Attention Is All You Need”. De kern is het aandachtsmechanisme (attention): elk woord wordt gewogen ten opzichte van alle andere woorden in een tekst, en de berekening kan efficiënt parallel worden uitgevoerd. Transformers vormen de basis van de huidige taalmodellen zoals GPT, Claude en BERT en worden ook voor beeld en audio gebruikt.
