How does artificial intelligence learn? - Briana Brownell

Vertaald door: Annick Knops Nagekeken door: Tahlia Flora

Today, artificial intelligence helps doctors diagnose patients,

Tegenwoordig helpt AI artsen bij het diagnosticeren van patiënten,

pilots fly commercial aircraft, and city planners predict traffic.

piloten bij het besturen van vliegtuigen, en stadsplanners verkeer te voorspellen.

But no matter what these AIs are doing, the computer scientists who designed them

Maar wat deze AI’s ook doen, de computerwetenschappers die ze ontwerpen

likely don’t know exactly how they’re doing it.

weten waarschijnlijk niet precies hoe ze het doen.

This is because artificial intelligence is often self-taught,

Dit komt doordat kunstmatige intelligentie vaak autodidactisch is,

working off a simple set of instructions

uitgaand van enkele eenvoudige instructies

to create a unique array of rules and strategies.

creëert het een unieke reeks van regels en strategieën.

So how exactly does a machine learn?

Dus, hoe leert een machine precies?

There are many different ways to build self-teaching programs.

Er zijn verscheidene manieren om zelflerende programma’s te bouwen.

But they all rely on the three basic types of machine learning:

Maar allemaal berusten ze op de drie basistypen van machinaal leren:

unsupervised learning, supervised learning, and reinforcement learning.

onbeheerd leren, begeleid leren en versterkend leren.

To see these in action,

Om te zien hoe dit verloopt,

let’s imagine researchers are trying to pull information

stel je onderzoekers voor die trachten bepaalde informatie te vinden

from a set of medical data containing thousands of patient profiles.

uit een reeks medische data met daarin duizenden patiëntenprofielen.

First up, unsupervised learning.

Als eerste, onbeheerd leren.

This approach would be ideal for analyzing all the profiles

Deze aanpak zou ideaal zijn om alle profielen te analyseren

to find general similarities and useful patterns.

en zo algemene overeenkomsten en nuttige patronen te vinden.

Maybe certain patients have similar disease presentations,

Misschien hebben sommige patiënten vergelijkbare symptomen,

or perhaps a treatment produces specific sets of side effects.

of misschien veroorzaakt een behandeling een stel specifieke bijwerkingen.

This broad pattern-seeking approach can be used to identify similarities

Deze patroonzoekende aanpak kan toegepast worden

om overeenkomsten te identificeren tussen patiëntenprofielen

between patient profiles and find emerging patterns,

en opduikende patronen te vinden,

all without human guidance.

allemaal zonder menselijke aansturing.

But let's imagine doctors are looking for something more specific.

Maar stel je voor dat artsen op zoek zijn naar iets specifiekers.

These physicians want to create an algorithm

Deze medici willen een algoritme creëren

for diagnosing a particular condition.

om een bepaalde aandoening te diagnosticeren.

They begin by collecting two sets of data—

Ze beginnen met het ophalen van twee datasets:

medical images and test results from both healthy patients

medische beelden en testresultaten, zowel van gezonde patiënten

and those diagnosed with the condition.

als van degenen die de aandoening hebben.

Then, they input this data into a program

Vervolgens implementeren ze deze data in een programma

designed to identify features shared by the sick patients

ontworpen om symptomen te herkennen die de zieke patiënten delen,

but not the healthy patients.

maar de gezonde patiënten niet.

Based on how frequently it sees certain features,

Gebaseerd op de frequentie van bepaalde ziekteverschijnselen,

the program will assign values to those features’ diagnostic significance,

zal het programma waarden toewijzen aan het diagnostisch belang van die tekens

generating an algorithm for diagnosing future patients.

en een algoritme genereren voor toekomstige medische diagnoses.

However, unlike unsupervised learning,

Maar in tegenstelling tot onbeheerd leren,

doctors and computer scientists have an active role in what happens next.

hebben artsen en computerwetenschappers een actieve rol in wat er daarna volgt.

Doctors will make the final diagnosis

Artsen stellen de definitieve diagnose

and check the accuracy of the algorithm’s prediction.

en toetsen de nauwkeurigheid van de prognose door het algoritme.

Then computer scientists can use the updated datasets

Dan kunnen computerwetenschappers de geüpdatete datasets gebruiken

to adjust the program’s parameters and improve its accuracy.

om de variabelen in het programma aan te passen en nauwkeuriger te maken.

This hands-on approach is called supervised learning.

Deze praktijkgerichte training noemt men begeleid leren.

Now, let’s say these doctors want to design another algorithm

Veronderstel dat deze artsen een ander algoritme willen ontwerpen

to recommend treatment plans.

om behandelplannen aan te bevelen.

Since these plans will be implemented in stages,

Doordat deze plannen stapsgewijs zullen uitgevoerd worden

and they may change depending on each individual's response to treatments,

en kunnen veranderen naargelang de reactie van het individu op behandelingen,

the doctors decide to use reinforcement learning.

kiezen de artsen voor versterkend leren.

This program uses an iterative approach to gather feedback

Dit programma hanteert een iteratieve aanpak om feedback te verzamelen

about which medications, dosages and treatments are most effective.

over welke medicaties, doseringen en behandelingen het doeltreffendst zijn.

Then, it compares that data against each patient’s profile

Daarna wordt deze data vergeleken met het profiel van elke patiënt

to create their unique, optimal treatment plan.

om hun unieke, optimale behandelplan op te stellen.

As the treatments progress and the program receives more feedback,

Naarmate de behandelingen vorderen en het programma meer feedback krijgt,

it can constantly update the plan for each patient.

kan het voortdurend het behandelplan voor elke patiënt aanpassen.

None of these three techniques are inherently smarter than any other.

Geen van deze drie technieken is inherent slimmer dan een andere.

While some require more or less human intervention,

Terwijl sommige min of meer menselijke tussenkomst vereisen,

they all have their own strengths and weaknesses

hebben ze elk hun eigen sterktes en verbeterpunten

which makes them best suited for certain tasks.

die hen het meest aangewezen maken voor bepaalde taken.

However, by using them together,

Maar door ze samen te gebruiken,

researchers can build complex AI systems,

kunnen onderzoekers complexe AI-systemen bouwen,

where individual programs can supervise and teach each other.

waar individuele programma’s elkaar kunnen begeleiden en onderwijzen.

For example, when our unsupervised learning program

Wanneer bijvoorbeeld ons onbeheerd leerprogramma

finds groups of patients that are similar,

vergelijkbare groepen patiënten vindt,

it could send that data to a connected supervised learning program.

kan het die gegevens doorsturen naar een verbonden begeleid leerprogramma.

That program could then incorporate this information into its predictions.

Dat programma zou dan deze informatie in zijn prognoses kunnen opnemen.

Or perhaps dozens of reinforcement learning programs

Of misschien kunnen tientallen versterkende leerprogramma’s

might simulate potential patient outcomes

potentiële patiëntresultaten simuleren

to collect feedback about different treatment plans.

om feedback te verzamelen over verschillende behandelplannen.

There are numerous ways to create these machine-learning systems,

Er zijn talloze manieren om deze leersystemen te ontwerpen,

and perhaps the most promising models

en misschien zijn de meest veelbelovende modellen

are those that mimic the relationship between neurons in the brain.

deze die de relatie nabootsen tussen neuronen in de hersenen.

These artificial neural networks can use millions of connections

Zulke kunstmatige neurale netwerken kunnen miljoenen verbindingen aanwenden

to tackle difficult tasks like image recognition, speech recognition,

om moeilijke taken aan te pakken, zoals beeldherkenning, spraakherkenning,

and even language translation.

en zelfs vertalingen.

However, the more self-directed these models become,

Maar, hoe autonomer deze modellen worden,

the harder it is for computer scientists

des te lastiger is het voor computerwetenschappers

to determine how these self-taught algorithms arrive at their solution.

om te bepalen hoe deze autodidactische algoritmes tot hun oplossing komen.

Researchers are already looking at ways to make machine learning more transparent.

Onderzoekers bekijken al manieren om machinaal leren transparanter te maken.

But as AI becomes more involved in our everyday lives,

Maar naarmate AI meer betrokken raakt in ons dagelijks leven,

these enigmatic decisions have increasingly large impacts

krijgen deze cryptische besluiten een steeds grotere impact

on our work, health, and safety.

op ons werk, onze gezondheid en veiligheid.

So as machines continue learning to investigate, negotiate and communicate,

Indien machines verder leren onderzoeken, onderhandelen en communiceren,

we must also consider how to teach them to teach each other to operate ethically.

moeten we overwegen hoe we hen onderwijzen

om elkaar ethische besturing aan te leren.