Het menselijk brein is ontzettend goed in het vinden van structuur in informatie die via onze zintuigen binnenkomt. Als we bijvoorbeeld een plaatje van een hond zien, maakt het niet uit waar de hond is gesitueerd, of het een kleine of een grote hond is, of hij een korte of een lange vacht heeft: we zullen meteen herkennen dat het een hond is. Voor machines is dit echter een erg moeilijke taak: onderzoekers naar kunstmatige intelligentie hebben dit decennia lang niet voor elkaar kunnen krijgen. Echter, de laatste jaren heeft een nieuwe aanpak aanzienlijke vooruitgang geboekt. Zo geheten deep learning netwerken kunnen op succesvolle wijze afbeeldingen, video, audio en zelfs spraak categoriseren op basis van verschillende kenmerken. Natuurlijk taalbegrip door computers, automatisch vertalen en het beantwoorden van vragen liggen in het verschiet.

DLdog De deep learning aanpak is relatief eenvoudig. Neem een neuraal netwerk met veel verschillende lagen en voorzie dit van grote hoeveelheden onbewerkte data. Aan de hand van een eenvoudig algoritme detecteert het netwerk regelmatigheden in de input die steeds abstracter wordt naarmate de lagen dieper worden. Verzamel deze regelmatigheden door bovenaan een classificatie systeem te plaatsen. Op deze wijze ontstaat compex gedrag uit een eenvoudig systeem omdat de input gegevens zelf complex waren.

De basisprincipes van deep learning waren al jaren bekend, maar cognitieve wetenschappers leken te liggen slapen, met het gevolg dat de aanpak nu bijna uitsluitend door de industrie wordt ontwikkeld. Het lijkt zo veelbelovend dat bedrijven grote bedragen in hun eigen onderzoekscentra investeren. Zo heeft Google in 2014 het bedrijf Deep Mind – een in 2011 gestartte onderneming in Londen dat gespecialiseerd is in deep learning architecturen – overgenomen voor een geschatte 360 miljoen euro. In een handomdraai bezaten zij de grootste verzameling kennis en onderzoekstalent in deep learning ter wereld. De cognitieve wetenschap had hier het voortouw in moeten nemen en heeft nu – helaas –  een achterstand.

Aan de andere kant kan worden gesteld dat deep learning niet gelijk staat aan het modelleren van de neurobiologische eigenschappen van het menselijk brein. Zelfs als deze systemen mensachtig cognitief gedrag zou kunnen recreëren, kunnen ze nog steeds niet verklaren hoe het menselijk brein dit tot stand weet te brengen. Deep learning modellen zijn statistische, en niet causale modellen van cognitie. Wat dat betreft hoeft de cognitieve wetenschap zich beschaamd noch bedreigd te voelen. Er blijven ontzagwekkende taken liggen die nog volbracht moeten worden, die bovendien verder reiken dan het creeëren van applicaties en commercieële producten. Laten we hopen dat de bedrijven die wetenschappelijk onderzoek financieren het ook op deze manier bekijken.

Geschreven door: Hartmut Fitz
Vertaald door: Charlotte Poulisse

Advertenties