Het AI-landschap verandert voortdurend en is zeer dynamisch. Elke maand worden er nieuwe modellen gepubliceerd, tools voor machine learning verschijnen en verdwijnen voordat je het weet en de democratisering van kunstmatige intelligentie door het gebruik van de cloud legt een hele reeks nieuwe mogelijkheden bloot. Nieuwe ontwikkelingen ontstaan zo snel dat het soms een uitdaging kan zijn om op de hoogte te blijven van de evolutie van het AI-landschap. Professionals die niet dagelijks bezig zijn met kunstmatige intelligentie en machine learning zijn zich vaak niet bewust van de snelheid waarmee de sector vooruitgaat. Desalniettemin proberen wij altijd de nieuwste ontwikkelingen en trends bij te houden om een helder overzicht te houden van de nieuwste modellen, tools en infrastructuur die bruikbaar kunnen zijn voor onze klanten. In deze blogpost vatten we enkele van de laatste trends samen waarvan we denken dat het belang in de niet al te verre toekomst zeker zal toenemen.
Modellen
Deep reinforcement learning
Deep reinforcement learning is een subcategorie van machine learning en kunstmatige intelligentie waarbij modellen kunnen leren van hun eigen acties, vergelijkbaar met de manier waarop mensen leren van ervaring. Inherent aan deze categorie machine learning en kunstmatige intelligentie modellen is dat een agent wordt beloond of bestraft op basis van zijn eigen acties. Acties die deze modellen naar het beoogde resultaat brengen, worden beloond en dus versterkt. Daarentegen worden acties die niet het beoogde resultaat teweeg brengen gestraft.
Door vallen en opstaan blijven de algoritmen die ten grondslag liggen aan deep reinforcement learning leren, waardoor deze technologie ideaal is voor dynamische omgevingen die voortdurend veranderen. Het "diepe" deel van deep reinforcement learning verwijst naar meerdere diepe lagen van kunstmatige neurale netwerken die de structuur van een menselijk brein repliceren. Deep learning vereist grote hoeveelheden trainingsgegevens en aanzienlijke rekenkracht. In de afgelopen jaren zijn de datavolumes explosief gestegen, terwijl de kosten voor rekenkracht drastisch zijn gedaald, wat de explosie van deep learning-applicaties mogelijk heeft gemaakt. Deep reinforcement learning kreeg uitgebreid de aandacht in de media toen DeepMind's AlphaGo een beroemde grootmeester versloeg met schaken.
Andere praktische toepassingen zijn onder meer intelligente robots die worden gebruikt in fabrieken of magazijnen om miljoenen producten te sorteren en aan de juiste mensen te leveren. In deze gebruikssituaties, wanneer een robot een item kiest om in een container te doen, helpen deep reinforcement learning modellen deze robot om kennis op te doen over het resultaat van de uitgeoefende acties. De robot gebruikt deze kennis om zijn operaties en acties in de toekomst efficiënter uit te voeren.
Generative adversial networks Op dit moment zijn generative adversial networks een hot topic in de deep learning-gemeenschap. Generative adversial networks zijn modellen die zelf in staat zijn om een bepaalde output te genereren. Een bekende toepassing van generative adversial networks zijn bijvoorbeeld deepfake video's. Generatieve modellen zijn in staat om nieuwe data te synthetiseren, waardoor het tekort aan cruciale trainingsdata voor veel toepassingen kan worden opgevangen. Daarnaast hebben generative adversial networks een overvloed aan directe toepassingen, een aantal voorbeelden zijn het genereren van afbeeldingen, het toepassen van superresolutie op afbeeldingen, tekst-naar-beeld en beeld-naar-beeld-conversie, inpainting, attribuutmanipulatie, pose-inschatting, video synthese, audiosynthese en nog veel meer toepassingen. Kortom, we verwachten dat we de komende jaren veel zullen horen over innovatieve en bruikbare toepassingen van generative adversial networks.
Pre-trained modellen
Pre-training is nu alomtegenwoordig in het begrijpen van natuurlijke taal (NLU). Ongeacht de doeltoepassing (bijv. sentimentanalyse, het beantwoorden van vragen of machinevertaling), worden modellen eerst vooraf getraind op grote hoeveelheden vrije tekst, vaak honderden gigabytes. De bedoeling is om modellen te initialiseren met algemene taalkennis die later in meerdere contexten kunnen worden gebruikt. Een vooraf getraind model dat linguïstisch goed onderlegd is, kan vervolgens worden verfijnd op een veel kleinere dataset om de doeltoepassing uit te voeren. Ook het computervisieveld maakt al in grote mate gebruik van voorgetrainde modellen, bijvoorbeeld door een voorgetrainde versie van Imagenet in te zetten voor een scala aan taken. We verwachten de komende jaren een toenemend gebruik van vooraf getrainde modellen, omdat het veel voordelen biedt, zoals het verkorten van de trainingstijd van modellen.
Architectuur Edge-computing Naarmate mensen meer tijd op hun apparaten doorbrengen, realiseren tech bedrijven zich steeds meer de noodzaak om essentiële rekenkracht op het apparaat te brengen om meer klanten te bedienen in plaats van alle berekeningen in de cloud uit te voeren. Dit is de reden dat de edge computing-markt de komende jaren zal blijven versnellen. De markt voor edge computing zal naar verwachting in het jaar 2026 een waarde van 87 miljard bereiken. Om hierop voor te bereiden, bieden grote cloud-bedrijven edge computing-diensten aan. Intel en Udacity hebben niet zolang geleden een programma gelanceerd om wereldwijd 1 miljoen ontwikkelaars op te leiden. Volgens Gartner wordt 91% van de huidige data verwerkt in gecentraliseerde datacenters. Maar tegen 2026 zal ongeveer 74% van alle gegevens analyse on the edge plaats vinden. Edge computing zorgt ervoor dat berekeningen en gegevensopslag dichter bij de locatie van het apparaat worden gebracht. Er is een misvatting dat edge computing de cloud zal vervangen. Integendeel, het functioneert in combinatie met de cloud. Big data analyses en transformaties zullen zoveel mogelijk in de cloud worden uitgevoerd. Directe gegevens die door de gebruikers worden gegenereerd en alleen betrekking hebben op de gebruikers, kunnen echter on the edge worden berekend en gebruikt.
De veranderingen gaan snel, elke week en elke maand verschijnen er weer nieuwe technieken of ideeën.
Wij blijven de nieuwe ontwikkelingen met veel belangstelling volgen zodat we in staat zijn om onze klanten altijd de meeste recente en bruikbare machine learning en kunstmatige intelligentie technologieën te kunnen bieden.