Machine Learning

Deep Learning

Reinforcement Learning

Transfer Learning

Machine Reasoning

Unsupervised Learning

Deep Learning

Wat is machine learning eigenlijk?

Bij machine learning ontvangt de computer zowel invoergegevens als de verwachte, bij deze gegevens behorende antwoorden. Het machine learning systeem moet vervolgens zelf de regels en wetmatigheden formuleren. Deze regels en voorspellende modellen kunnen vervolgens worden toegepast op nieuwe data om nieuwe, correcte antwoorden te produceren. Een machine learning-systeem wordt getraind in plaats van expliciet geprogrammeerd.

Door de recente ontwikkelingen inzake CPU power gecombineerd met nieuwe learning algoritmen zijn de mogelijkheden van machine learning schier onbegrensd. Denk aan dedicated hardware voor quantum ML, GPU ML of neuromorphic ML. Machine learning zorgt momenteel voor een nieuwe golf van digitale disruptie.

Machine reasoning

Door machine reasoning wordt het mogelijk om zinvolle gesprekken met een AI te voeren (deep natural language understanding), te plannen en processen te optimaliseren. Resultaat is een robot of een algoritme met gezond verstand, die causale verbanden kan leggen. Machine learning, artificiële intelligentie, big data en blockchain zijn niet alleen bruikbaar voor data analyse en het verhogen van bedrijfsprestaties, maar spelen ook een potentiële rol bij verhoging van aandeelhoudersparticipatie. Hetgeen een positieve impact heeft op een bedrijf dat ML gebruikt. Door het gebruik van autoML (zoals Google Dopamine en Intel Coach) wordt dit proces laagdrempeliger. Machine learning is big business in de digitale economie!

En deep learning, wat is dat?

Deep learning is een geavanceerde vorm van machine learning en kan een breder gamma aan data verwerken. Deep learning vereist minder door mensen voorbewerkte gegevens, en is in staat nauwkeurigere resultaten te produceren dan traditionele machine-lerende benaderingen. Bijvoorbeeld op het gebied van content classificatie. Hierbij wordt vaak de (semi)unsupervised learning methode gebruikt. Een deep learning algoritme is in staat om verschillende subtypes van dementie te herkennen. Machine learning helpt daardoor bij de early stage diagnose, gepersonaliseerde medische zorg en bij het ontwikkelen van nieuwe behandelmethoden en medicijnen tegen ziektes als Alzheimer.

Reinforcement learning

Met behulp van reinforcement learning, waarbij het algoritme zichzelf corrigeert en optimaliseert, is het bijvoorbeeld mogelijk om een computerprogramma beter te leren schaken, een zelfrijdende auto zich veiliger te laten gedragen op de weg, productie- en distributielijnen alsmede voorraadbeheer te automatiseren met behulp van robots of de inkoop en verkoopstrategie van een financieel trading platform te optimaliseren.

Deep reinforcement learning

De (vernieuwende) combinatie van deep learning en reinforcement learning staat bekend als deep reinforcement learning. Een voorbeeld van een AI die gebruik maakt van deep reinforcement learning is AlphaGo Zero, die in 2017 de beste menselijke Go speler versloeg. Een nieuwe vorm van RL is imitations learning, waarbij een robot uitgerust met AI een mens nadoet en zo leert c.q. wordt getraind.

Software voor gezichtsherkenning, stemherkenning en afbeeldingclassificatie

Bekende voorbeelden van deep learning zijn afbeelding classificatie programma’s en software voor gezichtsherkenning en stemherkenning. Het neurale netwerk kan bijvoorbeeld leren hoe een mens eruitziet, en een mens als zodanig in een andere setting, zoals op de fiets of overstekend op een zebrapad, herkennen. Deze toepassing van deep learning wordt door de auto industrie gebruikt in zelfrijdende auto software. Andere bekende – inmiddels volwassen - toepassingen zijn text to speech en speech to tekst of image to text en image to audio toepassingen.

Transfer learning

Kunstmatige intelligentie (KI) is op dit moment met name goed in het verrichten van één specifieke taak. Een one trick pony als het ware. Transfer learning is een machine learning methode die tracht om een bepaald oplossingsmodel voor een bepaald probleem dat uit een kunstmatig neuraal netwerk is gekomen ook toe te passen op een volgend, ander probleem. Een vooraf getraind model toepassen op nieuwe datasets dus. Inductive transfer is een vorm van transfer learning. Door optimalisatieprocessen gaat het aanleren van een tweede vaardigheid dan vele malen sneller dan het volbrengen van de eerste taak.

Multi-tasken

Door transfer learning kunnen slimme computers straks multi-tasken. Transfer learning kan ook worden toegepast op of gecombineerd met natural language processing. Transfer learning betekent weer een stap dichter bij menselijke intelligentie die een AI in staat stelt een hele waaier aan skills te ontwikkelen. Dichterbij Artificiële Super Intelligentie!

Neuronen

Bij deep learning, vormen onderling verbonden lagen van software-gebaseerde rekenmachines, metaforisch ‘neuronen’ genaamd, samen een mechanisch neuraal netwerk. Computerwetenschappers hebben hier inspiratie opgedaan uit de neurowetenschappen. Hoe gelaagder dit neurale netwerk is en hoe meer neuronen hierin aanwezig zijn, des te beter kan een dergelijke deep learning systeem omgaan met ruis in de data (gegevens met een lagere signal tot noise ratio, minder relevant of zelfs corrupte data). Een voorbeeld is een Deep Neural Network (DNN).

Neuraal netwerk

Dit neurale netwerk, dat bestaat uit een stelsel van inwendig verbonden neuronen, kan grote hoeveelheden input data innemen en middels meervoudige lagen verwerken, en bij elke nieuwe gegevenslaag een groter aantal complexe eigenschappen van deze data leren herkennen. Het netwerk kan daarbij een specifieke eigenschap van deze data leren, determineren of de bepaling juist is, en vervolgens – als een denkstap - hetgeen het heeft geleerd toepassen teneinde nieuwe eigenschappen en karakteristieken in nieuwe gegevens te ontwaren. Vaak gebeurt dit op voor mensen onverwachte, ongrijpbaar en contra-intuïtieve wijze.

Convolutional neural network (CNN)

Twee belangrijke soorten deep learning die u - afhankelijk van het type dataset dat u tot uw beschikking heeft - kunt inzetten, zijn het convolutional neural network (CNN) en het recurrent neural network (RNN). Bij het analyseren van afbeeldingen, zoals diagnostische medische scans en non-invasieve MRI’s, longfoto’s of het opsporen van ondeugdelijke producten, zoals auto-onderdelen, elektronica, speelgoed, smartphones, cosmetica en verpakkingsmaterialen of levensmiddelen zoals brood en koekjes op een productielijn in een fabriek, gebruikt u het convolutional neural network.

Deep recurrent neural network (RNN)

Bij tijdreeksanalyse van multidimensionale datasets waaronder audiobestanden en tekst, zoals vertalingen, veiligheidsassessments, het opsporen van creditfraude of het ontwikkelen van marketing chatbots, gebruikt u een deep recurrent neural network. Zoals Neural Machine Translation (NMT), dat de kans op een bepaalde sequens of volgorde van woorden steeds beter voorspelt. In sommige scenario’s, zoals het analyseren van satellietbeelden na een ramp, gebruikt u een combinatie van beide neuraal netwerk modellen.

Supervised, unsupervised en semi-supervised learning

Er bestaan verschillende machine learning methoden & technieken. Bij supervised learning zijn alle invoergegevens gelabeld en leren de algoritmen de output van de ingevoerde data te voorspellen. Het labelen van de data is een voor mensen erg arbeidsintensief proces. Bij unsupervised learning is de data niet gelabeld en leren de algoritmen de onderliggende structuur van de input data te modelleren. Dit proces is meer geautomatiseerd. In geval van semi supervised learning zijn sommige gegevens gelabeld, maar het meeste is ongelabeld. Hierbij kan er een combinatie van supervised en unsupervised learning technieken worden gebruikt. De verwachting is dat het ML proces gaandeweg naar unsupervised learning en reinforcement learning zal shiften.

Intellectueel eigendomsrechtelijke bescherming

Enkele aspecten of liever gezegd onderdelen van deep learning en AI programmatuur die voor intellectueel eigendomsrechtelijke bescherming in aanmerking kunnen komen, zijn het computerprogramma oftewel de software, de training data, de samenhangende eigenschappen c.q. de topologie van het neurale netwerk, de hardware c.q. de server, chips, cpu’s, supercomputer, de AI applicatie en tenslotte het inferentiemodel, oftewel redeneermethoden, ervaringsregels, predictie, statistisch voorspellen en schattingen maken, betrouwbaarheidsverzamelingen, hypothesetoetsen, en het toepassen van leermodellen uit big data, zoals Bayesiaanse inferentie en niet-parametrische inferentie. In situaties waar sprake is van overdracht, licentie of fysiek gebruik dienen deze zaken voor alle betrokken partijen helder te zijn, en waar nodig contractueel vastgelegd.

Europese Softwarerichtlijn

De EU Softwarerichtlijn zegt in artikel 1 het volgende over de beschermingsomvang van computerprogramma’s:

Artikel 1

Voorwerp van de bescherming

1. Overeenkomstig deze richtlijn worden computerprogramma's door de lidstaten auteursrechtelijk beschermd als werken van letterkunde in de zin van de Berner Conventie voor de bescherming van werken van letterkunde en kunst. De term „computerprogramma” in de zin van deze richtlijn omvat ook het voorbereidend materiaal.

2. De bescherming overeenkomstig deze richtlijn wordt verleend aan de uitdrukkingswijze, in welke vorm dan ook, van een computerprogramma. De ideeën en beginselen die aan enig element van een computerprogramma ten grondslag liggen, met inbegrip van de ideeën en beginselen die aan de interfaces daarvan ten grondslag liggen, worden niet krachtens deze richtlijn auteursrechtelijk beschermd.

3. Een computerprogramma wordt beschermd wanneer het in die zin oorspronkelijk is, dat het een eigen schepping van de maker is. Om te bepalen of het programma voor bescherming in aanmerking komt, mogen geen andere criteria worden aangelegd.

4. De bepalingen van deze richtlijn gelden eveneens voor programma's die vóór 1 januari 1993 gemaakt zijn, onverminderd vóór die datum verrichte handelingen en verworven rechten.

Toestemming geven aan gebruikers van uw AI applicatie

Het gaat hierbij om maximalisatie van uw intellectueel eigendomsrechtelijke portfolio als neuraal netwerk of AI applicatie ontwikkelaar. Juridische tools hierbij zijn het auteursrecht, patenten, databankenrecht en bedrijfsgeheim. Het is daarbij belangrijk dat per onderdeel het juiste juridische instrument wordt ingezet zodat uw digitale activa daadwerkelijk worden beschermd. De functionaliteit van software en algoritmes wordt momenteel namelijk niet beschermd door het auteursrecht. Toch willen wij reverse engineering, plagiaat en gebruik of wijziging zonder uw toestemming zoveel mogelijk tegengaan.

Toestemming verkrijgen: Licentie voor Trainingsdata

Ook kan het in juridisch technische zin het geval zijn dat u zelf een licentie nodig heeft om uw AI de benodigde trainingsdata te mogen voeren. Dat kan zo zijn bij muziek. Op muziekwerken en audiobestanden rusten doorgaans een aantal actieve intellectuele eigendomsrechten, waaronder auteursrechten en naburige rechten. Aan het gebruik van die composities en de master recordings ervan kan voorafgaande toestemming verbonden zijn.

Databankenrecht

Aan de andere kant is het tevens denkbaar dat er vervolgens een databankrecht ontstaat op de door u vergaarde gegevensverzameling. De exacte omstandigheden van het geval tesamen met een specialistische juridische kwalificatie zal hier uitsluitsel moeten bieden inzake de mogelijkheden en de verplichtingen jegens rechthebbende derden.

Deep learning in de boardroom

Deep learning kan in de boardroom helpen om interne risicobeheersings- en controlesystemen te verbeteren. Bovendien kunnen deze technologieën ook worden aangewend om besluitvormingsprocessen binnen een bedrijf te optimaliseren, en kunnen zij het bestuur van een onderneming, oftwel corporate governance, en de communicatie tussen de afzonderlijke bestuurslagen in zijn algemeenheid efficiënter maken.

Deep learning op executive niveau

Op executive niveau kan een combinatie van agile besturen en efficiënt gebruik van artificiële intelligentie toepassingen resulteren in beter leiderschap en minder stress. Leiding geven op basis van deze nieuwe methoden betekent in onze complexe en dynamische samenleving de juiste koers uitzetten en een heldere, doelgerichte visie ontplooien, in plaats van het formuleren van een nauwgezet omschreven eindpunt met bijbehorend tijdpad. Waarbij de reis er naartoe belangrijker is dan het bereiken van einddoel an sich.

Juridisch kader, legal framework

Wat verstaat de wetgever onder machine learning? Welke voorschriften gelden er voor deep learning, machine reasoning en reinforcement learning in een kunstmatig neuraal netwerk? Moeten ik een kill switch inbouwen? Is er AI wetgeving op mij van toepassing? Hoe zit het met AutoML, user interfaces, edge devices, kubernetes en containers? Met welk legal framework heb ik te maken? Neem contact met ons op voor een gespecialiseerd jurist transfer learning en reinforcement learning regelgeving die u uitleg kan geven over het juridische kader van deze revolutionaire technologie.