Deep learning: hoe moet deze AI-technologie geïmplementeerd worden?

Deep learning, of machinaal leren, is een vorm van kunstmatige intelligentietechnologie (artificial intelligence of AI), geïnspireerd door machine learning. Deze op statistieken gebaseerde benadering, stelt machines in staat om dankzij gegevens te leren. Hierdoor kunnen machines taken oplossen, zonder dat ze geprogrammeerd moeten worden of ze vooraf moeten uitvoeren. De algoritmen worden in staat om op zichzelf te leren. Ze zijn autonoom en verbeteren zichzelf zonder menselijke tussenkomst. Maar wat is deep learning dan precies? Welke infrastructuur is nodig om dit te implementeren?

Deep Learning: wat is het?

De implementatie van deep learning (evenals onder andere beeldherkenning) houdt het creëren van kunstmatige neuronen in die met elkaar zijn verbonden. Wanneer we spreken van deep learning, verwijzen we naar een groot aantal verbonden neuronen.

Deze werken op dezelfde manier als menselijke neuronen: ze wisselen een enorme hoeveelheid informatie uit en bieden het gepaste antwoord. Deep learning is geen nieuwe technologie. Er werd immers reeds in de jaren ’50 een netwerk van neuronen gemodelleerd om te begrijpen hoe de hersenen werken. 20 jaar later werd een leeralgoritme tot stand gebracht. Men moest echter tot 2012 wachten, totdat het netwerk van neuronen definitief werd gebruikt voor het oplossen van problemen. De ontwikkeling van dit netwerk werd onder meer toegestaan ​​dankzij Big Data. Hoe meer gegevens er beschikbaar zijn, hoe sneller de machine kan leren en goede resultaten kan leveren. Anderzijds droeg het verbeteren van kunstmatige intelligentie-infrastructuur ook bij aan de evolutie van deep learning, dankzij snellere GPU's. Uiteraard heeft het vergaren van kennis over het menselijk brein geholpen bij het opzetten van het netwerk van kunstmatige neuronen en heeft zo bijgedragen aan de evolutie van deep learning.

Wat is concreet gezien het nut van deep learning?

Waarvoor dient deep learning?

De deep learning-technologie wordt voornamelijk gebruikt bij de verwerking van beeld en geluid. Overigens is het ook deep learning dat wordt gebruikt voor gezichtsherkenning op het sociale netwerk Facebook. Ook in de applicatie Face ID op de iPhone vindt men dit terug, evenals op Skype: in dit geval kan het een gesproken conversatie vertalen. Er kunnen echter nog talrijke andere toepassingen worden bedacht voor deep learning, zoals tekstherkenning, voor het vertalen of produceren van vergelijkbare inhoud, medische diagnostiek, robotica, enz. De gebruiksmodi van deep learning zijn talrijk: het is niet langer nodig om de machine de "kenmerken" aan te geven die moeten worden geïdentificeerd, omdat het dankzij basisbronnen zelf kan leren.

In elk geval moet het netwerk van neuronen, om goede respons te krijgen, een training ondergaan. Laten we ons even inbeelden dat we dankzij deep learning foto’s willen identificeren waar een kubus verschijnt. Er worden vervolgens duizenden afbeeldingen naar de computer verzonden, waar een kubus wordt geïdentificeerd, in alle kleuren en genomen vanuit verschillende hoeken, samen met andere voorwerpen die geen kubussen zijn. De foto's waar kubussen verschijnen, worden handmatig geïdentificeerd, de machine vergelijkt met andere woorden zijn antwoorden met die van de mens, om te leren van zijn fouten of integendeel, om een ​​succes op te slaan.

Deep learning omvat een herhaling van oefeningen om 100% juiste antwoorden te krijgen. Deze leermethode wordt "supervised learning" genoemd. Men kan ook non-supervised learning implementeren, dit laat de machine zelfstandig leren, zonder er een precieze aanwijzing aan te geven. De machine is vervolgens in staat om de relevante onderwerpen op een foto te identificeren, na verschillende reeksen oefeningen.

Bent u van plan een deep learning oplossing voor uw bedrijf te implementeren? Als dit het geval is moet u aangepaste infrastructuren kiezen. Wat zijn hun kenmerken? Voor welke host moet u kiezen?

Voor deep learning, moet u een aangepaste infrastructuur gebruiken.

Zoals u gemerkt heeft, heeft de machine een astronomische hoeveelheid gegevens nodig om te oefenen en bevredigende resultaten te verkrijgen. Dit impliceert ook een enorm rekenvermogen. Daarom is het absoluut noodzakelijk om een aangepaste server te kiezen, die in staat is om eender welke taak te ondersteunen.

De host IKOULA biedt u twee reeksen high-end level dedicated servers, geschikt voor deep learning en machine learning, in de algemene zin:


  • Het Xtreme-aanbod: de X-Silver Core en X-Gold Core servers hebben twee keer zoveel vermogen, RAM en opslagruimte, dankzij hun dubbele processor.
  • Het Master-aanbod: de GPU Master, GPU Master XL en RAID Master servers kunnen hoge prestaties aan. Ze zijn uitgerust met de krachtige grafische kaart Nvida en een Fusion IO kaart voor de Raid Master, waardoor Flash-opslag mogelijk is.
  • Cloud IKOULA One, het cloud-aanbod van IKOULA, maakt de implementatie van gespecialiseerde CPU-instanties mogelijk, gebaseerd op machines met een vermogen van 3Ghz, die bijzonder geschikt zijn voor het intensief gebruik van processors.

Dankzij dergelijke dedicated infrastructuren is het mogelijk om een autonoom netwerk van neuronen op te zetten om uw grootschalige projecten te voltooien.



Wenst u meer informatie? Vraag advies aan een van onze specialisten. Neem contact op met onze sales afdeling