Waar kom je zelf deep learning tegen?

Waar kom je deep learning tegen: 6 dagelijkse voorbeelden

Dagelijks word je omringd door geavanceerde technologie die jouw interacties met apparaten en diensten verbetert. Begrijpen waar kom je deep learning tegen helpt je inzien hoe data-analyse jouw digitale ervaringen persoonlijk maakt. Verken de diverse manieren waarop deze slimme algoritmen op de achtergrond jouw dagelijks leven ondersteunen en efficiënter maken.

Waar kom je zelf deep learning tegen?

Deep learning is een krachtige vorm van kunstmatige intelligentie die werkt met kunstmatige neurale netwerken. Je komt het in het dagelijks leven waarschijnlijk vaker tegen dan je denkt, in apps en diensten die je dagelijks gebruikt.

Deep learning analyseert continu enorme hoeveelheden data om patronen te herkennen, waardoor software steeds slimmer wordt zonder dat een programmeur elke regel code handmatig hoeft aan te passen. Het is de motor achter de meest geavanceerde functies op je smartphone en online.

Slimme assistenten en taalverwerking

Virtuele assistenten zoals Siri of Google Assistant gebruiken deep learning om menselijke taal te begrijpen. Ze verwerken gesproken opdrachten en geven logische antwoorden, zelfs als je mompelt of in een rumoerige omgeving staat.

Deze systemen worden getraind op miljoenen uren aan menselijke spraak om nuances en context te begrijpen. De foutmarge bij spraakherkenning is de laatste jaren aanzienlijk gedaald,^[1] waardoor de interactie met apparaten bijna natuurlijk aanvoelt.

Beeld- en gezichtsherkenning in je broekzak

De camera van je smartphone maakt continu gebruik van deep learning. Denk aan het herkennen van scènes, het optimaliseren van belichting of het automatisch groeperen van fotos in Google Fotos of Apple Fotos op basis van objecten zoals honden of stranden.

In mijn ervaring is het soms bijna eng hoe accuraat dit is. Ik zocht laatst naar een foto van een specifieke vakantie en typte simpelweg berg in de zoekbalk; de app filterde direct alle relevante beelden uit duizenden fotos. Dit bespaart uren aan handmatig sorteerwerk.

Automatische vertalingen en ondertiteling

Online vertaalservices en tools die automatisch ondertiteling genereren voor videos, zoals op YouTube, gebruiken deep learning om woorden en context vloeiend naar een andere taal om te zetten.

Systemen die tekst vertalen, bereiken nu in veel talencombinaties een hoge accuraatheid in vergelijking met menselijke vertalingen.^[3] De techniek achter deze vertalingen leert continu bij door miljoenen teksten te vergelijken, waardoor zinsbouw steeds natuurlijker klinkt.

Streamingdiensten en webshops

Diensten zoals Netflix en Spotify analyseren jouw kijk- en luistergedrag tot in detail. Deep learning-algoritmen voorspellen welke films of nummers het beste bij jouw smaak passen, vaak nog voordat je zelf weet waar je naar op zoek bent.

Dankzij deze voorspellingen stijgt de tijd die gebruikers besteden aan deze platformen aanzienlijk. Bij grote streamingdiensten komt tegenwoordig een groot deel van de bekeken content voort uit aanbevelingen die door deze systemen worden gegenereerd. ^[2]

Vervoer en bankwezen

Zelfrijdende autos maken gebruik van deep learning om objecten zoals voertuigen, voetgangers en verkeersborden in realtime te identificeren. Daarnaast gebruiken banken de techniek voor fraudedetectie door razendsnel transactiedata te analyseren en afwijkend betaalgedrag op te sporen.

Fraudedetectiesystemen kunnen tegenwoordig transacties blokkeren die met hoge waarschijnlijkheid frauduleus zijn,^[4] nog voordat het geld van je rekening is afgeschreven. Dit biedt een belangrijke beveiligingslaag in een wereld waar toepassingen van deep learning in het dagelijks leven de standaard zijn geworden.

Toepassingen van AI-technieken

Regelgebaseerde AI

• Laag; kan niet leren van nieuwe data

• Volgt strikte instructies (Als A, dan B)

• Eenvoudige chatbots of rekenmachines

Deep Learning (Neurale netwerken)

• Zeer hoog; verbetert zichzelf continu

• Leert patronen uit enorme datasets

• Gezichtsherkenning, spraak, zelfrijdende auto's

De uitdaging van Sophie met online aanbevelingen

Sophie, een 28-jarige marketingmedewerker uit Utrecht, raakte gefrustreerd toen haar Spotify-afspeellijsten steeds dezelfde nummers bevatten. Ze dacht dat het algoritme vastzat en zocht online naar oplossingen.

Ze probeerde handmatig artiesten te blokkeren, maar het bleef maar aanbevelingen geven die helemaal niet bij haar humeur pasten. De eerste week was het vooral irritant en zonde van haar luistertijd.

Het bleek dat ze onbedoeld te veel muziek uit één genre had geluisterd, waardoor het algoritme dacht dat ze dit het liefste hoorde. Ze begon actief andere genres te liken en te zoeken in plaats van alleen de 'Discover Weekly' te luisteren.

Binnen een maand veranderden de aanbevelingen volledig. De nauwkeurigheid van de voorstellen verbeterde met ongeveer 40% (gevoelsmatig), en ze ontdekte drie nieuwe favoriete artiesten die ze anders nooit had gevonden.