Contents
ML-modellen worden gevoed door gegevens en zijn de wiskundige motoren van AI, uitdrukkingen van algoritmen die patronen vinden en voorspellingen sneller doen dan een mens kan dat.
Als je een auto koopt, is de eerste vraag welk model — een Honda Civic voor goedkoop woon-werkverkeer, een Chevy Corvette om er goed uit te zien en snel te gaan, of misschien een Ford F- 150 om zware lasten te sjouwen.
Voor de reis naar AI, de meest transformationele technologie van onze tijd, heb je een machine learning-model nodig.
Wat is een machine learning-model?
Een machine learning-model is een uitdrukking van een algoritme dat door bergen gegevens kamt om patronen te vinden of voorspellingen te doen. Gevoed door data zijn machine learning (ML)-modellen de wiskundige motoren van kunstmatige intelligentie.
Een ML-model voor computervisie kan bijvoorbeeld auto's en voetgangers identificeren in een realtime video. Een voor natuurlijke taalverwerking zou woorden en zinnen kunnen vertalen.
Onder de motorkap is een model een wiskundige weergave van objecten en hun relaties met elkaar. De objecten kunnen van alles zijn, van “vind-ik-leuks” op een sociale netwerkpost tot moleculen in een laboratoriumexperiment.
ML-modellen voor elk doel
Zonder beperkingen op de objecten die kenmerken kunnen worden in een ML-model is er geen limiet aan het gebruik voor AI. De combinaties zijn oneindig.
Gegevenswetenschappers hebben hele families machine learning-modellen gemaakt voor verschillende toepassingen, en er zijn er nog meer in de maak.
Een korte taxonomie van ML-modellen
| ML-modeltype | Gebruikt gevallen |
|---|---|
| Lineaire regressie/classificatie | Patronen in numerieke gegevens, zoals financiële spreadsheets |
| Grafische modellen | Fraudedetectie of sentimentbewustzijn |
| Besluitbomen/willekeurige bossen | Uitkomsten voorspellen |
| Deep learning neurale netwerken | Computervisie, natuurlijke taalverwerking en meer |
Lineaire modellen gebruiken bijvoorbeeld algebra om relaties tussen variabelen te voorspellen in financiële prognoses. Grafische modellen drukken in diagrammen een waarschijnlijkheid uit, bijvoorbeeld of een consument ervoor kiest om een product te kopen. Sommige ML-modellen lenen de metafoor van takken en nemen de vorm aan van beslisbomen of groepen daarvan die willekeurige bossen worden genoemd.
In de oerknal van AI in 2012 vonden onderzoekers deep learning een van de meest succesvolle technieken om patronen te vinden en voorspellingen te doen. Het maakt gebruik van een soort machine learning-model dat een neuraal netwerk wordt genoemd omdat het is geïnspireerd op de patronen en functies van hersencellen.
Een ML-model voor de massa
Deep learning dankt zijn naam aan zijn naam van de structuur van zijn machine learning-modellen. Ze stapelen laag op laag van kenmerken en hun relaties, en vormen zo een wiskundige heldensandwich.
Dankzij hun griezelige nauwkeurigheid bij het vinden van patronen, verschijnen overal twee soorten deep learning-modellen, beschreven in een aparte uitleg.
Convolutionele neurale netwerken (CNN's), vaak gebruikt in computervisie, werken als ogen in autonome voertuigen en kunnen helpen bij het opsporen van ziekten in medische beeldvorming. Terugkerende neurale netwerken en transformatoren (RNN's), die zijn afgestemd om gesproken en geschreven taal te analyseren, zijn de motoren van Amazon's Alexa, Google's Assistant en Apple's Siri.
Deep learning neurale netwerken hebben hun naam te danken aan hun meerlagige structuur.
Pssssst, kies een vooraf getraind model
Pssssst, kies een vooraf getraind model
Het kiezen van de juiste serie modellen — zoals een CNN, RNN of transformator — is een goed begin. Maar dat is nog maar het begin.
Als je met de Baja 500 wilt rijden, kun je een standaard duinbuggy aanpassen met zware schokken en robuuste banden, of je kunt winkelen voor een voertuig dat voor die race is gebouwd.
In machine learning heet dat wat een voorgetraind model. Het is afgestemd op grote sets trainingsgegevens die vergelijkbaar zijn met gegevens in uw gebruiksscenario. Gegevensrelaties — gewichten en vooroordelen genoemd — zijn geoptimaliseerd voor de beoogde toepassing.
Er is een enorme dataset, veel AI-expertise en aanzienlijke rekenkracht nodig om een model te trainen. Slimme kopers kopen voorgetrainde modellen om tijd en geld te besparen.
Wie ga je bellen?
Als je op zoek bent naar een vooraf getraind model, zoek dan een dealer die je kunt vertrouwen.
NVIDIA dankt zijn naam aan een online bibliotheek, de NGC-catalogus genaamd, die vol staat met doorgelichte, vooraf getrainde modellen. Ze bestrijken het spectrum van AI-taken, van computervisie tot conversatie-AI en meer.
Gebruikers weten wat ze krijgen omdat modellen in de catalogus worden geleverd met cv's. Ze zijn als de referenties van een potentiële medewerker.
Model-cv's tonen u het domein waarvoor het model is getraind, de dataset waarmee het is getraind en hoe het naar verwachting zal presteren. Ze bieden transparantie en vertrouwen dat u het juiste model kiest voor uw gebruik.
Meer bronnen voor ML-modellen
Bovendien zijn NGC-modellen klaar voor transfer learning. Dat is de laatste aanpassing die modellen koppelt aan de exacte wegomstandigheden waarop ze zullen rijden: de gegevens van uw applicatie.
NVIDIA biedt zelfs de sleutel om uw NGC-model af te stemmen. Het heet TAO en je kunt je vandaag nog aanmelden voor vroege toegang.
Ga voor meer informatie naar:
- Onze webpagina over voorgetrainde modellen
- Een gids voor de NGC-catalogus
- Onze webpagina over Tao en gerelateerde tools
- Een blog voor ontwikkelaars over het gebruik van vooraf getrainde modellen voor computervisie om een app voor gebarenherkenning te bouwen
- Een toespraak van GTC 21 over transfer learning (gratis te bekijken na registratie)
Chris Parsons
Hoofdproductmanager voor NGC, NVIDIA
Hoofdproductmanager voor NGC, NVIDIA
