Over de tijdspanne van slechts een halfuur was de presentator in staat om een samenvatting ter waarde van een complete AI-bachelor te geven. Tijdens dit halfuur legde hij het verschil uit tussen traditioneel programmeren en machine learning: Bij traditioneel programmeren bepaald de codeur wat zijn codering doet door zijn input, terwijl in machine learning de input en output tegelijkertijd aan het systeem “gevoed” wordt om een antwoord te classificeren of voorspellen.

Wat is machine learning en waarom is het zo populair?

Dit klinkt misschien nog steeds onduidelijk, dus ik zal het concept machine learning proberen te verduidelijken aan de hand van een voorbeeld. In het geval van cijferherkenning worden plaatjes van handgeschreven getallen aan een AI (kunstmatige intelligentie) netwerk gevoed, welke vervolgens de eigenschappen van deze getallen leert. Hierna zal het systeem het getal dat de hoogste kans heeft om in het plaatje te zijn (gebaseerd op de geleerde eigenschappen) als output geven. In het geval dat de output verkeerd is, kan de programmeur het system via “back propagation” duidelijk maken waar de fout was gemaakt om het aan te passen en het systeem accurater te maken voor de volgende herhaling. Dit proces is een vorm van leren onder toezicht waarbij het systeem duidelijk gemaakt kan worden wat het goed en wat het fout doet.

Verder legde de presentator ook uit waarom machine learning – wat eind jaren 50 al opkwam als een subcategorie binnen de computerwetenschappen – onlangs terug in de belangstelling kwam. Tegenwoordig hebben we Big Data, goedkopere rekenkracht en betere algoritmes. Deze combinatie heeft machine learning nieuw leven ingeblazen en faciliteert nu nuttige toepassingen zoals fraude detectie en gezichtsherkenning systemen. Daarnaast wordt machine learning ook gebruikt voor zelf-rijdende auto’s die autonoom functioneren aan de hand van artificiële neuronen netwerken.