naar top
Menu
Logo Print
05/01/2018 - RORY MOERMAN

machine learning

MACHINE LEARNING: WAT WE WEL EN (NOG) NIET MOGEN VERWACHTEN

“We kunnen al heel wat, maar er is nog zoveel meer dat we nog niet kunnen"

Zeker op het vlak van computerwetenschappen gaat de ontwikkeling aan een sneltreinvaart. Daardoor kunnen we ook het IoT gebruiken en krijgen we gepersonaliseerde informatie op onze smartphone … of kan maintenance grotendeels worden geautomatiseerd. Dat laatste is mogelijk dankzij machine learning, een techniek die ervoor zorgt dat elektronische toestellen, machines en software zélf leren zonder tussenkomst van een mens. Professor Hendrik Blockeel en Wannes Meert van de KU Leuven prediken evenwel realisme: “Het blijven nog steeds slechts logische verbanden, er komt heus geen magie aan te pas."

REALISTISCH BLIJVEN

Zelflerende devices met zelfontwikkelende AI, dan kijken doemdenkers al snel richting Skynet en de Terminators. Terwijl dat eigenlijk absurd is. “Eigenlijk onderschat men hoe ver we daar nog van af staan. Men praat bv. vandaag al over zelfrijdende auto's, maar tussen theorie en praktijk gaapt nog een grote kloof, ook al boekt men voorzichtige successen in gecontroleerde omgevingen", aldus professor Hendrik Blockeel van de KU Leuven.

“Daarbij komt nog dat er bij een nieuwe technologie altijd nieuwe obstakels opduiken die eerst opgelost moeten worden, vooraleer men die nieuwe technologie effectief kan implementeren. Denk aan die zelfrijdende auto's: wie wordt bv. verantwoordelijk bij ongevallen? Dat moet eerst uitgeklaard worden vooraleer ze geïntroduceerd worden. Om maar te zeggen: de problemen die opgelost moeten worden, zijn vele malen groter dan men zou denken. Dat komt omdat wij als mens alles wat we ervaren, interpreteren. En net dat is quasi volledig afwezig bij die voertuigen. Zij kunnen bv. wel verkeersborden herkennen en ernaar handelen, maar kennen geen context. Wij weten allemaal dat die borden niet gelden als ze bv. vervoerd worden op een vrachtwagen, een computer niet. Stel je maar eens voor hoe die zou reageren (lacht). Je kunt dat dan misschien programmeren, maar dat is onbegonnen werk, aangezien er wel duizend van die situaties bestaan waarin die verkeersborden niet tellen. Ons menselijke inzicht bevindt zich nog op een dieper niveau en op dat gebied kan een computer nog heel wat zaken niet oplossen. Ooit zullen we wel een niveau van artificiële intelligentie (AI) krijgen dat ons niveau benadert, maar daar zijn we nu nog ver van af."

Hendrik Blockeel (KU Leuven): “Het probleem is dat men te weinig zicht heeft op de materie om correct in te schatten welke verwachtingen gerechtvaardigd zijn"

Geen magie

Is machine learning een buzzwoord? Feit is dat het principe booming is. “We mogen niet overdrijven", predikt Hendrik Blockeel de rust. “Mensen verwachten al snel te veel. Het probleem is dat men te weinig zicht heeft op de materie om correct in te schatten welke verwachtingen gerechtvaardigd zijn. Een computer kan een mens intussen verslaan in het schaken of in go, maar wat betekent dat? Je kunt zoiets niet zomaar vertalen naar wat die technologie voor de industrie kan betekenen."

Vooruitgang

Machine learning bestaat eigenlijk al langer dan vandaag. Het bestaat al sinds de jaren 50 en kende al een behoorlijke vooruitgang. “Vandaag zit die vooruitgang vooral in de ontwikkeling van specifieke taken. Mede daarom kon een computer van een mens winnen in het schaken of in go, of in beeldherkenning. Computers kunnen een spel winnen, beelden herkennen, en dat allemaal beter dan wij. Daar heeft AI ook meer impact. Denk maar aan digitale assistenten zoals Siri bij Apple." De grootste horde die nu genomen moet worden, is om van één specifieke taak naar meerdere taken te gaan. “De computer die wint bij het schaken, kan niet winnen in go. 
De mens kan wel iets leren om dat in een andere context toe te passen. Daar zit dan ook een groot obstakel: hoe kun je iets leren dat voor verschillende taken kan dienen?"


Als machines de repetitieve taken kunnen overnemen, is er voor de mens meer ruimte om zich te focussen op moeilijkere opdrachten (foto: Baxter Robot, Rethink Robotics)
Bij machine learning leren computers
en machines zelf wat ze moeten doen, zonder dat dit expliciet zo geprogrammeerd wordt

MACHINE LEARNING

Bij machine learning gaat het om machines die een bepaalde taak leren uitvoeren, zonder daartoe te zijn voorgeprogrammeerd . “De machine leert dan door een voorbeeld na te bootsen aan de hand van sensoren en door eerdere pogingen steeds maar te optimaliseren en te verbeteren. In beide gevallen komt er data-analyse aan te pas, waarin dan staat wat er gebeurd is en waarin je moet achterhalen waarom iets goed of fout liep."

“Het hangt af van het domein hoe makkelijk iets 'op te merken' is door een sensor", aldus Wannes Meert, research manager DTAI (Declaratieve Talen en Artificiele Intelligentie) bij KU Leuven.

“Bij Google is het makkelijk, want digitaal: het is makkelijk te achterhalen waar mensen op klikken en hoe vaak. Dat is eenvoudig te meten. Bij machines ben je beperkt tot de sensoren die beschikbaar zijn, wat nog altijd minder is dan wat we als mens kunnen. Als je maar een deel kunt observeren, kun je ook maar in die beperkte ruimte leren wat je kunt verbeteren. Wat je niet kunt zien of observeren, kun je moeilijk verbeteren."

Types

Machine learning bestaat in verschillende vormen. “Er is bv. supervised learning, waarbij je als het ware een taak toont, waarna de machine die naar best vermogen nabootst. Het systeem leert dan bij dankzij de feedback van de data-analyse.

Er is ook reinforced learning, waarbij je wel feedback hebt, maar niet rechtstreeks. Neem nu een spel schaken. Je laat het systeem spelen en op het einde leert het systeem dat het gewonnen of verloren heeft. Waarom dat zo is en op basis van welke zetten, dat moet het systeem zelf leren door veel te spelen en zetten zelf te analyseren.

Dan is er unsupervised learning. Hierbij moet het systeem op basis van clustering en groepering patronen of afwijkingen herkennen. Je hebt bv. een groep katten. Bij deze vorm van learning moet het systeem zonder input bepalen dat de voorgestelde exemplaren op elkaar lijken en gelijkaardig zijn, en er een definitie of naam op zetten. Bij supervised zeg je: “dat is een kat", en kan het systeem in de toekomst andere katten herkennen."

Classification, clustering, ranking

Daarnaast bestaan er nog andere manieren tot machine learning, zoals classificatie, clustering, ranking of regressie.

“Bij supervised learning heb je bv. de classificatie, waarbij het systeem kan kiezen uit A, B of C. Gaat het om een getal zoals de temperatuur, dan spreken we over regressie. Dan willen we echter niet leren of iets 10 of 11 is, maar willen we het bereik kennen.

Dan heb je ook nog de ranking. Je kijkt niet naar de waarden an sich, maar wel naar de volgorde. Dat doet Google bij zijn zoekresultaten, die gerangschikt zijn o.b.v. populariteit en/of relevantie", aldus Wannes Meert. “Die ranking is dan nog onderhevig aan een profiel: je krijgt immers andere volgordes, afhankelijk van wie het opzoekt en waar je het opzoekt. Zoek je bv. een lekker restaurant op, dan krijg je een ander resultaat in Leuven dan in pakweg Brussel of New York."

Wat draagt machine learning bij?

De opportuniteiten van zelflerende machines zijn legio: de machines leren uit zichzelf hoe ze efficiënter kunnen werken, en er is meer uptime omdat predictive maintenance mogelijk wordt. Dat zorgt ook voor een hoger rendement omdat de machine sneller een onderhoud krijgt of nieuwe onderdelen. Wannes Meert ziet evenwel nog een ander voordeel: “Ik voeg graag individualisatie toe aan dat rijtje. Je kunt nu machines individueel observeren met hun eigen karakteristieken, in tegenstelling tot vroeger, toen je vooral systemen observeerde, ook al waren niet alle machines even goed afgestemd op dat systeem. Denk bijvoorbeeld aan de veiligheidsnormen, die algemeen zijn opgesteld en worden toegepast op elke machine. Via machine learning kun je dat nu op iedere machine individueel afstemmen. Je kunt zo meer uit de machine halen én je kunt meteen detecteren als er iets mis zou gaan. Dat kan echter alleen maar als de machine zelf kan leren hoe die zich gedraagt in welke omstandigheden, zoals nabij een trillende machine, in de warmte … Er komt zo ook een interessante trend aan het licht voor onderhoudsbedrijven: 'maintenance as a service'. Onderhoud kan nu losstaan van een leverancier en onderhoudsbedrijven kunnen onafhankelijk functioneren. Zij zijn dan ook erg geïnteresseerd in machine learning omdat hun businessmodel staat of valt met het goed inschatten van machines waar ze geen band mee hebben (ze hebben ze immers niet zelf gebouwd of geplaatst). Ze willen de monitoring van die machines dan ook automatiseren met extra toestellen en sensoren. 
Zo kunnen die bedrijven automatiseren wanneer zij hun personeel moeten uitzenden, en moeten ze niet dagelijks bij de machines langs om ze te controleren. Bovendien worden bij de monitoring de machines opgevolgd om anomalieën te leren detecteren.

Wannes Meert (KU Leuven): "ML draait ook heel vaak bij kleinere bedrijven. Heel wat innovatie komt uit die hoek, omdat je ML in principe al kunt doen met slechts één computer en cloudservice"

 

WAT MET I4.0?

Alles is vandaag gelinkt aan Industrie 4.0 en dus ook aan machine learning. “Zij het niet rechtstreeks", verduidelijkt Wannes Meert. “Wat I4.0 doet voor machine learning, is de meetbaarheid van veel meer zaken. Doordat alles is verbonden dankzij het Internet of Things, kan machine learning veel meer data verzamelen en analyseren, om zo feedback te genereren en algoritmes te trainen."
“De wisselwerking gebeurt ook omgekeerd: I4.0 is gebaat bij machine learning omdat de machines automatisch kunnen leren. Zo kan machine learning gezien worden als een opportuniteit om productieprocessen te optimaliseren", aldus Hendrik Blockeel.


DEEP LEARNING

Bij machine learning heb je een onderdeel, genaamd deep learning. Hier ga je werken met verschillende tussenlagen tussen input en output. “Bij 'conventionele' machine learning heb je input en output, en zoeken we het verband daartussen. Bij deep learning heb je tussen de input en output nog verschillende onderliggende niveaus, waar je de input niet hebt. Je moet die zelf bepalen en de verbanden zelf zoeken, wat vaak aartsmoeilijk is. Vergelijk het met een auto: niemand kan zeggen hoeveel bouten die bevat. Daarom ga je de auto opbreken in verschillende niveaus - de motor, het koetswerk … - om die daarna nog vele keren op te delen. Van de motor ga je bv. naar de turbo, die zich dan weer opdeelt in zijn uiteindelijke afzonderlijke onderdelen. Zo kom je tot een hiërarchische structuur, wat alles wat eenvoudiger maakt. Vroeger kon de computer het perfect aan om in die verschillende niveaus te werken omdat je zelf zei wat die niveaus waren. Als je dat niet doet, wordt het een pak moeilijker. En daar slaagt deep learning voor een groot deel wél in."


Als machines de repetitieve taken kunnen overnemen, is er voor de mens meer ruimte om zich te focussen op moeilijkere opdrachten (foto: Baxter Robot, Rethink Robotics)
Data zijn essentieel bij machine learning. Door feedback te creëren op de data, leert het systeem uit zijn eventuele fouten en past het zich aan om beter, efficiënter en/of sneller te werken

ALLES IS DATA

Machine learning gaat meer en meer uit van het model-free werken: werken op basis van data in plaats van een model.

“Bij complexere machines moet je echter de combinatie maken: je begint bij een model met bv. veiligheidstoleranties, waarna de machine gaat draaien en na verloop van tijd data kan verzamelen. De machine analyseert zelf de data en stuurt zichzelf bij om efficiënter te werken.

Een bekend topic is predictive maintenance, waarin we de trend van een machine leren. Vroeger gebeurde dat met statistische gegevens, vandaag is dat meer met data-driven kennis, zodat je aan de hand van data kunt voorspellen wanneer een machine moet worden onderhouden of wanneer het ideale rendement behaald kan worden. Zo leer je snel wanneer bv. een machineonderdeel vervangen moet worden. Daarnaast werkt machine learning om anomalieën te detecteren. Zo kan je maintenanceploeg sneller ingeschakeld worden om een probleem op te lossen. Je kunt immers snel detecteren of je machine zich afwijkend begint te gedragen, waarna je een ploeg erop afstuurt om de zaken bij te regelen, vooraleer de machine effectief stukgaat."

Hendrik Blockeel plaatst een grote kanttekening bij dit verhaal: “We kunnen die algoritmes wel doen werken, maar er moeten vooral data aanwezig zijn om goed te kunnen werken. Er is geen magie aan: als je geen data hebt, kun je gewoon niet verder."

Wannes Meert: “Als je als maintenancebedrijf honderd sensoren op een machine hangt en naar machine learning doorstuurt, dan word je niet op magische wijze een goed maintenancebedrijf. Je moet die feedback op die data genereren. De clue is: mensen meten alles, maar daar ben je niets mee. Het is met de feedback van de data waarmee je aan de slag moet gaan en die resultaten kan leveren. In het geval van maintenance gaat het bv. om het automatisch maken van fiches bij inspecties. Zorg ervoor dat je een interface hebt waarmee je snel en eenvoudig kunt aanduiden dat een machine geïnspecteerd is, wat je gedaan hebt, wat er eventueel fout liep en waarom. Laat machines zichzelf ook automatisch inspecteren. Als je dus wil automatiseren, moet je echt een groot deel van je taken willen automatiseren, en niet één stukje ervan."

Openheid troef?

Het valt op dat heel wat machinelearningsoftware open source is. De algoritmes zijn vrij verkrijgbaar bij allerlei spelers - maar dat is heus niet uit liefdadigheid. Vaak doen grotere spelers daarmee aan klantenbinding of aan een 'lock-in'. De gebruiker werkt met software van een speler en gaat ook voor andere toepassingen rekenen op die speler. “Daarnaast zorgen gebruikers van de software voor verbeteringen middels troubleshooting of eigen suggesties. De ontwikkelaar hoeft niet langer zelf middelen te investeren om zelf op zoek te gaan naar verbeteringen in zijn software, maar hoeft die input van zijn gebruikers enkel toe te passen en zijn software te updaten. Bovendien zullen gebruikers met de algoritmes aan de slag gaan en data genereren. Die enorme stroom aan data wordt dan wel exclusief teruggestuurd naar de ontwikkelaars. Ieder bedrijf kan data verzamelen en zou dat ook beter doen; daaruit kun je heel wat leren om je efficiëntie te verhogen. Het is echter ook een grote investering en er gaat heel wat denkwerk aan vooraf: wat moet je meten en wat niet, hoe ga je dat meten en met welke sensoren? Wat doe je met de data en wat is de achterliggende businesscase? Dat moet je je allemaal afvragen. Die vragen zijn ook belangrijker dan je af te vragen welk type machine learning je wil gebruiken."


MENS EN MACHINE

“Machine learning helpt mensen om meer relevante antwoorden te geven of om beter te leren en te begrijpen wat wij van de machine vragen", zo verklaart Hendrik Blockeel de voordelen van machine learning voor de relatie tussen mens en machine. Dat wordt al met succes toegepast in de robotica, zegt Wannes Meert: “Een robot programmeren is erg complex en tijdsintensief. Nu zie je meer en meer dat iemand een handeling gewoon toont en dat de robot die nabootst. De robotarm wordt zelfs fysiek in de juiste richting geduwd als die een verkeerde beweging uitvoert. Zo leert de robot automatisch uit zijn fouten en komt die tot de optimale handeling. Op dat vlak is er al heel wat vooruitgang geboekt in het automatiseren van kleinere taken, zoals een lading verplaatsen, het vastschroeven van een onderdeel of om in Excel kolommen aan te maken en aan te vullen. Op die manier wordt de mens ontlast van de repetitieve taken, waardoor hij meer tijd heeft voor de moeilijkere opdrachten.“


“BELGIË DRAAIT MEE IN DE KOP VAN HET PELOTON"

Wannes Meert (KU Leuven)
Wannes Meert (KU Leuven)

Professor Hendrik Blockeel en Wannes Meert zijn beiden actief op het departement Computerwetenschappen aan de KU Leuven. Beiden zijn actief in de subdivisie DTAI (Declaratieve Talen en Artificiële Intelligentie).

In DTAI fungeert Hendrik Blockeel er als academisch lid dat de divisie bijstaat inzake visie, advies en ondersteuning. Wannes Meert is er research manager in de onderzoeksgroep Machine Learning en Artificiële Intelligentie.

Meedraaien aan de top

Hendrik Blockeel (KU Leuven)
Hendrik Blockeel (KU Leuven)

Ons land doet het overigens niet slecht inzake de technologische ontwikkelingen, o.a. inzake machine learning. “We zitten wat op het niveau van de meeste andere landen in West-Europa en de VS. We doen dus wel mee met de grote jongens, al moet je weten dat er zoveel specifieke onderwerpen zijn waarrond je kunt werken", vindt Hendrik Blockeel.

“Wat we in België wel missen, is de link met het veld. In de VS heb je Google of Amazon om de hoek, waarmee je interactie kunt hebben. Dat missen we hier wel wat", zegt Wannes Meert. “Een belangrijk punt is wel: ML draait ook heel vaak bij kleinere bedrijven. Heel wat innovatie komt uit die hoek, omdat je ML in principe al kunt doen met slechts één computer en cloudservice. Ook in ons land heb je wel verschillende kleinere bedrijven die lustig innoveren."