Startpagina / Blog / 5 inspirerende voorbeelden van Machine Learning

2018 wordt het jaar van de data science, machine learning en kunstmatige intelligentie. Iedereen kent deze termen inmiddels, de vraag is echter wat wel en niet werkelijkheid kan worden. Eerder schreven we al wat wel en niet mogelijk is, daarom dit keer geen ingewikkeld verhaal, maar een aantal bestaande voorbeelden:

#Herkennen van kanker

“Kunstmatige intelligentie verslaat dokters op het gebied van visuele diagnose van longkanker”, een veelbelovende titel. Wetenschappers hebben een model getraind met meer dan 2000 foto’s van soorten kanker om de verschillende kenmerken die tot een diagnose kunnen leiden te identificeren. Terwijl mensen slechts honderd signifiers konden identificeren, identificeerde dit model er niet minder dan 10.000. Niet heel vreemd, aangezien machine learning-modellen veel beter zijn in het herkennen van patronen dan mensen. Op deze manier zouden op een veel grote schaal foto’s geanalyseerd kunnen worden, of kan een specialist een extra seintje krijgen waar iets lijkt af te wijken. Het laat alvast goed de veelbelovende mogelijkheden zien voor de toekomst van onze gezondheidszorg.

Bron: Extremetech.com (Klik op de afbeelding voor het gehele artikel)

#Liplezen

Kan jij liplezen? Het is één van de ingewikkeldere activiteiten voor de mensheid. Net zo uitdagend is het om een model te trainen dat dit kan. Toch kan dit vele mogelijkheden hebben voor automatische ondertiteling, of het ondersteunen van slechthorenden. Een aantal studenten van Oxford slaagden erin om een model te creëren dat 93,4 procent van de keren je juiste woorden kon lezen. (De mens lukte dat slechts 52,3/% van de keren). Een indrukwekkende score, maar het model is getraind door vrijwilligers specifieke (formuleachtige) zinnen in de camera te laten zeggen. Een ander experiment, door Google en de BBC, komt dan dichter bij de werkelijkheid. Wetenschappers hebben meer dan 5000 uur BBC materiaal in een model gestopt en creëerden zo een database van 17.500 unieke woorden (Lipnet kwam maar tot 500). Het lukte het model uiteindelijk om bijna de helft van de keren de juiste inhoud te voorspellen. (46,8 procent).

#Moeeehh

Als boer hangt de hoeveelheid melk en de kwaliteit af van de gezondheid van je koeien. Ida, een applicatie gemaakt met Tensorflow, helpt boeren door de activiteit van de koeien bij te houden. Een halsband met sensor detecteert wat de koe aan het doen is -bijvoorbeeld eten of slapen – en meet ook kenmerken zoals temperatuur. Door dit bij te houden kunnen afwijkingen, ziektes en bijvoorbeeld energieloosheid eerder worden opgemerkt. De boer kan hierdoor in een vroeg stadium ingrijpen. Zo verhoogt de gezondheid van de koeien en daarmee de efficiëntie van de boerderij.

#Waar rook is, is Machine Learning

Waarom zou je geen image processing gebruiken als moderne brandmelder? Normale rookmelders zijn gemaakt voor binnenshuis. Het is dus moeilijker om vuur vroegtijdig te ontdekken bij bijvoorbeeld afvalverwerkingsterreinen of andere grote opslagplaatsen. Onze eigen fire and smoke-applicatie analyseert bewakingsbeelden en kan de hoeveelheid rook en vuur hierop herkennen. Zo kan bijvoorbeeld de beveiligingsman een notificatie krijgen welke camera, of welk gebied een extra check nodig heeft. Zo kan je ook op buitenterreinen vroegtijdig brand detecteren en veel schade voorkomen.

Klik voor de gehele case

#Misdaad voorspellen

Is het mogelijk om te voorspellen waar de volgende misdaad zal plaatsvinden? De Nederlandse politie gebruikt een voorspellend policing system om precies dat te doen. Het systeem is gevuld met eerdere data van bijvoorbeeld misdaden en aangiftes en combineert deze met algemene statistieken zoals leeftijd, gender en gezinssamenstelling. Door deze hoeveelheid informatie te koppelen kan je voorspellen welke straten en buurten een grotere kans hebben op ongewenst bezoek. De politie kan deze informatie vervolgens gebruiken om extra te surveilleren, of om gericht campagnes voeren over bijvoorbeeld het gebruik van betere sloten.

Bron: Erik van Gameren, NRC (Klik voor het volledige artikel)

#Zelf proberen

Geïnspireerd geraakt? We zijn nog niet eens begonnen over zelfrijdende auto’s, het herkennen van emoties, en spraakanalyse. Het goede nieuws is dat het niet moeilijk is om zelf een ML-model te maken. Met deze applicatie kan je bijvoorbeeld via je webcam een (heel simpel) model trainen.

Iets ingewikkelder, maar nog steeds relatief eenvoudig is de nieuwe CloudAutoML. Deze werkt enkel nog voor image processing (verwacht in de toekomst meer van dit soort simpele oplossingen!). Je voert dit programma foto’s en leert het vervolgens wat er op staat. Bijvoorbeeld een specifieke vorm, een kat of een hond, wat dan ook. Het enige wat je nodig hebt is een stapel foto’s in verschillende categorieën (en een aantal foto’s om je model mee te testen natuurlijk). Zo heb je geen regel code nodig om automatisch je kattenfoto’s te ordenen.

Enjoy!

Vergelijkbare verhalen