AI & WIJ - Robots herkennen onze wereld!

Objectclassificatie of herkenning door een AI klinkt eenvoudig omdat we het dagelijks gebruiken of tegenkomen. Het ontgrendelen van jouw smartphone met jouw gezicht, apps met speciale filters die perfect op jouw gezicht passen, zelfrijdende voertuigen die wegbruikers kunnen onderscheiden ... Tot zelfs een planten-Shazam-app die jou helpt om planten te determineren. Maar hoe kan een AI die objecten herkennen? Hoe leer je een algoritme om honden, varkens en brood van elkaar te onderscheiden? Kan je dat doen in de klas?

Wel, dat leer je hier!

Hoe leert zo’n AI classificeren?

Een AI-systeem kan aan objectherkenning doen door middel van machine learning. Geef een AI-model een gigantische hoeveelheid data, zoals foto's, en tijd om deze te verwerken. Bij dit verwerken zal het systeem op zoek gaan naar patronen. Herkenningspunten, als het ware. 

Om aan deze vorm van machine learning te doen, kan het gebruikmaken van een van twee types van ML: 

• Supervised Learning

• Unsupervised Learning

Supervised Learning: Dat is een ML-aanpak met menselijke interventie. Wij zullen als ontwikkelaars de data voorsorteren. Wij, als mens, voeren dus de classificatie uit. Beeld je in dat je drie dozen voor je hebt staan. Op de zijkant van die doos staat de klasse genoteerd. Hond, varken of brood. Je legt in elke doos duizenden en duizenden foto's van honden, varkens en stukken brood. Daarna geef je die drie dozen aan het AI-model. Die heeft de taak om, met zijn gigantische rekenkracht, daar X-aantal keer door te gaan en patronen te onthouden.

Unsupervised Learning: Dat is een ML-aanpak zonder menselijke interventie of classificatie vooraf. Het AI-systeem zal dus geen 3 dozen krijgen met de correcte label, maar eerder een gigantische doos met alle foto's door elkaar. Het AI-model zal de gigantische rekenkracht gebruiken om doorheen die foto's te gaan, meerdere keren na elkaar, op zoek naar patronen. Hij legt ze dus zelf, op basis van de gevonden patronen, op voor hem correcte stapeltjes.

AI classificatie in het dagelijks leven

Het eindresultaat na de training is een AI-model dat nieuwe data, ongeziene beelden of foto's, kan herkennen. Of toch proberen, want het model doet een voorspelling. Het werkt met een graad van zekerheid of onzekerheid. Net zoals mensen, kan een AI-model in de war raken wanneer een afbeelding niet duidelijk is, of wanneer deze ambigu is. Dat kan voor vreemde situaties zorgen.

Zo kreeg een chinese CEO talloze boetes voor het gevaarlijk oversteken. Dit terwijl ze niet eens in die bepaalde stad was geweest. Wel reden daar bussen rond met haar gezicht als promo op de zijkant. De gezichtsherkenningscamera's aan het oversteekpunt raakten danig in de war!

Het kan natuurlijk ook ten goede worden gebruikt! Zo kan het ingezet worden bij het herkennen van soorten vuilnis. Wanneer verkeerde soorten vuilnis in het verwerkingsproces zitten, kan een robot deze herkennen en eruit halen. Dit helpt bij het recycleren van vuilnis en zou ingezet kunnen worden om onze leefwereld duurzamer te maken!

Aan de slag!

We steken het niet onder stoelen of banken, maar een belangrijke inspiratie voor dit AI-project komt uit de Netflix animatiefilm 'The Mitchels vs. The Machines'. Naast een heerlijk hilarische en actuele film, bevat het ook een van de leuke dynamieken tussen nevenpersonages. Namelijk tussen de mopshond Monchie en de vijandelijke slimme robots.

Meer bleek niet nodig om de AI-modellen in de vijandelijke robots te overbelasten. Een hilarisch voorbeeld van een classificatiefout. Een classificatiefout die wij hier in deze Notebook zullen proberen repliceren! Aan de slag!

Vragen, opmerkingen?

Vragen of opmerkingen over dit project of een van mijn andere projecten? Dan kan je hieronder terecht!