Definitie: Deep learning is een vorm van machine learning waarbij kunstmatige neurale netwerken met veel lagen zelf patronen leren herkennen in grote hoeveelheden gegevens, zoals afbeeldingen, geluid en tekst. Het is de techniek achter onder meer spraakherkenning, gezichtsherkenning, automatische vertaling en grote taalmodellen zoals ChatGPT en Claude.
In het kort
- Deep learning is een deelgebied van machine learning, dat zelf weer onder kunstmatige intelligentie valt.
- Het woord deep verwijst naar de vele lagen in het neurale netwerk: volgens Oracle soms tientallen of zelfs honderden.
- Deep learning heeft veel gegevens en rekenkracht nodig, meestal met GPU’s. Daardoor werd het pas het afgelopen decennium breed bruikbaar.
- Het grootste nadeel: het is moeilijk te doorgronden hoe een model tot een uitkomst komt.
Wat is deep learning?
Deep learning is een manier om computers te laten leren van voorbeelden in plaats van van regels. Een programmeur schrijft niet op hoe een kat eruitziet. Hij geeft het systeem duizenden foto’s met en zonder kat, en het netwerk leert zelf welke kenmerken erbij horen.
Het systeem is losjes geïnspireerd op de werking van de hersenen. Een neuraal netwerk bestaat uit knooppunten, kunstmatige neuronen, die in lagen met elkaar verbonden zijn. Elke verbinding heeft een gewicht dat bepaalt hoe sterk een signaal doorwerkt. Tijdens het trainen worden die gewichten steeds een beetje aangepast, tot het netwerk de juiste uitkomst geeft.
Volgens Oracle heeft een eenvoudig neuraal netwerk één of twee verborgen lagen, terwijl een deep learning-netwerk er tientallen of zelfs honderden kan hebben. Elke laag herkent iets complexers dan de vorige. Bij beeldherkenning ziet de eerste laag bijvoorbeeld randen en lijnen, een volgende laag vormen, en een diepere laag complete objecten zoals een gezicht of een auto.
Waarom werd deep learning zo belangrijk?
De ideeën achter neurale netwerken zijn al tientallen jaren oud. Toch werd deep learning volgens OVHcloud pas het afgelopen decennium breed toegankelijk. Daar zijn drie redenen voor:
- Rekenkracht. GPU’s, oorspronkelijk gemaakt voor computerspellen, kunnen veel berekeningen tegelijk uitvoeren. Dat maakt het trainen van grote netwerken haalbaar.
- Gegevens. Door internet, smartphones en sensoren zijn er enorme hoeveelheden tekst, beeld en geluid beschikbaar om van te leren.
- Betere methoden. Nieuwe netwerkarchitecturen en trainingstechnieken maakten diepere netwerken stabieler en nauwkeuriger.
Oracle wijst er daarnaast op dat deep learning-modellen zelf kenmerken kunnen leren, waar klassieke machine learning vaker menselijke tussenkomst nodig heeft. Dat maakt de techniek geschikt voor taken waarvoor het lastig is om regels op te schrijven.
Hoe werkt deep learning?
- Invoer. Het netwerk krijgt gegevens binnen, zoals de pixels van een afbeelding of de woorden van een zin.
- Verwerking in lagen. Elke laag rekent met de uitkomst van de vorige laag en geeft het resultaat door.
- Uitvoer. De laatste laag geeft een antwoord, bijvoorbeeld: dit is een kat, met 94% zekerheid.
- Vergelijken. Tijdens het trainen wordt het antwoord vergeleken met het juiste antwoord.
- Bijstellen. Het verschil wordt terug door het netwerk gestuurd, en de gewichten worden aangepast zodat de fout kleiner wordt.
- Herhalen. Dit gebeurt miljoenen keren, met steeds nieuwe voorbeelden, tot het netwerk goed genoeg presteert.
Na de training kan het netwerk nieuwe gegevens beoordelen die het nooit eerder heeft gezien. Dat heet inferentie: het gebruiken van een getraind model.
Wat is het verschil tussen deep learning en machine learning?
| Machine learning | Deep learning | |
|---|---|---|
| Wat het is | Computers leren van gegevens | Een vorm van machine learning met diepe neurale netwerken |
| Kenmerken bepalen | Vaak door een mens vooraf gekozen | Leert het model zelf uit ruwe gegevens |
| Hoeveelheid data | Werkt ook met kleinere datasets | Heeft grote hoeveelheden data nodig |
| Rekenkracht | Vaak een gewone computer | Meestal GPU’s of gespecialiseerde hardware |
| Uitlegbaarheid | Vaak beter te volgen | Moeilijk te doorgronden |
| Sterk in | Gestructureerde gegevens in tabellen | Beeld, geluid, tekst en andere ongestructureerde gegevens |
Een voorbeeld maakt het verschil duidelijk. Bij klassieke machine learning bepaalt een mens welke kenmerken van een e-mail belangrijk zijn om spam te herkennen, zoals bepaalde woorden of de afzender. Bij deep learning krijgt het netwerk de complete berichten en zoekt het zelf uit welke kenmerken ertoe doen. OVHcloud noemt spamfilters die verder kijken dan trefwoorden, met afzender, ontvanger en context, als voorbeeld.
AI, machine learning en deep learning: hoe hangt het samen?
Je kunt de begrippen zien als cirkels binnen elkaar:
- Kunstmatige intelligentie is het overkoepelende vakgebied: machines die taken uitvoeren waarvoor normaal menselijk denken nodig is.
- Machine learning is een deel daarvan: systemen die leren van gegevens in plaats van vaste regels te volgen.
- Deep learning is weer een deel van machine learning: leren met diepe neurale netwerken.
- Generatieve AI en taalmodellen zijn toepassingen van deep learning die nieuwe tekst, beeld of geluid maken.
Niet alle AI is dus deep learning. Een systeem met vaste regels, zoals een rekenmodule of een beslisboom, valt ook onder AI in brede zin, maar leert niets van gegevens.
Welke soorten neurale netwerken zijn er?
DataCamp beschrijft de belangrijkste typen:
| Type | Sterk in | Voorbeeld |
|---|---|---|
| Convolutioneel netwerk (CNN) | Beelden | Gezichtsherkenning, medische scans |
| Recurrent netwerk (RNN) en LSTM | Reeksen en volgorde | Spraak, tijdreeksen |
| Transformer | Taal en lange teksten | Grote taalmodellen, vertaling |
| Generative adversarial network (GAN) | Nieuwe gegevens genereren | Synthetische afbeeldingen |
| Graph neural network | Netwerken en relaties | Aanbevelingen, moleculen |
De transformer is de architectuur achter de grote taalmodellen van nu. Het onderscheid met eerdere netwerken is dat een transformer goed verbanden kan leggen tussen woorden die ver uit elkaar staan in een tekst.
Hoe leert een netwerk: drie leervormen
OVHcloud onderscheidt drie manieren waarop een model kan leren:
- Gecontroleerd leren. Het model krijgt voorbeelden met het juiste antwoord erbij, zoals foto’s met het label kat of hond. Geschikt voor classificatie en voorspellingen.
- Ongecontroleerd leren. Het model krijgt gegevens zonder labels en zoekt zelf naar patronen, bijvoorbeeld om klanten of liedjes in groepen in te delen.
- Semi-gecontroleerd leren. Een combinatie: een kleine set met labels en een grote set zonder.
Daarnaast bestaat reinforcement learning, waarbij een systeem leert door te proberen en beloond of gecorrigeerd te worden. Die aanpak wordt onder meer gebruikt bij spellen en robots.
Voorbeelden van deep learning
Oracle en OVHcloud noemen onder meer deze toepassingen:
- Spraakherkenning en ondertiteling, zoals automatische ondertitels bij video’s en digitale assistenten.
- Beeldherkenning, zoals gezichtsherkenning en het herkennen van voertuigen op camerabeelden.
- Zelfrijdende auto’s, die verkeer, borden en voetgangers moeten herkennen.
- Fraudedetectie, waarbij afwijkende transacties opvallen.
- Gezondheidszorg, bijvoorbeeld bij het beoordelen van scans en het voorspellen van ziekteverloop.
- Beveiliging, zoals het opsporen van geavanceerde dreigingen in netwerkverkeer.
- Taalmodellen, die teksten schrijven, samenvatten, vertalen en vragen beantwoorden.
Wat zijn de beperkingen van deep learning?
- Veel gegevens nodig. Een model is zo goed als de gegevens waarop het is getraind. Lenovo gebruikt daarvoor de uitdrukking garbage in, garbage out.
- Vooroordelen. Scheve trainingsdata leiden tot scheve uitkomsten.
- Beperkt buiten het eigen domein. Volgens Oracle presteren modellen slecht buiten het bereik van hun training. Voor een andere taak is vaak nieuwe training nodig.
- Moeilijk uit te leggen. Hoe een netwerk tot een uitkomst komt is lastig te volgen. Dat maakt het moeilijk om fouten en vooroordelen op te sporen.
- Rekenkracht en energie. Trainen vraagt krachtige hardware, veel geheugen en snelle opslag.
- Geen begrip. Lenovo benadrukt dat deep learning-modellen complexe statistische modellen zijn en geen zelfbewustzijn hebben.
Veelgemaakte misverstanden over deep learning
- Meer lagen is altijd beter. Volgens Oracle kunnen extra lagen de nauwkeurigheid verhogen, maar ze vragen ook meer parameters en rekenkracht.
- Het model begrijpt wat het doet. Een netwerk herkent statistische patronen, geen betekenis zoals een mens die ervaart.
- Eén keer trainen is genoeg. Als de werkelijkheid verandert, bijvoorbeeld door nieuwe producten of regels, moet een model opnieuw worden getest en soms bijgetraind.
Welke tools gebruik je voor deep learning?
De meeste ontwikkelaars werken met Python en een framework. DataCamp noemt TensorFlow, oorspronkelijk ontwikkeld door Google, PyTorch, dat populair is bij onderzoekers, en Keras als gebruiksvriendelijke laag bovenop andere frameworks. Voor de meeste bedrijven is het echter niet nodig om zelf een model te trainen. Je kunt een bestaand model gebruiken via een API, of een bestaand model bijtrainen voor een specifieke taak met fine-tuning.
Drie manieren om deep learning in te zetten
| Route | Wat het inhoudt | Geschikt als |
|---|---|---|
| Bestaand model via een API | Je stuurt gegevens naar een getraind model van een aanbieder en krijgt een antwoord terug | De taak algemeen is, zoals tekst samenvatten of spraak omzetten |
| Bestaand model bijtrainen | Je past een bestaand model aan met eigen voorbeelden | Je een specifieke stijl, taal of vakterm nodig hebt |
| Zelf een model trainen | Je ontwerpt en traint een netwerk op eigen gegevens | Je unieke gegevens hebt en een taak die bestaande modellen niet aankunnen |
Voor de meeste bedrijven is de eerste route de logische start. Zelf trainen vraagt veel gegevens, kennis en rekenkracht, en is vooral zinvol bij een unieke taak met veel eigen voorbeelden.
Hoe begin je met deep learning in je organisatie?
- Kies één concrete taak, zoals het sorteren van binnenkomende documenten of het omzetten van gesprekken naar tekst.
- Verzamel echte voorbeelden van die taak, inclusief lastige gevallen.
- Test een bestaand model op die voorbeelden voordat je iets bouwt.
- Bepaal wat goed genoeg is. Hoeveel fouten zijn acceptabel, en wie vangt ze op?
- Bouw een controlestap in, zodat een mens de uitkomst kan beoordelen waar het ertoe doet.
- Meet na de invoering of de taak sneller of beter gaat, en stel bij.
Deep learning en privacy
Wie een model gebruikt via een externe aanbieder, stuurt gegevens naar die aanbieder. Bij persoonsgegevens of vertrouwelijke informatie vraagt dat om afspraken over opslag, verwerking en gebruik voor training. Een alternatief is een model dat op eigen servers draait. Dat geeft meer controle, maar vraagt eigen hardware en beheer.
Wanneer heb je deep learning nodig?
Deep learning is sterk bij taken met ongestructureerde gegevens en patronen die moeilijk in regels te vangen zijn: beeld, geluid, vrije tekst. Voor veel bedrijfsprocessen is het niet de eerste keuze. Een berekening met vaste formules, een controle op ontbrekende velden of een route met duidelijke stappen werkt beter met gewone programmalogica: voorspelbaar, uitlegbaar en goedkoper.
Wat betekent dit voor jouw project?
Ik kijk eerst naar de taak, niet naar de techniek. Wat komt binnen, wie moet ermee verder en welke informatie heeft die persoon nodig? Pas daarna wordt duidelijk of een lerend model iets toevoegt.
Bij de calculators op Capaciteitberekenen.nl gaat het om invoer, berekening, resultaat en een print of PDF. De bouwles daar is: maak de invoer begrijpelijk en de uitkomst bruikbaar, en leg vast welke aannames en grenzen gelden. Zo’n berekening hoort uitlegbaar te zijn. Deep learning past beter bij taken waar geen vaste formule voor bestaat, zoals het lezen van vrije tekst of het herkennen van beelden.
Vraag? Stuur me welke taak bij jullie veel handwerk kost en welke gegevens daarbij horen. Dan kijken we samen of een vaste regel, een bestaand AI-model of maatwerk de logische eerste stap is.
Veelgestelde vragen over deep learning
Wat is deep learning in simpele woorden?
Deep learning is een manier om computers te laten leren van voorbeelden, met neurale netwerken die uit veel lagen bestaan. Het netwerk leert zelf patronen herkennen in bijvoorbeeld afbeeldingen, geluid of tekst.
Wat is het verschil tussen deep learning en machine learning?
Deep learning is een vorm van machine learning. Bij klassieke machine learning kiest een mens vaak welke kenmerken belangrijk zijn; bij deep learning leert een diep neuraal netwerk die kenmerken zelf uit ruwe gegevens, maar daarvoor zijn meer data en rekenkracht nodig.
Is ChatGPT deep learning?
Ja. ChatGPT is gebaseerd op een groot taalmodel, een diep neuraal netwerk van het type transformer, dat is getraind op enorme hoeveelheden tekst. Het is daarmee een toepassing van deep learning.
Verwante termen
AGI · Spraakherkenning · Fine-tuning · Embeddings · OCR / documentherkenning · LLM-API / AI-integratie · AI-hallucinatie
← Terug naar de kennisbank