Machine learning heeft nog weg te gaan
Redacteur: Paul de Jager | Fotograaf: Paul de Jager Geplaatst op: 04-02-2019

Machine learning heeft nog weg te gaan

Machine learning – zelflerende machines- , fabriekshallen waar geen mens meer aan het productieproces te pas komt. Zit het er aan te komen en zal het voor een revolutie in de maakindustrie zorgen? Of blijft het nog bij mooie toekomst fanfare? Daarover ging onlangs het machine learning event op de Radboud Universiteit. Het was georganiseerd door het Regionaal Nijmeegs Centrum voor technologie.

Stel: je wilt in je fabriek een 4 meter lang frame fabriceren met daarop een aantal gelaste dwarsverbanden. Het frame moet een zekere druk aankunnen. Nauwkeurigheid van het eindresultaat van 0,3 millimeter. Is het mogelijk dat je productiemachine zélf de juiste parameters instelt en bijstelt voor het gewenste frame? Dat is zomaar een vraagstuk uit de maakindustrie, waar van de eenmaal ingestelde machine gevraagd wordt op grond van de juiste parameters correcties uit te voeren.

Professor Tom Heskes doet aan de universiteit onderzoek naar kunstmatige intelligentie, machinaal leren en data science. Hij schetste de ontwikkeling van kunstmatige intelligentie. Die loopt van Deep Blue, de computer die schaakgrootmeester en wereldkampioen Karsparov versloeg, tot Alphago die Sedol, de wereldkampioen Go versloeg in 2016. “Leren uit data”, zo omschreef hij machine learning, “Als er genoeg data zijn, dan kan de machine ervan leren”.

Het begin is er en er worden snelle vorderingen gemaakt. Heskes somde op:  cloudcomputing – de opslag van toegankelijke data- groeit, we slaan steeds meer data op (Big data) en we plakken tegenwoordig overal sensoren op, waardoor het aantal data exponentieel groeit. Toch moet er nog veel gebeuren voordat machine learning soepel verloopt. Heskes toonde een filmpje van het wereldkampioenschap robotvoetbal. Dat zag er leuk, maar ook enorm stuntelig uit. “De scene, de context begrijpen, is nog steeds erg lastig. De mens kan en durft dat, de computer nog niet. We zullen moeten groeien van een Narrow Artificial Intelligence naar een – context interpreterende- General Intelligence. Dat kan in de komende tien tot dertig jaar gebeuren. Maar zorg dat je de menselijke factor in het proces houdt; als het echt belangrijk wordt, dan heb je de mens nodig”, aldus Heskes.

Dr. Ir. Erik Hostens van het Belgisch kenniscentrum Flanders Make ging uitvoerig in op de ingewikkelde weg van machine learning. Je kan wel veel data hebben, maar hoe interpreteer je die? Machines blijken al in staat om sommige causale relaties op te pikken, die de mens nog mist in Big data. Maar vaak doet de mens dat beter. Hij gaf voorbeelden van learning control ofwel de uitkomst van metingen gebruiken voor een nieuw model van aansturing. De mens moet hier nog voortdurend aangeven welke uitkomsten gewenst zijn. Bijvoorbeeld over de nauwkeurigheid of het maximaal rendement van een machine. Feedforward is een model dat op voorhand een machine kan aansturen op gewenste uitkomsten. Daarin klinkt nog veel toekomstmuziek door. Hostens zag machine learning wel groeien in de nabije toekomst. Maar het blijft ook volgens hem voor machines lastig om omgevingsfactoren mee te laten wegen in de berekeningen.

Auteur Geschreven door:
Foto's Fotografie door:

Paul de Jager

Agenda Activiteiten

23 mei

20:04
Locatie:

RAN Business ontmoet in De Vereeniging

18 apr

20:04
Locatie: Peeze, Ringoven 36 Arnhem

Bedrijfsbezoek VNO-NCW bij Peeze