De stille revolutie van de intelligente machine

o27-visie-machine-learning

Artificiële intelligentie (AI) is geen nieuw begrip. Tachtig jaar geleden dachten wetenschappers al na over neurale netwerken. Decennialang bleef het bij ideeën, proofs of concept en soms een succesverhaal. Maar de laatste jaren is er een revolutie gaande. Brute rekenkracht, enorme hoeveelheden ruwe data en nieuwe inzichten hebben een stroomversnelling veroorzaakt. Opeens is AI overal aanwezig.

Artikel uit Objective 27, 2017 - ook beschikbaar in pdf

De meesten van ons beseffen het waarschijnlijk niet, maar als je een appje of een e-mail schrijft op je telefoon, helpt AI bij het voorspellen van het volgende woord dat je zult schrijven. Wanneer Netflix aanbevelingen doet voor films die je mogelijk interessant vindt, gebeurt dat met collaborative filtering op basis van een zelflerend algoritme. Je vrienden konijnenoren of een kattenneus geven op foto’s in Snapchat? Idem dito. Dit zijn nog maar een paar voorbeelden. AI, tegenwoordig meestal machine learning genoemd, is stilletjes doorgedrongen tot alle facetten van het dagelijkse leven. De grote kracht van de machine: razendsnelle patroonherkenning en het doen van voorspellingen op basis van historische data.

Rekenkracht en datahonger

Zelflerende systemen hebben veel behoefte aan data en rekenkracht. De groei van het internet heeft grote invloed gehad op het succes van machine learning. Meer dan drie en een half miljard mensen zijn online. Het Internet of Things groeit razendsnel. Er worden immense hoeveelheden data geproduceerd. Social media, foto’s, video, sensordata, al deze gegevens kunnen worden gebruikt als input voor zelflerende systemen. En als het gaat om rekenkracht … De Wet van Moore dreigt weliswaar te worden ingehaald door de fysieke werkelijkheid, maar de beschikbare rekenkracht en -snelheid zijn inmiddels duizelingwekkend dankzij technieken als multicore en multithreading en het gebruik van GPU’s (grafische kaarten) voor de verwerking van grote hoeveelheden data.

De mogelijkheden van machine learning zijn vrijwel onuitputtelijk. En de successen zijn heel concreet. Zo kan Google Mail al voorspellen of een e-mail belangrijk voor je is of suggesties doen voor een antwoordmail. Datacenters besparen tot wel 40% op hun energieverbruik dankzij sturing door intelligente systemen. Spraakherkenning maakt stappen waarvan deskundigen tien jaar geleden niet eens durfden te dromen. Een topspeler van het denkspel Go werd onlangs verslagen door het zelflerende programma AlphaGo - een prestatie die tot voor kort ondenkbaar werd geacht.

De meest spectaculaire ontwikkelingen (zoals AlphaGo) zien we bij deep learning. Hierbij wordt een diep neuraal netwerk getraind met behulp van grote datasets. Op deze manier kan de computer, al dan niet ondersteund met vooraf gelabelde uitkomsten, de vaak complexe relaties tussen input en output analyseren en ontcijferen. Het resultaat: de machine doet op basis van nieuwe input betrouwbare voorspellingen voor de output.

Machine learning in verkeersmanagement

Verkeersmanagement is een van de gebieden waar machine learning zijn waarde zeker zal bewijzen. De monitoring van het verkeer levert een constante stroom van gegevens op. Meetlussen in de weg meten de intensiteit en de snelheid van het verkeer. Videocamera’s geven inzicht in de verkeersbewegingen op kruispunten en verkeerspleinen. Navigatiesystemen genereren nauwkeurige informatie over de bewegingen van auto’s (Floating Car Data ofwel FCD). Tegelijkertijd worden allerlei omgevingsfactoren geregistreerd, bijvoorbeeld weersomstandigheden, wegafsluitingen en verkeersincidenten. In de combinatie van al deze gegevens ligt een schat aan informatie verborgen.

MobiMaestro, het verkeersmanagementplatform van Technolution, biedt interfaces naar alle mogelijke verkeersgerelateerde inputs en outputs, zoals meetlussen, camera’s en route-informatiepanelen. Het is klaar voor de verwerking van FCD. Een complete set softwaremodules geeft verkeersmanagers de tools om het verkeer te coördineren met behulp van voorgedefinieerde scenario’s. Die scenario’s zijn gebaseerd op goed doordachte modelleringen van het verkeer.

Verkeersmanagers hebben een uitstekende kennis van het verkeer in hun gebied. Zij weten: “Als we nu hier het stoplicht langer op rood houden, hebben we over drie minuten daar een opstopping.” Of: “Als het nu iets harder gaat regenen, staat er zo een file van vijf kilometer.” Voor een softwaresysteem is het niet eenvoudig om zulke voorspellingen te doen. Subtiele veranderingen in de werkelijkheid zijn nu eenmaal moeilijk te modelleren in scenario’s. Daarom onderzoeken we hoe MobiMaestro kan leren van de verkeersdata die we in de afgelopen jaren hebben verzameld. Het systeem herkent al afwijkingen van normale verkeerspatronen. Dat is waardevol voor de verkeersmanager. Die bekijkt de afwijking en activeert zo nodig een scenario. Daarnaast werken we aan geautomatiseerde tooling die scenario’s voorstelt bij verkeerssituaties. De volgende stap is het samenbrengen van beide systemen om te leren welke scenario’s het beste resultaat geven. We willen zo bereiken dat MobiMaestro uiteindelijk betrouwbare suggesties voor scenario’s kan doen. Ook in lastige situaties.

Veranderende paradigma’s

Machine learning lijkt bedrieglijk simpel. Met eenvoudige regels worden verbanden tussen input en output gelegd. Toch is het na de trainingsfase lastig om vast te stellen hoe het systeem precies tot zijn voorspellingen komt. Werken met intelligente systemen betekent dan ook: wennen aan veranderende paradigma’s. Modellen en simulaties durven loslaten. Vertrouwen dat de data niet liegen, dat het systeem de juiste conclusies trekt uit de combinatie van datasets. De praktijk zal het beste bewijs bieden. Als de verkeersmanager sneller beslissingen kan nemen doordat de software goede prognoses doet, zal het vertrouwen in het systeem gestaag groeien.

De geest is uit de fles

Wij zijn ervan overtuigd dat machine learning binnenkort niet meer weg te denken is bij verkeersmanagement. De beschikbare big data en de herhalende patronen die typisch zijn voor het verkeer, bieden uitstekende handvatten voor de toepassing van intelligentie. Ook in andere domeinen zal machine learning belangrijker worden. Een ding is zeker: wat wij ook doen voor onze klanten, veiligheid, betrouwbaarheid en functionaliteit staan altijd voorop.

Toelichting op begrippen
Artificiële intelligentie of AI is de parapluterm voor alle technieken waarmee computers menselijke intelligentie nabootsen aan de hand van logica, als-dan-regels, beslisbomen en machine learning.
Machine learning is de vorm van AI waarbij computers worden getraind door statistische analyse van ervaringsgegevens en/of historische data.
Kunstmatige neurale netwerken zijn opgebouwd uit softwarematige eenheden of ‘neuronen’ die de werking van biologische neuronen nabootsen.
Deep learning is een subset van machine learning, waarbij meerlaagse (diepe) neurale netwerken worden blootgesteld aan grote datasets. De software is in staat om zelfstandig patronen te herkennen in de data en taken uit te voeren, zoals spraak- en beeldherkenning.

Contact:

edwin-mein
  • Edwin Mein
  • ✆ +31 (0)182 59 40 00
    Contact
michael-dubbeldam
  • Michael Dubbeldam
  • ✆ +31 (0)182 59 40 00
    Contact
paul-van-koningsbruggen-1
  • Paul van Koningsbruggen
  • ✆ +31 (0)182 59 40 00
    Contact

Gerelateerde items

Technische mogelijkheden voor energieopslag

Lees verder

Publicatie

Aansturing via één standaard; EF-Pi

Lees verder

Project

World Solar Challenge - Nuna8 Special

Lees verder

Publicatie

Grasmanagement op de golfbaan met Sense2Grow

Lees verder

Nieuws