Drie pioniers van lerende computers winnen Turingprijs van 1 miljoen dollar

Vanmiddag sprak ik bij het radioprogramma Nieuws en Co op NPO Radio1 over het toekennen van de Turingprijs van $1 miljoen aan de drie pioniers van de DeepLearning-technologie: 

Yoshua Bengio, Geoffrey Hinton en Yann LeCun.

Klik op onderstaande afbeelding om het item te bekijken:

Wat is Deep learning?

Deep Learning is één van de manieren waarop computers kunnen leren (machine learning). Lees in dit NRC-artikel van mijn hand meer over hoe computers nieuwe dingen kunnen leren.

Machine learning is zelf weer een onderdeel van kunstmatige intelligentie.

Deep learning is de nieuwe naam voor wat al decennialang bekend staat onder de naam ‘neurale netwerken’. In essentie is deep learning een statische methode die patronen herkent in grote hoeveelheden data. En die data kunnen van alles zijn: getallen, tekst, geluid of beeld. De manier waarop dat leren gebeurt is een sterk vereenvoudigde versie van de manier waarop het menselijk brein leert. Een netwerk van kunstmatige neuronen wordt verdeeld in lagen. De neuronen worden met elkaar verbonden en de sterkte van die verbindingen verandert tijdens het leerproces. Elke laag neemt een deel van de patroonherkenning voor zijn rekening. Stel dat een netwerk getraind wordt om beelden te herkennen, dan detecteren diepere lagen de meest basale beeldeigenschappen, bijvoorbeeld randen. Hogere lagen detecteren complexere vormen. En de hoogste lagen herkennen uiteindelijk complete voorwerpen. De term ‘deep’ slaat op het aantal lagen van het neurale netwerk. Traditionele neurale netwerken bestonden slechts uit een handvol lagen. Diepe neurale netwerken tellen tientallen tot soms zelfs honderden lagen. Deep learning kon pas een succes worden met de beschikbaarheid van grote hoeveelheden data om van te leren, en met voldoende grote computerkracht en efficiënte algoritmen.

Lees veel meer over de voor- en nadelen van Deep Learning in dit artikel dat ik in 2018 schreef voor De Ingenieur.
 

The World Needs Big Data

On World Malaria Day in 2016, the University of Pretoria Centre for Sustainable Malaria Control in South Africa released the Malaria Buddy App for smartphones, which provides information on malaria, how to prevent getting the mosquito-borne disease, maps of malaria areas, and what to do if you think you have malaria.

A year later, the app was upgraded, enabling it to utilize real-time geographical data. Today, the Malaria Buddy App can notify users when they are entering malaria risk areas, and they can easily locate the nearest clinic that could treat the disease.

This is only one of many examples of how the smart use of data can help achieve the United Nations (U.N.) Sustainable Development Goals.

In 2015, the U.N. formulated 17 sustainable development goals (SDGs) for the period through 2030. The goals includes eliminating poverty and hunger, providing good health and education for all, and equal treatment regardless of gender, ethnicity, or socio-economic status. In December 2018, management consulting firm McKinsey published the report "Notes from the AI frontier: Applying AI for Social Good," which offers many more examples of how data and artificial intelligence (AI) can help accomplish the SDGs.

The example of the Malaria Buddy App was offered up by Stephanie Burton, vice principal and professor at the University of Pretoria, at the American Association for the Advancement of Science (AAAS) 2019 Annual Meeting in Washington, D.C., during the session 'The Digital Agenda: Supporting the Sustainable Development Goals'.

Read the full article on the website of the Communications of the ACM.