Afkijken bij de natuur
Een neuraal netwerk imiteert de werking van onze hersenen. Evolutionaire algoritmes gebruiken het principe van natuurlijke selectie om een complex probleem op te lossen. Deze vormen van natural computing worden ingezet om de diagnose van de ziekte van Parkinson accurater te maken, maar ook om bijvoorbeeld de productie van staal te verbeteren.
Probleemoplossers
Computerwetenschappers kijken tijdens het maken van kunstmatig intelligente machines de kunst af van de natuur. De ontwikkeling van evolutionaire algoritmes is een voorbeeld van die werkwijze. Een algoritme is het gedetailleerde recept voor een computer om een bepaalde taak te verrichten. 'Levende wezens zijn door miljarden jaren evolutie steeds betere probleemoplossers geworden,' zegt Thomas Bäck, hoogleraar Natural computing. Daar putten hij en zijn collega's inspiratie uit om complexe problemen op te lossen. Bäck: 'Een evolutionair algoritme begint met een populatie van kandidaat-oplossingen die in het begin behoorlijk slecht zijn. Of zelfs willekeurig. Maar vervolgens past het algoritme op die oplossingen zogeheten operatoren toe, ontleend aan evolutie in de natuur. We noemen die operatoren mutatie, recombinatie en selectie. Zo evolueert de populatie van kandidaat-oplossingen door telkens herhalen van deze stappen naar een bijna perfecte oplossing.'
Je kunt bijvoorbeeld een scheepsromp optimaliseren voor zo min mogelijk waterweerstand. Je begint met een basisontwerp, en door mutaties in de vorm van de romp aan te brengen en daarvan de weerstand uit te rekenen, leert het algoritme welke mutaties de weerstand het meeste verminderen. Vervolgens worden de ‘beste’ mutaties weer aan nieuwe testen onderworpen. En na een aantal cycli van dit selectieproces evolueert uiteindelijk de scheepsromp naar de optimale vorm. Op een vergelijkbare manier kun je virtueel een geneeskrachtig molecuul ontwerpen, met als criterium bijvoorbeeld optimale biologische werking.
Bij Tata Steel in IJmuiden gebruikt Bäck natural computing om het productieproces van staal te verbeteren. Daar rollen kilometers lange, gloeiend hete banen staal uit de walsen, met heel veel procesparameters. Oftewel: knoppen waaraan je kunt draaien om onderdelen van het proces aan te scherpen, zoals de snelheid van uitrollen, de druk van de walsen of de verdeling van de waterkoeling. Subtiele veranderingen in deze parameters zorgen voor een betere, en meer stabiele kwaliteit staal.
Persoonlijk gezondheidsadvies
Wessel Kraaij, hoogleraar Applied data analytics, gebruikt onder andere neurale netwerken om uit grote hoeveelheden 'rommelige' data toch waardevolle informatie te destilleren. Het kan dan gaan om video, audio of tekst die je van internet plukt.
Neurale netwerken bestaan uit lagen virtuele cellen (enigszins vergelijkbaar met hersencellen). Binnen het neurale netwerk wordt informatie via verbindingen van een bepaalde laag naar de laag daaronder doorgegeven. Elke verbinding heeft een instelbaar 'gewicht', wat betekent dat een signaal op volle sterkte of zwakker wordt doorgegeven.
Het neurale netwerk leert een taak, bijvoorbeeld gezichten opsporen in een video, door al die gewichten optimaal in te stellen op basis van een groot aantal aangeboden videobeelden, met telkens feedback hoe goed het een gezicht heeft opgespoord. Zo ongeveer werken ook onze hersenen: een beeld komt via de ogen binnen op het netvlies – de bovenste laag van het neurale netwerk. Vervolgens wordt het beeld aan steeds diepere lagen in de hersenen doorgegeven en verwerkt.
Momenteel probeert Kraaij uit video-opnamen van Parkinsonpatiënten die een stukje lopen, te voorspellen hoe de ziekte zich in de nabije toekomst zal ontwikkelen. Dat kan relevant zijn voor de medicatie, maar ook voor advies aan de patiënt. Kraaij: 'Uitgaand van complexe beelden kom je tot een eenvoudige classificatie, die betekenis heeft voor de patiënt.'
Hij voorziet een grote toekomst voor neurale netwerken op het gebied van personalised health. Dit houdt in dat mensen zelf allerlei data verzamelen, afkomstig van sensoren die ze dragen en gegevens over wat ze eten en drinken. Kraaij: 'Hoe combineer je al die data op een goede manier, zodat daaruit een persoonlijk advies rolt? Er is veel te winnen, maar het is ook ingewikkeld. Mensen verschillen onderling meer dan auto's van één type.'