Nieuws
Meet-up: Practische toepassingen van deep learning bij de WUR
Deep learning is een techniek van kunstmatige intelligentie. Het is een klasse van machine learning algoritmes die meerdere lagen gebruiken om functies van hoger niveau uit ruwe invoer te halen. Deep learning is heel goed toepasbaar op het onderzoeksdomein van WUR.
Willem Jan Knibbe, hoofd van het Wageningen Data Competence Center (WDCC), opende de bijeenkomst en nam het publiek mee in de wereld van deep learning. Deep learning werkt door het samenstellen van een differentieerbaar end-to-end model bestaande uit basiscomponenten van ingevoerde gegevens en labels. Door de componenten te verfijnen, kan het model vervolgens worden geleerd om relaties te vinden tussen de gegevens en labels die we leveren. Het diepe neurale netwerk werkt met meerdere lagen tussen de invoer en de uitvoer. Het netwerk beweegt door de lagen en berekent de waarschijnlijkheid van elke uitvoer. Deep learning kan worden toegepast in domeinen zoals beeldherkenning, spraakherkenning, machinevertaling, bio-informatica, samenstelling van medicijnen, bordspelletjesprogramma's, enz. Ze kunnen soms resultaten opleveren die vergelijkbaar of soms beter zijn dan menselijke specialisten zouden kunnen.
Vier gastsprekers van de WUR, spraken over hun ervaringen met deep learning op hun domeinen:.
Erwin Mollenhorst, Changes with deep learning in animal sciences (Lifestock Research)
Ronald de Jongh, Extracting Biology from deep DNA classification (Bioinformatics)
Manya Afonso, Deep learning for agricultural machine vision (Biometris)
Devis Tuia, Deep learning in Geoinformation science: beyond classifying pixels (Geoinformatics)
Na de presentaties was er tijd voor netwerken en het delen van ervaringen.
Aandachtspunten: Binnen WUR gebeurt er veel op het gebied van deep learning. Een nieuw veld dat wordt aangeboden door deep learning is bijvoorbeeld het DNA-onderzoek met Convolutional Neural Networks. De ontwikkelingen zijn enorm en bestrijken gebieden die nog nauwelijks zijn onderzocht. Ronald de Jongh voorziet multimodale netwerken, zoals gepresenteerd door professor Tuia, die ook in de biologie voorkomen. Bijvoorbeeld zeer uiteenlopende informatiestromen over dezelfde biologische sample kunnen dan tot een coherente voorspelling komen.
Voor deep learning met betrekking tot biologische gegevens, en waarschijnlijk ook voor de andere domeinen, is data-interpretatie nog steeds een van de grootste uitdagingen. Hoe weten we zeker dat het model echt de onderliggende biologie heeft geleerd en niet alleen valse connecties heeft gemaakt die zullen verdwijnen wanneer meer gegevens beschikbaar komen?
Deze bijeenkomst werd georganiseerd door Campus Connect en het WDCC (Data Competence Centre) van Wageningen Wageningen Universiteit en Research.