De blog van The Write Mind

Kijkt er iemand mee over de schouder?

Kijkt er iemand mee over de schouder?
In deze Simsalabim post komen volgende onderwerpen aan bod:

Kijkt er iemand mee over de schouder?

In onze vorige blog post schreven we al dat algoritmen voor machinaal leren computers in staat stellen te leren door grote hoeveelheden beschikbare gegevens te analyseren. CAE technologie is ondertussen dermate geëvolueerd dat in relatief korte tijd grote hoeveelheden betrouwbare data kunnen worden gecreëerd (zowel via virtuele simulaties als via het testen op prototypes). Dat is een goede zaak, maar jammer genoeg ontbreekt het vaak aan de tijd en middelen om die massa gegevens maximaal in te zetten binnen het productontwikkelingsproces.

Dat creëert alvast een heleboel opportuniteiten voor machinaal leren binnen het domein van computer aided engineering. Voor een goed begrip van de mogelijke toepassingen loont het om eerst nader stil te staan bij de 3 grote groepen algoritmen voor machinaal leren.

Algoritmen voor gecontroleerd leren

Deze algoritmen krijgen van meet af aan duidelijke instructies over welke gegevens binnen een data set moeten worden beschouwd als invoergegevens, en welke de overeenstemmende uitvoergegevens zijn. Vertrekkend van die informatie bouwen deze algoritmen op een gecontroleerde manier kennis op, net alsof er een leerkracht meekijkt over hun schouder en nauw toeziet op het leerproces dat ze doormaken. Die kennis leggen ze vast in een predictief model dat na een initiële leerfase perfect in staat is om de juiste uitvoergegevens te voorspellen voor een nieuwe reeks invoergegevens.

Algoritmen voor gecontroleerd leren worden vaak ingezet om gegevens te  classificeren. Een typisch voorbeeld zijn spamfilters om potentieel ongewenste e-mailberichten automatisch te onderscheiden van gewenste e-mailberichten.

Binnen het kader van CAE processen kunnen deze algoritmen worden ingezet om de meest interessante gebieden binnen de ontwerp ruimte af te bakenen. Daardoor kunnen ontwikkelingsteams snel inzoomen op die oplossingen die het grootste verbeteringspotentieel bieden.

Algoritmen voor ongecontroleerd leren

Algoritmen voor ongecontroleerd leren daarentegen hebben geen enkele notie van het onderscheid en de relatie tussen invoer- en uitvoergegevens binnen een verzameling data (en krijgen daarover ook geen informatie ingelepeld!).

Zij kunnen dus niet anders dan alle data zonder enige voorkennis te benaderen, en in volle vrijheid – zonder dat een strenge leerkracht of ouder toezicht houdt – kennis opbouwen.  Net daarom zijn deze algoritmen in staat om heel creatief uit de hoek te komen, en om verborgen verbanden en structuren bloot te leggen binnen grote hoeveelheden meerdimensionale gegevens. Eenmaal overzichtelijk gevisualiseerd reiken die verbanden nieuwe, vaak verrassende, inzichten aan.

Een bekend voorbeeld is het gebruik van self-organizing maps om het stemgedrag van parlementsleden te analyseren en voor te stellen in een aantal 2-dimensionale grafieken. Die voorstelling toont in welke mate parlementsleden de voorgeschreven partijlijn volgen bij het stemmen van diverse wetsontwerpen. Dat laat bijvoorbeeld toe om die parlementsleden te identificeren waarmee het makkelijkst kan onderhandeld worden om toe te treden tot een wisselmeerderheid rond een specifiek thema.

Synapse_Self-Organizing_Map_US_Congress

Self-organizing map illustreert stemresultaten binnen de Amerikaanse Senaat en het Huis van Afgevaardigden. Rood stemt overeen met een ja-stem, blauw met een neen-stem (met uitzondering van de  grafiek voor partijlidmaatschap, waar rood staat voor Republikeinse afgevaardigden en blauw voor Democratische afgevaardigden). Afbeelding van Peltarion Synapse

Maar deze techniek kan evenzeer worden toegepast om, in de context van CAE processen, een dieper inzicht te verwerven in het verband tussen ontwerp parameters en ontwerp doelstellingen. Gewapend met die informatie kunnen ontwikkelingsteams zich volledig concentreren op de ontwerp parameters met de grootste impact op de gewenste producteigenschappen.

Algoritmen voor ondersteund leren

Algoritmen voor ondersteund leren bouwen hun kennis niet op door te vertrekken van vooraf vastgelegde verbanden tussen invoergegevens en overstemmende uitvoergegevens, maar bouwen met vallen en opstaan zelf die kennis op dankzij ondersteuning door een geëngageerde begeleider. Door successen te belonen motiveert en stimuleert die begeleider een gewenst gedragspatroon, een concept dat geïnspireerd is op de gedragspsychologie.

Uiteraard is het noodzakelijk dat deze algoritmen een duidelijke notie meekrijgen van de begrippen succes en beloning, en op die manier een duwtje in de rug kunnen krijgen van hun begeleider bij het leren. Dat stelt hen in staat om de nodige lessen te trekken uit successen en mislukkingen, en zo gaandeweg slimmer te worden door te streven naar een maximale beloning tijdens het doorlopen van het leerproces.

Een goed voorbeeld zijn genetische algoritmen. Die worden veel gebruikt om oplossingen te vinden voor zoek- en optimalisatieproblemen, en openen daarom interessante perspectieven in combinatie met virtuele simulaties binnen het kader van computer aided engineering processen.

Is nu het pad geëffend om het gebruik van algoritmen voor machinaal leren binnen CAE te verkennen?

Gewapend met deze kennis kunnen we in de volgende blog posts verder kijken naar concrete toepassingen van deze zeer verschillende algoritmen voor machinaal leren binnen computer aided engineering. Maar… laat ons vooral beginnen bij het begin, en niet over het hoofd zien dat toepassing van deze algoritmen enkel zinvol is als een voldoend grote set betrouwbare gegevens beschikbaar is.

In de volgende bijdrage gaan we daarom eerst dieper in op de technologische evoluties op het gebied van CAE (en van virtuele simulatie in het bijzonder) die het mogelijk hebben gemaakt om in steeds kortere tijd grotere hoeveelheden meer betrouwbare data te genereren – en daarmee de weg vrijmaken voor machinaal leren technologie.

Interessant? Vergeet deze Simsalabim post niet te delen:
Luc Meulewaeter Kijkt er iemand mee over de schouder?
Ontdek aanverwante Simsalabim posts:
Luc MeulewaeterKijkt er iemand mee over de schouder?