gaan schakelaars in een volgende laag ook aan. Aan de hand van welke schakelaars uiteindelijk aan zijn en welke uit, kan een computerbrein zelfstandig conclusies trekken over de input. Je kunt bijvoorbeeld in de laatste laag een ‘kattenschakelaar’ bouwen, die aangaat als de activiteit in de eerdere lagen vergelijkbaar is met de activiteit bij eerder getoonde kattenplaatjes. SCyfEr Deze Deep Learning-methode is de laatste jaren
aan een enorme opmars bezig. Dat is deels te danken aan computerwetenschapper Geoffrey Hinton, die in 2005 voor een doorbraak zorgde. Tot die tijd lukte het niet om meer dan drie netwerklagen aaneen te koppelen. In plaats van een vierde laag aan de eerste drie toe te voegen, ontwikkelde Hinton een systeem met meerdere series van twee lagen op elkaar. Dat was een belangrijke vondst, maar Welling vraagt zich af of het doorslaggevend was voor de huidige status. ‘In de jaren erna is de rekenkracht van
computers enorm toegenomen, evenals de hoeveelheid beschikbare data. Het succes van neurale netwerken wordt ook versterkt doordat grote bedrijven zoals Google en Facebook voor hun spraak- en gezichtsherkenningssoftware veel investeren in Deep Learning-technologie.’ Ook in de medische wetenschap wordt er gewerkt aan veelbelovende toepassingen. Met name op dat gebied timmert het bedrijf Scyfer (een combinatie van science en het computeralgoritme cipher) aan de weg. Scyfer is een van
FoliaMagazine
27