Lector Klaas Dijkstra |
Computer Vision & Artificial Intelligence
Stel je voor dat je een computer kunt laten kijken en die kunt laten leren zoals mensen. Dit is waar zaken zoals 'Computer Vision' en 'Artificial Intelligence' (AI: kunstmatige intelligentie) bij om de hoek komen kijken. Deze technologie stelt ons nu en in de toekomst in staat om beelden automatisch te analyseren. De mogelijkheden daarvan lijken grenzeloos.
- In de wereld van de landbouw kan Computer Vision nu al helpen bij het identificeren van ziekten en schadelijke insecten, waardoor boeren hun gewassen kunnen beschermen en opbrengsten kunnen vergroten.
- In de gezondheidszorg kunnen we met behulp van deze technologie bacteriekolonies in watermonsters tellen om ziektes zoals legionella te voorkomen, of we zijn zelfs al in staat om de bloedstroom doorlopend te meten tijdens delicate darmwandoperaties. Het detecteren van afwijkingen in röntgenbeelden wordt nauwkeuriger en sneller, wat levens kan redden.
- AI maakt het ook mogelijk om bijvoorbeeld textiel- of plasticsoorten te herkennen, wat recyclingprocessen aanzienlijk verbetert.
- Het verbeteren van verkeersveiligheid is ook al een realiteit geworden door het met Computer Vision analyseren van verkeersgedrag.
Wat deze technologie nog krachtiger maakt, zijn de recente doorbraken in kunstmatige intelligentie. In sommige gevallen overtreft AI nu zelfs de menselijke prestaties.
Om dit mogelijk te maken, heb je de volgende drie essentiële ingrediënten nodig:
- 1. data van hoge kwaliteit,
- 2. immense rekenkracht en
- 3. slimme algoritmen.
Lezing van lector Klaas Dijkstra over AI
Vanavond laten we ons als het ware meenemen op een reis vol mogelijkheden tijdens een lezing van lector Klaas Dijkstra van NHL Stenden Hogeschool.
Durkje en ik zijn vanavond aanwezig bij de lezing van Dijkstra in De Beurs van Campus Fryslân te Leeuwarden. Deze lezing van Studium Generale Leeuwarden heeft als titel: 'A.I. in de praktijk'.
We gaan vanavond ontdekken hoe Computer Vision en AI onze wereld kan transformeren en verbeteren. Daarbij leren we over de kracht, de kansen en de grenzen van deze technologie aan de hand van inspirerende praktijkvoorbeelden.
Klaas Dijkstra is lector 'Computer Vision & Data Science' aan de NHL Stenden Hogeschool te Leeuwarden. Hij is gepromoveerd op het gebied van kunstmatige intelligentie aan de Rijksuniversiteit Groningen en leidt momenteel de onderzoeksgroep Computer Vision & Data Science.
Hij is voorzitter van het Cluster Computer Vision Noord-Nederland (CCVNN), een platform van meer dan dertig bedrijven in Noord-Nederland, die actief zijn op het gebied van Computer Vision.
Hij is mede-ontwikkelaar van de HBO-master-opleiding Computer Vision & Data Science en van de gelijknamige minor van NHL Stenden Hogeschool.
Klaas heeft uitgebreide ervaring met het initiëren, leiden en uitvoeren van hands on-onderzoeksprojecten, is uitvinder van een patent voor een medisch apparaat, en is (co)auteur van wetenschappelijke publicaties in zowel het Artificial Intelligence en (hyperspectrale) imaging-domein als in de verschillende toepassingsgebieden ervan (zoals bijvoorbeeld in sectoren als kunststoffen, landbouw, medisch, microbiologie, techniek); zowel dichtbij (lokaal, regionaal) als veraf (landelijk en internationaal).
Machine Learning & Deep Learning
- Bij AI gaat het om het zogenoemde 'machine learning', over hoe je een computer bepaalde taken leert vanuit verzamelde, beschikbare data. Daarbij moet je heel veel data hebben, die representatief zijn voor je casuïstiek (bijvoorbeeld een praktijkprobleem).
- Hierbij is sprake van 'neurale netwerken', die zijn gecrëerd door 'Deep Learning'. Neurale netwerken maken deze Computer Vision-techniek mogelijk, waarbij vooral wordt gewerkt met beelden en video’s, waardoor het derhalve 'Computer Vision' wordt genoemd.
- Bij AI gaat het over slimme software, en die kun je op heel veel manieren toepassen, bijvoorbeeld op het tellen van bacterie-kolonies
- Deep Learning heeft in onderzoeksland een enorme golf veroorzaakt. Deep Learning kan er namelijk voor zorgen dat iets door de computer beter en sneller kan worden gedaan dan door de mens. Zo kun je bijvoorbeeld met gebruik van een drone en een computer aardappelplanten tellen en analyseren op akkers, en/of ook aardappelziektes op zo'n akker opsporen.
- Vervolgens legt Dijkstra uit hoe Machine learning' werkt. Zo leer je een computer onder andere 'associaties', bijvoorbeeld om het woord 'kat' aan een 'afbeelding' van een kat te koppelen; maar andersom kan het ook.
- Bij alle lopende trajecten binnen de hogeschool heeft de onderzoeksgroep behalve slimme medewerkers ook studenten, externe bedrijven en video-rekenkracht nodig. Algoritmen zijn heel duur om te trainen, dus dat vraagt uiteraard ook grote budgetten.
- Je moet niet onderschatten wat je nodig hebt om deze techniek steeds verder te brengen. Zo is bijvoorbeeld een te gering set data - of een dataset met te weinig variatie erin - al een probleem, daar waar je juist heel veel data nodig hebt om effectief tot machine learning te kunnen komen. En als dat niet lukt, moet je wel heel creatief zijn om dat gebrek aan data en gebrek aan variaties op te lossen.
- Als AI je een antwoord geeft op een vraag, moet je beslist blijven oppassen of dat antwoord wel klopt. Bij teksten als uitkomst zul je de tekst moeten verifiëren, en bij visuele uitkomsten kun je wellicht zelf wel zien of iets al dan niet klopt.
- Bij de aangedragen praktijk-casuïstieken blijkt het in de werkpraktijk onderzoekstechnisch nog een probleem te zijn om het actuele gat tussen 'big data' en 'small data' te overbruggen. Maar de creativiteit van de mens is groot en de ontwikkelingen gaan snel, dus ook dergelijke problemen zullen op termijn vast en zeker worden opgelost.