How to AI?

Leon transparant3Geschreven door Leon de Rijke op 16-11-2021

Bij AI denken veel mensen aan data scientists die data uitpluizen, algoritmes bedenken en Machine Learning modellen trainen. Door de grote aandacht voor AI, ontwikkelen tools op AI gebied zich in een razend tempo en is het lang niet altijd meer nodig om zelf ingewikkelde algoritmes te ontwikkelen.

Mogelijkheden

Er zijn naast het zelf ontwikkelen van algoritmes een aantal andere mogelijkheden te onderkennen:

In deze blogpost maken we je wegwijs in de wereld van AI, laten we zien dan de drempel om met AI te beginnen eigenlijk niet zo hoog is en leggen we uit wanneer je voor welke vorm van AI zou moeten kiezen.

Pretrained models

Pretrained models zijn, zoals de naam zegt, AI modellen die al getraind zijn met een bepaalde dataset. Dit zijn vaak AI modellen voor heel specifieke en veelvoorkomende problemen, zoals het tellen van het aantal mensen in een foto, het herkennen van internationale addressen in ongestructureerde tekst en het detecteren van spam.

Dit soort modellen kunnen vaak zonder enige configuratie toegepast worden. Dit heeft uiteraard een aantal voordelen: - Je hebt zelf geen (grote hoeveelheden) training data nodig. Je profiteert van de grote hoeveelheden data waarmee deze modellen vaak getraind zijn. - Je hoeft niet te weten hoe het AI model precies werkt, je kunt het model simpelweg gebruiken net zoals je een andere code library zou gebruiken.

Dit soort modellen zijn beschikbaar in de Open Source community en er zijn tevens SaaS oplossingen die dit in API vorm aanbieden.

AI cloud diensten, “AI as a Service”

“AI as a Service” zijn diensten die een AI model als een API aanbieden. Dit kunnen pretrained models zijn, maar vaak zijn het ook algoritmes die je nog wel met eigen data moet trainen.

Een voorbeeld hiervan is AWS Personalize. AWS Personalize is een AI service die je zelf moet trainen met eigen data, maar waarbij je gebruikt kunt maken van recipes die AWS beschikbaar stelt. Het gekozen recipe bepaalt hoe het AI model zich gedraagt. Zo kun je bijvoorbeeld kiezen voor een aanpak waarbij het model recommendations doet op basis van algemene populariteit van producten, of een aanpak waarbij AWS Personalize meer kijkt naar het gedrag van individuele gebruikers.

Het is eenvoudig te starten met AWS Personalize. Er is geen grote historische dataset nodig. Naarmate er meer van je data naar AWS Personalize vloeit worden de aanbevelingen beter. Ook diepgaande kennis van AI algoritmes is niet nodig. Zie ook onze blogpost Personalisatie: Één van de belangrijkste E-Commerce trends in 2022.

Generieke AI cloud diensten

Naast de specifieke AI frameworks en diensten die we besproken hebben zijn er ook algemene (cloud-based) AI diensten zoals AWS SageMaker en Azure Machine Learning. Deze zogenaamde “MLOps” platforms ondersteunen de hele Machine Learning lifecycle, van het verzamelen van data tot het trainen van modellen en het deployen van AI modellen naar productie. Zowel AWS SageMaker als Azure Machine Learning bieden de mogelijkheid om gebruik te maken van standaard algoritmes, óf algoritmes zelf van scratch te ontwikkelen.

In elk geval zijn dit geen “Plug & Play” tools maar vereist het toepassen hiervan veel kennis van AI en algoritmes. Denk bijvoorbeeld aan het doen van voorspellingen. Het voordeel is echter wel dat deze tools gebruikt kunnen worden voor een zeer brede set aan AI use cases en niet alleen hele specifieke use cases.

AI frameworks zoals TensorFlow en PyTorch

Als je wel volledig de kennis en expertise in huis hebt over hoe je AI toe kunt passen en daarnaast over genoeg trainingsdata beschikt, hoef je alsnog niet alles zelf te implementeren. PyTorch (gemaakt door Facebook) en TensorFlow (door Google) zijn twee veelgebruikte open source oplossingen om je eigen modellen te trainen en te exporteren om te gebruiken in je eigen software.

Dit geeft je volledig inzicht in wat er in welke laag van je modellen bijdraagt aan het eindresultaat, maar dan moet je wel genoeg kennis hebben om dit correct te interpreteren en vervolgens dan te weten aan welke knoppen je moet draaien om hier invloed op te hebben. Als deze modellen niet in de cloud kunnen draaien zijn deze AI frameworks goed inzetbaar. Denk hierbij aan situaties waarin data niet naar de cloud mag/kan en toepassingen zoals on-device image recognition.

Conclusie

In deze blogpost hebben we laten zien welke vormen van AI er zijn. De vier besproken vormen verschillen met name in de hoeveelheid AI-kennis die je ervoor nodig hebt en de toepassingsgebieden:

  1. Pretrained models zijn geschikt voor veelvoorkomende, specifieke vraagstukken (voorbeeld: adresherkenning)
  2. AI-as-a-service is geschikt voor veelvoorkomende, situationele vraagstukken (voorbeeld: recommendations)
  3. AI clouddiensten zijn geschikt voor het unieke vraagstukken die je in de cloud wilt hosten (voorbeeld: voorspellingen)
  4. AI frameworks zijn geschikt voor unieke vraagstukken die je op andere locaties wilt hosten, zoals mobiele devices (voorbeeld: on-device image recognition)

Met weinig kennis van AI kun je al wel aan de slag. Met pretrained models en AI-as-a-service kun je AI toepassen in je product als het gaat om veelvoorkomende vraagstukken. Naarmate de vraagstukken unieker en complexer worden is er meer AI kennis benodigd om AI toe te passen in je product met AI clouddiensten en AI frameworks.

Meer weten over de mogelijkheden van AI? Neem contact met ons op!

Bij Kabisa staat privacy hoog in het vaandel. Wij vinden het belangrijk dat er zorgvuldig wordt omgegaan met de data die onze bezoekers achterlaten. Zo zult u op onze website geen tracking-cookies vinden van third-parties zoals Facebook, Hotjar of Hubspot. Er worden alleen cookies geplaatst van Google en Vimeo. Deze worden gebruikt voor analyses, om zo de gebruikerservaring van onze websitebezoekers te kunnen verbeteren. Tevens zorgen deze cookies ervoor dat er relevante advertenties worden getoond. Lees meer over het gebruik van cookies in ons privacy statement.