211service.com
De intelligente leeralgoritmen van Numenta
Jeff Hawkins heeft een trackrecord in het voorspellen van de toekomst. De oprichter van Palm en uitvinder van de PalmPilot, sprak in de jaren negentig over een komende wereld waarin we allemaal krachtige computers op zak zouden hebben. Niemand geloofde er toen in - mensen dachten dat ik gek was, zegt hij. Natuurlijk ben ik enthousiast over hoe succesvol mobiel computergebruik tegenwoordig is.
Wat is het volgende: Jeff Hawkins, de uitvinder van de PalmPilot in de jaren negentig, heeft nu een nieuwe reeks voorspellende algoritmen ontwikkeld, geïnspireerd op de werking van de neocortex, het planningscentrum van de hersenen.
Bij zijn huidige bedrijf Numenta , werkt Hawkins aan een ander idee dat uit het linker veld lijkt te komen: het kopiëren van de werking van onze eigen hersenen om software te bouwen die nauwkeurige, snelle beslissingen neemt voor de door gegevens overspoelde bedrijven van vandaag. Hij en zijn team werken sinds 2005 aan hun algoritmen en bereiden zich eindelijk voor om een versie uit te brengen die klaar is voor gebruik in producten. De technologie van Numenta is gericht op een verscheidenheid aan toepassingen, zoals het beoordelen of een creditcardtransactie frauduleus is, het anticiperen op wat een internetgebruiker vervolgens zal klikken of het voorspellen van de waarschijnlijkheid dat een bepaalde ziekenhuispatiënt een terugval zal krijgen.
Wat die voorbeelden gemeen hebben, is dat ze complexe patronen bevatten die in de loop van de tijd evolueren, zegt Hawkins. De algoritmen kunnen die patronen analyseren en extrapoleren omdat ze technieken lenen van delen van het menselijk brein die zijn geëvolueerd om complexe gegevens die vanuit onze zintuigen binnenstromen te interpreteren en te gebruiken om te voorspellen wat er zou kunnen komen.
Sommige bedrijven testen de nieuwste aanpak van Numenta al. Sm4rt Security Services, een computerbeveiligingsbedrijf gevestigd in Mexico-Stad, is een van hen. We zijn ingehuurd door een van 's werelds beste banken om te bewijzen dat deze nieuwe technologie kaartfraude kon voorkomen, zegt CEO Victor Chapela. In slechts drie maanden tijd zijn we erin geslaagd om de nauwkeurigheid van de bestaande systemen, die in 25 jaar zijn ontwikkeld, te evenaren.
De bank zal ergens volgend jaar een op Numenta gebaseerde fraudechecker inzetten naast de bestaande maatregelen, zegt hij. De bank lijdt elk jaar meer dan $ 100 miljoen aan fraude, zegt hij, dus alles dat zelfs maar een fractie daarvan kan besparen, wordt zeer snel terugverdiend.
Numenta's technologie is aantrekkelijk voor banken omdat het vermogen om te leren van eerdere gegevens een cruciale limiet op fraudepreventietechnologie omzeilt. Het computersysteem van een bank heeft slechts 10 milliseconden om te beslissen of het een transactie moet autoriseren, zegt Chapela: Er is gewoon geen tijd om de transacties van een persoon in het verleden te doorzoeken. Als gevolg hiervan worden transacties doorgaans onderverdeeld in nauw gedefinieerde categorieën en beoordeeld volgens regels die specifiek zijn voor elke categorie - regels die te maken hebben met kenmerken zoals het type kaart, het in rekening gebrachte bedrag en het type handelaar.
Maar de technologie van Numenta maakt deze afzonderlijke sets regels overbodig. In plaats daarvan wordt een onbewerkte feed van de bestedingspatronen van elke persoon gebruikt om een reeks algoritmen te trainen, zodat ze de gewoonten van die klant kunnen leren. Op elk moment heeft het systeem een geïnternaliseerde weergave van gebeurtenissen uit het verleden die het gebruikt om te voorspellen welke soorten transacties waarschijnlijk zullen volgen. Als een nieuwe transactie niet aan die verwachtingen voldoet, kan deze worden aangemerkt als potentiële fraude. In deze aanpak zijn de fraudedetectoren altijd up-to-date, zegt Chapela. Aan de andere kant moeten de regels van een traditioneel analysesysteem worden bijgewerkt in een moeizaam proces dat meestal maar eens in de zes maanden wordt uitgevoerd.
De inspiratie van Hawkins voor de onderliggende technologie komt van de neocortex, de gerimpelde buitenste laag van onze hersenen die verantwoordelijk is voor activiteiten zoals spraak, beweging en planning. Opvallend is dat die zeer verschillende vermogens voortkomen uit een gemeenschappelijke architectuur van neuronen, in plaats van uit verschillende groepen neuronen met zeer specifieke kenmerken.
Hawkins heeft dat idee van een gemeenschappelijke architectuur overgenomen. We gebruiken primaire bronnen over de neurowetenschap daarvan als gids, dus er zit een enorme hoeveelheid biologie in, zegt hij. De algoritmen simuleren de verschillende lagen neuronen die informatie verwerken in de neocortex. De onderste laag ontvangt de onbewerkte invoergegevens en geeft vervolgens een verwerkte en gecondenseerde versie door naar de volgende laag met algoritmen. Naarmate informatie dat hiërarchische model opstijgt, wordt het geabstraheerd van het origineel en worden de meest opvallende kenmerken geëxtraheerd, zegt Itamar Arel , die aan machine learning werkt aan de Universiteit van Tennessee.
Het vermogen van het systeem om voorspellingen te doen over zich ontvouwende gebeurtenissen is geworteld in zijn unieke vermogen om tijdelijke of tijdsafhankelijke gegevens te verwerken. Conventionele leersoftware kan dat niet, omdat het niet kan omgaan met input die bestaat uit veel variabelen die in de loop van de tijd veranderen. In plaats daarvan moeten ingenieurs over het algemeen het handjevol variabelen extraheren waarvan zij denken dat ze nuttig zijn en deze in de algoritmen invoeren.
Die voorbewerking is niet nodig in modellen die zijn geïnspireerd op studies van biologische hersenen, zegt Arel. In plaats daarvan kan het leersysteem zelf beslissen wat belangrijk is en wat niet. Dit is een opkomend veld dat deep machine learning wordt genoemd. De meeste academische inspanningen zijn echter gericht op het verwerken van afbeeldingen, zegt hij. Het unieke aan Numenta is dat het in staat is om tijdelijke gegevens te verwerken, wat verschillende soorten toepassingen opent. Een van de voorbeelden die Hawkins voor ogen heeft: bedrijven zouden menselijke spraak of patronen van elektriciteitsverbruik in gebouwen beter kunnen analyseren.
Maar hoewel deze benadering het vooruitzicht biedt van systemen die over alle soorten gegevens kunnen leren in plaats van zich te specialiseren in slechts één taak, moet Numenta nog steeds bewijzen dat haar technologie breed toepasbaar en kosteneffectief is. Het is ook onduidelijk hoe het bedrijf de technologie op de markt zal brengen, maar het zal waarschijnlijk in de vorm van ontwikkelingstools zijn in plaats van kant-en-klare producten. Nu de technologie echt werkt, zegt Hawkins, zullen we volgend jaar overschakelen naar de modus voor productontwikkeling.