De politie zet nog eens vier promovendi in om onderzoek te doen naar hoe kunstmatige intelligentie (AI) het politiewerk kan ondersteunen. Sinds begin 2018 werken al drie promovendi van de Universiteit van Amsterdam hieraan in het zogenoemde Politielab Data Science, dat eerder in Amsterdam werd geopend.
Vandaag opent het Nationaal Politielab AI bij de Universiteit Utrecht, waar nog eens vier promovendi aan de slag gaan. De promovendi zijn in dienst van de politie en worden gekoppeld aan ervaren politiemensen.
Net zo baanbrekend als ooit vingerafdrukken waren
De hoeveelheid data binnen de samenleving neemt enorm toe, aldus de politie. “Ooit waren vingerafdrukken in de opsporing baanbrekend, nu heb je al snel de beschikking over allerlei data, zoals locatiegegevens, beeld en geluid. Al die verbanden – ook tussen zaken – zijn er, maar je moet ze wel kunnen leggen’’, zegt programmadirecteur digitalisering en cybercrime Theo van der Plas.
Allernieuwste securitysystemen maken gebruik van deep learning
Slimme camera’s, toegangscontrole met gezichtsherkenning, we zijn er langzamerhand wel aan gewend. Maar de allernieuwste securitysystemen zijn niet alleen slim, ze zijn zelflerend en ze maken gebruik van deep learning. Hoe werkt dat precies?
Eind 2017 gebeurde er iets dat niemand voor mogelijk had gehouden. Google lanceerde zijn schaakprogramma Alpha Zero en dat werkte anders dan alle andere programma’s. De programmeurs voerden niet – zoals gebruikelijk – miljoenen stellingen in, maar leerden het programma alleen de spelregels. Vervolgens lieten ze het tegen zichzelf spelen, slechts negen uur lang. Het resultaat: de sterkste schaakentiteit ooit. Het programma won met gemak van het beste computerprogramma op aarde. En voor de niet-schakers: dat is een stuk sterker dan de menselijke wereldkampioen.
> Download ook de whitepaper Cameratoezicht – De impact van deep learning
Een programma hoeft niet langer gevoed te worden met allerlei informatie, het kan de informatie zelf afleiden uit een zeer beperkte input
Het is het resultaat van een nieuw type algoritmes: deep learning. Door recente innovaties hoeft een programma niet langer worden gevoed met allerlei informatie, het kan de informatie zelf afleiden uit een zeer beperkte input. En dat heeft niet alleen gevolgen voor de wereld van het schaken, maar ook voor die van security.
Verschil deep learning en conventionele technieken
Allereerst: wat is precies het verschil tussen deep learning en de conventionele technieken? Volgens TNO-onderzoeker Henri Bouma zit het hem in het menselijke ontwerp. “Je kunt die systemen informatie geven op verschillende niveaus: op het laagste niveau leer je ze onderscheid te maken tussen allerlei soorten lijntjes, streepjes, vierkantjes en driehoekjes. Een niveau hoger leer je ze neuzen herkennen, en oren en ogen. En op het allerhoogste niveau laat je ze zien wat een mens is, en wat een paard, en wat een auto.”
Algoritmes werden voornamelijk met de hand ontworpen, nu ontwerpen die systemen zichzelf
En nu komt het: de deep learning-algoritmes kunnen zelfstandig leren op alle niveaus tegelijk. “Vroeger werden die laagste niveaus ontworpen door mensen”, zegt Bouma. “Alleen op het allerhoogste niveau, op het niveau van mensen, paarden en auto’s, leerde de computer zelf, en wel aan de hand van veel voorbeelden. Bij deep learning is de rol van het systeem veel groter. Die algoritmes beschikken over een neuronennetwerk dat automatisch leert hoe die lijntjes eruit moeten zien, en het leert zichzelf ook neuzen, oren en monden. Eerst werden algoritmes voornamelijk met de hand ontworpen, nu ontwerpen die systemen zichzelf.”
Algoritmes kunnen zelf nieuwe voorbeelden verzinnen
En wat belangrijker is: door recente innovaties hebben de algoritmes gebaseerd op deep learning nu ook minder voorbeelden nodig. “Het is een van de problemen met kunstmatige intelligentie in het algemeen en deep learning in het bijzonder”, zegt Bouma’s collega-onderzoeker Maarten Kruithof. “Als jij een foto ziet van je vriendin, herken je haar ook als ze een beetje voorover staat, of gedraaid, of als het licht iets meer oranje is. Voor een digitaal systeem is dat lastig: als je die tien voorbeeldfoto’s geeft van een mens, gaat het bij de elfde toch mis. Daarom geef je hem er een miljoen, dan kan hij die miljoen-en-eerste ook wel herkennen, ook al heeft hij dat specifieke plaatje nooit gezien. Echter, met behulp van nieuwe methodes om algoritmes op basis van deep learning te laten leren kun je volstaan met veel minder voorbeelden. Als je die algoritmes een paar van die voorbeelden geeft, kunnen ze daar zelf op variëren. Anders gezegd: ze kunnen zelf nieuwe voorbeelden verzinnen.”
Henri Bouma (links) en Maarten Kruithof doen bij TNO onderzoek naar deep learning.
En met succes. Dit soort programma’s herkennen voorwerpen zelfs beter dan een mens. “Er is een experiment gedaan, waarbij ze een paar duizend plaatjes voorlegden aan zo’n programma en ook aan enkele proefpersonen”, zegt Kruithof. “Bij mensen ging dat ongeveer bij 5% fout: dan was het plaatje een beetje onduidelijk en zei zo iemand dat hij een vrachtwagen zag, in plaats van een gewone auto. Maar deep-learning-algoritmes weten het percentage fouten te halveren: tot 2,5%.”
Succes van deep learning verschilt per toepassing
Maar we moeten niet te snel vervallen in een juichverhaal. Want ook systemen gebaseerd op deep learning kennen nog hun beperkingen. Om die goed te begrijpen, moeten we een onderscheid maken tussen drie soorten toepassingen:
Classificatie
Een voorbeeld daarvan zagen we hiervoor. “Hier gaat het om een plaatje van één object”, zegt Kruithof. “Het systeem moet dus bepalen of het gaat om een hond, een mens, een auto of een banaan. Hierin zijn algoritmes op basis van deep learning superieur. Ze doen het beter dan mensen, maar ook dan klassieke algoritmes.”
Detectie
Dit gaat volgens Kruithof een stapje verder. “Je ziet hier niet alleen maar een auto of een banaan. In plaats daarvan bevat een beeld diverse objecten. Het systeem geeft aan welke objecten hij ziet, en op welke plaats in het beeld. Dit is natuurlijk moeilijker, maar ook hier beginnen deep learning-algoritmes al behoorlijk goed te werken. Je ziet dat niet alleen in de fysieke wereld, maar ook op het internet. Neem een site waarop criminelen drugs aanbieden, of wapens. Daar houden ze de beschrijving expres uiterst cryptisch en het product zelf is alleen duidelijk te herkennen op een plaatje. Echter, dat herkennen, dat kunnen programma’s nu ook. Dus kunnen ze nu alarm slaan: ‘Dit is cocaïne’. Of: ‘Dit is een machinegeweer.’”
> Lees ook Deep learning-camera’s herkennen gezichten mét emoties
Gedragsherkenning
Op het hoogste niveau detecteert het systeem niet alleen objecten, maar ook acties. Het signaleert in een menigte een zakkenroller, of iemand die het typische gedrag vertoont van een drugshandelaar of terrorist. Of het registreert de kenmerken van een ruzie die op het punt staat uit de hand te lopen.
Gedragsherkenning is voor deep learning nog lastig
En dat hoogste niveau, die gedragsherkenning, is voor deep learning nog lastig. “Het is relatief gemakkelijk om mensen te onderscheiden van auto’s”, zegt Bouma. “En ook om het gezicht van een bekende crimineel te detecteren in de menigte. Maar verdacht gedrag… Allereerst heb je een tekort aan voorbeelden. Hoeveel zakkenrollers staan er op video? Hoeveel drugsdealers en terroristen? En zelf voorbeelden verzinnen, dat blijft lastig. Want je hebt niet alleen te maken met objecten in een ruimte, maar ook in de tijd. Daarom werken conventionele algoritmes op dit gebied voorlopig nog beter. Let wel: voorlopig. Want ook op dit gebied gaat de progressie van deep learning razendsnel.”
Peter Passenier is freelance journalist
> Download ook de whitepaper Camera’s worden sneller beter – welke gevolgen heeft deep learning?
> Dit artikel is verschenen in Security Management nummer 3