Onze wereld is vol met apparatuur en toepassingen die in hoog tempo en in grote hoeveelheden data genereren, opslaan en verzenden. Daardoor zijn enorme hoeveelheden data beschikbaar voor allerlei analyses. Denk bijvoorbeeld aan social media data, zelfrijdende auto’s vol met sensoren, intelligente thuis- en kantoorapparatuur, internet- en browsegedrag, digitale camerabeelden, smartphone apps en andere wearables.
Deze snelgroeiende aantallen en variaties in beschikbare data, goedkopere en krachtigere verwerking van grote hoeveelheden gegevens, en betaalbare dataopslag hebben recentelijk een enorme interesse in machine en deep learning gewekt. De basis van deze technieken is het gebruik van het herkennen van patronen voor complexe en multispectrale data. Door software autonoom te maken of door iteratieve terugkoppeling te gebruiken om samenhang in de data te ontdekken, worden patronen gevonden en anomalieën ontdekt. Dit leidt tot een systematiek voor het vinden van clusters en classificaties.
De techniek van deep learning kan zogenaamde onderscheidende kenmerken (discriminative features) in grote datasets leren te herkennen die zowel systematisch als automatisch zijn. Daardoor wordt overgegaan van het handmatig onderscheid maken naar kenmerken naar zogenaamd unsupervised leren.
Deep learning speelt een belangrijke rol bij de analyses van grote hoeveelheden of multidimensionale en complexe data, zoals data die uit sensoren wordt verzameld. We hebben ervaring met het toepassen van diepe neurale netwerken op terabytes van triaxiale bewegingsmeter data om activiteit te herkennen op zowel algoritme als infrastructuur niveau.