Uit de cursus: Wat is generatieve AI?

VAE en detectie van afwijkingen - tutorial DALL-E

Uit de cursus: Wat is generatieve AI?

Gratis proefversie van 1 maand starten

VAE en detectie van afwijkingen

“

- Laten we nu gaan praten over een toepassing van generatieve AI die misschien niet zo voor de hand liggend is als het wordt gebruikt bij het genereren van afbeeldingen, zoals we eerder hebben gezien, audio of tekst. Maar het is nog steeds een zeer belangrijke toepassing, en het zal de anomaliedetectie zijn. Een van de belangrijkste modellen die we in deze ruimte gebruiken, zijn Variational Autoencoders, ook wel VAE genoemd. Deze modellen kunnen worden gebruikt voor het detecteren van anomalieën door het model te trainen op een gegevensset met normale gegevens en vervolgens het getrainde model te gebruiken om instanties te identificeren die afwijken van de normale gegevens. Dit kan worden gebruikt om anomalieën te detecteren in een breed scala aan situaties, zoals het vinden van fraude bij financiële transacties, het opsporen van fouten in de productie of het vinden van beveiligingsinbreuken in een netwerk. Uber heeft bijvoorbeeld VAE gebruikt voor het detecteren van anomalieën in hun financiële transacties om fraude op te sporen. Een ander voorbeeld is dat Google ook VAE heeft gebruikt om netwerkinbraken te detecteren met behulp van anomaliedetectie en een andere toepassing van VAE in de echte wereld is anomaliedetectie in industriële kwaliteitscontrole. In dit scenario kan een VAE worden getraind op een dataset met afbeeldingen van normale producten en vervolgens worden gebruikt om afbeeldingen van producten te identificeren die afwijken van de normale gegevens. Op deze manier kan het worden gebruikt om defecten in producten op te sporen, zoals krassen, deuken of verkeerde uitlijning. Een ander voorbeeld uit de echte wereld is de gezondheidszorg waar VAE wordt gebruikt om afwijkingen in medische beeldvorming zoals CT-scans en MRI te detecteren, zoals het Children's National Hospital in Washington, DC een generatief AI-model gebruikt om elektronische medische dossiers te analyseren. Het model gebruikt gegevens zoals vitale functies, laboratoriumresultaten en demografische informatie om te voorspellen welke patiënten risico lopen op sepsis, waardoor zorgverleners vroegtijdig kunnen ingrijpen en de patiëntresultaten kunnen verbeteren. Variationele auto-encoders zijn een flexibel, generatief model dat niet alleen in staat is om anomalieën te detecteren, maar ook deel uitmaakt van de architectuur van verschillende andere generatieve AI-modellen.

Inhoud