Waarom is dit belangrijk?
Grote hoeveelheden uiteenlopende gegevens worden daardoor bruikbaar voor het herkennen van afwijkingen die in losse controles verdwijnen. In de zorg onderzoekt de KU Leuven representatieleren om zorgverzekeraars te helpen afwijkende profielen op te sporen. Voor verzekerden en medewerkers in de zorg kunnen beslissingen dan steunen op gevonden patronen die lastig te controleren zijn en ook vooroordelen uit de gegevens kunnen bevatten.
Zo werkt het in de praktijk
Onderzoekers bij Google gebruiken representatieleren in Word2vec. Het model maakt van elk woord een vector uit de omringende woorden in een grote tekst. Die vectoren dienen daarna als invoer voor zoeken en voor het indelen van tekst.
Onderzoek vraagt welke woordweergave een model het beste ondersteunt. In 2003 leerden Yoshua Bengio en collega's die representaties samen met de kans op woordreeksen. Een Google-team presenteerde Word2vec in 2013 op ICLR, om dit leren snel te houden bij grote tekst.
Representatieleren sluit aan op zelfgesuperviseerd leren. Het systeem maakt daarbij zelf oefenparen uit elk datapunt, zonder labels van een mens. Woordvectoren leren zo de structuur van de tekst.




