Machine Learning en AI – Wat betekent dat voor jou?

Wat is machine learning?

Aangezien machine learning nog best verwarrend kan zijn, is het belangrijk dat we beginnen met een duidelijke definitie van deze term: Machine learning is een toepassing van AI, waarmee systemen kunnen leren en ervaringen verbeteren zonder expliciet geprogrammeerd te zijn.

Machine learning richt zich dus op het ontwikkelen van computerprogramma's die toegang hebben tot gegevens en door het gebruik van deze gegevens zelf leren. Het uiteindelijke doel is kunstmatige intelligentie: machine learning vormt de basis voor AI-systemen die processen automatiseren en op gegevens gebaseerde bedrijfsproblemen autonoom kunnen oplossen.

Hoe werkt machine learning?

Zoals het menselijk brein kennis en begrip verwerft door te studeren en ervaren, vertrouwt machine learning op input. Daarbij kun je denken aan trainingsgegevens of kennisgrafieken. Hiermee leert machine learning entiteiten, domeinen en de verbanden daartussen te begrijpen. Met goed gedefinieerde entiteiten kan deep learning beginnen.

Het machine learning-proces begint met observaties of gegevens, zoals voorbeelden, directe ervaringen en instructies. Daarbij zoekt het naar patronen in gegevens, zodat het later conclusies kan trekken op basis van de gegeven voorbeelden. Bij machine learning is het primaire doel om computers autonoom te laten leren, zonder menselijke hulp of tussenkomst, en acties desgewenst aan te passen.

Waarom is machine learning zo belangrijk?

Als concept bestaat machine learning al geruime tijd. De term 'machine learning' werd bedacht door Arthur Samuel. Hij was een computerwetenschapper bij IBM en een pionier op het gebied van computergaming. Samuel ontwierp een computerprogramma voor het spel dammen: hoe vaker het programma speelde, hoe meer het leerde van ervaring, geholpen door algoritmen om voorspellingen te doen.

Waarom is dit zo belangrijk? Machine learning kan problemen oplossen met een snelheid en op een schaal die het menselijke brein niet kan evenaren. Dankzij enorme hoeveelheden rekenvermogen achter een enkele taak kun je machines trainen om patronen in invoergegevens te identificeren, relaties te leggen en routineprocessen te automatiseren.

Machine learning stelt bedrijven in staat om bepaalde menselijke capaciteiten te vervangen of uit te breiden. Door machine learning-toepassingen slim in te zetten, kan je personeel zich bezighouden met zaken die echt waarde toevoegen aan je bedrijf. Je komt machine learning-toepassingen bijvoorbeeld al veel tegen in chatbots en spraakherkenning, maar ook in zelfrijdende auto's.

Brede toepassingen

Machine learning is geen sciencefiction: het wordt al veel gebruikt door bedrijven in vrijwel iedere sector om innovatie te bevorderen en de efficiëntie van processen te verhogen. Enkele voorbeelden:

• Gegevensbeveiliging: Machine learning-modellen zijn in staat kwetsbaarheden in je gegevensbeveiliging te identificeren vóórdat zij tot inbreuken leiden.
• Financiën: Banken en fintech-bedrijven gebruiken algoritmen voor machine learning om de handel te automatiseren en financiële adviesdiensten te verlenen.
• Gezondheidszorg: Machine learning wordt gebruikt om enorme datasets te analyseren en de ontdekking van nieuwe behandelingen te versnellen.
• Fraudedetectie: AI wordt ingezet om autonoom grote aantallen transacties te analyseren en frauduleuze activiteiten real-time aan het licht te brengen.
• Retail: Machine learning-algoritmen worden gebruikt bij het ontwikkelen van aanbevelings-engines die relevante productsuggesties bieden op basis van eerdere keuzes van kopers.

Verschillende trainingsmethoden voor machine learning

Er zijn veel verschillende machine learning-trainingsmethoden waar je uit kunt kiezen. Laten we eens kijken wat elk te bieden heeft.

Supervised learning: meer controle, minder vooringenomenheid

Bij supervised learning passen algoritmen voor machine learning die onder toezicht staan toe wat in het verleden is geleerd op nieuwe gegevens. Hiervoor gebruikt het gelabelde voorbeelden om toekomstige gebeurtenissen te voorspellen. Door de analyse van een bekende trainings-dataset produceert het leeralgoritme een afgeleide functie waarmee het outputwaarden voorspelt.

Unsupervised learning: snelheid en schaalbaarheid

Wil je data die je niet hebt geclassificeerd of gelabeld, gebruiken om te trainen, dan is unsupervised learning een optie. Unsupervised learning bestudeert namelijk hoe systemen een functie kunnen afleiden om een verborgen structuur te beschrijven uit ongelabelde data.

Semi supervised learning: een vinger aan de pols

Semi supervised learning is een techniek voor machinaal leren waarbij een klein deel gelabelde gegevens en veel ongelabelde gegevens worden gebruikt om een voorspellend model te trainen. In het leerproces kan een menselijke expert dan labels toevoegen aan de ruwe gegevens om in een model de doelattributen te tonen.

Reinforcement learning: beloont resultaat

Reinforcement learning is het trainen van machine learning modellen om een reeks beslissingen te nemen. Het model leert een doel te bereiken in een onzekere, mogelijk complexe omgeving. De computer gebruikt trial and error om een oplossing voor het probleem te vinden. Om de machine te laten doen wat de programmeur wil, krijgt de kunstmatige intelligentie beloningen of straffen voor de acties die ze uitvoert.

Niet perfect

Hoewel machine learning nuttig is voor het automatiseren van de overdracht van menselijke intelligenties naar machines, is het zeker geen perfecte oplossing voor al je gegevens-gerelateerde problemen. Het is verstandig om de volgende tekortkomingen in overweging te nemen:

• Machine learning is niet gebaseerd op kennis:Machines worden aangedreven door data, niet door menselijke kennis. Daardoor wordt 'intelligentie' bepaald door de hoeveelheid gegevens die je hebt om het model te trainen.
• Moeilijk te trainen: Maar liefst 81% van de datawetenschappers geeft toe dat het trainen van AI met data ingewikkelder is dan verwacht. Het vraagt de nodige tijd en middelen.
• Afhankelijk van data: Machine learning is gevoelig voor problemen met data. 96% van de bedrijven heeft problemen ondervonden tijdens het trainen van modellen die voortkwamen uit de kwaliteit van gegevens.
• Machine learning is vaak bevooroordeeld: Machine learning-systemen werken in een zwarte doos: je hebt geen zicht op hoe de machine leert, of hoe de computer beslissingen neemt.

De toekomst van machine learning: hybride AI

Hoewel machine learning verre van perfect is, is het nog steeds cruciaal voor het succes van AI. Toch zullen we AI op een andere manier moeten benaderen om er echt een succes van te maken. Een benadering die de zwakke punten van AI neutraliseert noemen we symbolische AI: een op regels gebaseerde methode voor het verwerken van data die gebruik maakt van een kennisgrafiek.

Symbolische AI en machine learning vormen samen hybride AI: een methode die AI helpt om naast data ook taal te begrijpen. Met meer inzicht in hetgeen het machine learning-model heeft geleerd én waarom, kan deze krachtige aanpak de manier waarop gegevens in je hele organisatie worden gebruikt omwentelen.