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. Als discipline verkent machine learning de analyse en constructie van algoritmen die kunnen leren van data en hier voorspellingen over kunnen 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, of meerdere specifieke taken, kun je machines trainen om patronen in invoergegevens te identificeren, relaties te leggen en routineprocessen te automatiseren. Data is daarbij de sleutel: de algoritmen die machine learning aansturen, zijn cruciaal voor het succes. Machine learning-algoritmen bouwen op basis van voorbeeldgegevens (trainingsgegevens) een wiskundig model om voorspellingen te maken of beslissingen te nemen zonder hier expliciet voor geprogrammeerd te zijn. Zo kan machine learning trends in gegevens blootleggen die informatiebedrijven vervolgens inzetten om de besluitvorming te verbeteren, de efficiëntie te optimaliseren en bruikbare data op grote schaal vast te stellen.

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 dus geen sciencefiction: het wordt al veel gebruikt door bedrijven in vrijwel iedere sector om innovatie te bevorderen en de efficiëntie van processen te verhogen. Als gevolg van de coronapandemie versnelde in 2021 maar liefst 41% van de bedrijven de uitrol van AI. Zij voegen zich bij de 31% van de bedrijven die AI al dagelijks inzetten of actief bezig zijn met het testen van AI-technologieën. Enkele voorbeelden van de succesvolle inzet van AI zijn:

Gegevensbeveiliging

Machine learning-modellen zijn in staat kwetsbaarheden in je gegevensbeveiliging te identificeren vóórdat zij tot inbreuken leiden. Door naar ervaringen uit het verleden te kijken, kunnen deze modellen toekomstige activiteiten met een hoog risico voorspellen, zodat je deze risico’s proactief kunt beperken.

Financiën

Banken, handelsmakelaars en natuurlijk fintech-bedrijven gebruiken algoritmen voor machine learning om de handel te automatiseren, maar ook om financiële adviesdiensten aan investeerders te verlenen. Zo gebruikt de Bank of America een chatbot, Erica, voor het geautomatiseerd ondersteunen van klanten.

Gezondheidszorg

In de gezondheidszorg wordt machine learning gebruikt om enorme datasets te analyseren. Het doel hiervan is de ontdekking van nieuwe behandelingen te versnellen, behandelingen te bespoedigen, de resultaten voor patiënten te verbeteren en routineprocessen te automatiseren om zo menselijke fouten te voorkomen. IBM’s Watson, bijvoorbeeld, gebruikt datamining om artsen gegevens te verstrekken die ze in kunnen zetten om de behandeling van patiënten verder te personaliseren.

Fraudedetectie

In de financiële en bancaire sector wordt AI ingezet om autonoom grote aantallen transacties te analyseren en zo frauduleuze activiteiten real-time aan het licht te brengen. Capgemini – een technologie-service bedrijf – beweert dat fraudedetectiesystemen dankzij machine learning en analyse, de tijd die nodig is voor fraude-onderzoek met 70% verkort én de detectie-nauwkeurigheid met maar liefst 90% verbetert.

Retail

AI-onderzoekers en -ontwikkelaars gebruiken machine learning-algoritmen bij het ontwikkelen van aanbevelings-engines. Deze engines bieden relevante productsuggesties op basis van eerdere keuzes van kopers en historische, geografische en demografische gegevens.

Verschillende trainingsmethoden voor machine learning

Je ziet dat machine learning duidelijke voordelen biedt voor AI-technologieën. Maar hoe begin je met machine learning en welke trainingsmethode is geschikt voor jouw organisatie? Er zijn namelijk veel verschillende machine learning-trainingsmethoden waar je uit kunt kiezen. Zo is er supervised learning (leren onder toezicht), unsupervised learning (leren zonder toezicht), semisupervised learning (semibegeleid leren) en reinforcement learning. 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. Het systeem kan, na voldoende training, doelen bieden voor elke nieuwe input. Daarbij kun je de beoogde uitvoer om fouten te vinden, en het model daarop, aanpassen.

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. Het systeem trekt conclusies uit datasets over wat de uitvoer zou moeten zijn, maar kent op geen enkel moment de zekerheid van ‘juiste’ output.

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. Bij reinforcement learning confronteer je een kunstmatige intelligentie met een spel-achtige situatie. 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. Het doel is de totale beloning te maximaliseren.

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 dan ook belangrijk om te begrijpen wat machine learning wel, maar vooral ook níét kan doen. Het is bovendien verstandig om de volgende tekortkomingen van machine learning in overweging te nemen, voordat je er te diep in duikt:

Machine learning is niet gebaseerd op kennis

Er wordt nog wel eens gedacht dat machine learning dezelfde intelligentie kan bereiken als het menselijk niveau. Dit is niet het geval: 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

Machine learning-modellen zijn lastig 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 om machines te trainen. Daarnaast zijn er enorme datasets nodig om datamodellen te creëren, die voorafgaand aan het proces handmatig gelabeld en gecategoriseerd dienen te worden. Je begrijpt dat de uitputting van deze bronnen vertraging en knelpunten kunnen veroorzaken.

Afhankelijk van data

Machine learning is gevoelig voor problemen met data. Zo heeft 96% van de bedrijven problemen ondervonden tijdens het trainen van modellen die voortkwamen uit de kwaliteit van gegevens, gegevenslabels en het opbouwen van vertrouwen in de modellen. De problemen met de training van de modellen zijn een belangrijke reden dat 78% van alle machine learning-projecten al vastlopen voordat ze worden geïmplementeerd. De drempel voor machine learning-succes is dus buitengewoon hoog.

Machine learning is vaak bevooroordeeld

Machine learning-systemen staan erom bekend dat ze in een zwarte doos werken: je hebt geen zicht op hoe de machine leert, of hoe de computer beslissingen neemt. Wanneer je dus een geval van vooringenomenheid ontdekt, kun je op geen enkele manier vaststellen wat hiervan de oorzaak is. Je enige optie is dan om het algoritme opnieuw te trainen met aanvullende gegevens. Het geeft je echter niet de garantie dat je daarmee vooroordelen in het model uitroeit.

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, zoals de zwarte doos die ontstaat als machines zonder toezicht leren, neutraliseert. Die aanpak noemen we symbolische AI. Dit is een op regels gebaseerde methode voor het verwerken van data. Deze symbolische AI maakt gebruik van een kennisgrafiek, die een ‘open doos’ is, om concepten en semantische relaties te identificeren en definiëren. 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.

Digitaaleon helpt

Wil je weten wat machine learning voor jouw organisatie kan betekenen? Dan helpt Digitaaleon je graag verder. Wij kunnen je uitstekend ondersteunen bij inventariseren en automatiseren van je processen.

Ben je benieuwd naar de mogelijkheden? En wil je graag een keer kennismaken met onze diensten en mensen? Neem dan gerust contact op met Digitaaleon. Je kunt ons bellen op +31 85 00 43 678, mailen naar info@digitaaleon.nl of het contactformulier op onze website invullen.