In dit artikel beantwoorden we de vraag ‘wat is machine learning?’. We geven een definitie van machine learning (ML), die we verduidelijken met een voorbeeld. Ook gaan we kort in op de werking.
Wat is machine learning? Om die vraag te beantwoorden, kijken we eerst naar Artificial Intelligence (AI; of Kunstmatige Intelligentie, KI). AI is heel kort gezegd intelligentie tentoongesteld door machines. De term AI wordt gebruikt wanneer een machine (computer) cognitieve functies nabootst die geassocieerd worden met de mens, zoals leren en probleem oplossen. Concrete voorbeelden van AI-toepassingen zijn: aanbevelingen van webshops, fraudedetectie bij verzekeraars, voorspellend onderhoud, slimme assistenten en het analyseren van röntgenfoto’s. Ondanks dat dit heel verschillende voorbeelden van AI-systemen zijn, werkt de technologie erachter in de basis toch grotendeels hetzelfde.
Hoe komt het dat AI-systemen kunnen schaken, een gesprek kunnen voeren en kunnen autorijden? Met andere woorden: waar komt hun intelligentie vandaan? Het is onmogelijk om via computercode een systeem intelligent te maken – je kunt nooit alle situaties programmeren. Daarom gebruikt men machine learning (ML), oftewel algoritmes die leren van ervaring. Door een ML-algoritme te voeden met data (voorbeelden) wordt het algoritme steeds beter in zijn taak. Door ervaring op te doen, leert het algoritme.
Bij machine learning wordt het systeem getraind met voorbeelden. Die training is bedoeld om het algoritme te leren de juiste antwoorden te geven. Dit gebeurt middels supervised learning. Hierbij wordt het systeem niet alleen gevoed met input (de data), maar ook met labels, oftewel het gewenste antwoord. Het doel is om het systeem zichzelf leert om de input te vertalen naar deze gewenste output. Door te trainen maakt de machine steeds minder fouten en kan deze uiteindelijk ook met nieuwe input zelf tot de juiste output komen.
We leggen dat idee uit met een voorbeeld: stel dat je een machine learning-algoritme foto’s van vogels wilt leren herkennen. Door het systeem heel veel foto’s van vogels te laten zien en te vertellen dat het hier om vogels gaat (de labels), leert het systeem beoordelen hoe een vogel eruitziet. Het systeem leert door al die voorbeelden te analyseren dat een vogel een snavel, veren, vleugels en twee poten heeft. Hoe meer foto’s van vogels je het algoritme voedt (ervaring), hoe beter het systeem op den duur vogels zal herkennen. Uiteindelijk ook in nieuwe foto’s dat het algoritme nog niet kent.
We namen foto’s van vogels als voorbeeld, maar ook bij andere toepassingen wordt ditzelfde principe (leren door ervaring) gebruikt. Denk aan een chatbot die een natuurlijk gesprek leert voeren. Dit algoritme voer je met echte gesprekken met klantenservicemedewerkers. Of neem een algoritme dat fraudeleuze creditcardtransacties moet leren herkennen. Dat voer je met historische data van bewezen fraudeleuze creditcardtransacties.
ML-algoritmes leren om voorspellingen te doen. Bijvoorbeeld: dit is met 97 procent zekerheid een fraudeleuze creditcardtransactie. Stel dat je een algoritme voorspellingen wilt laten doen over verkeerspatronen bij een drukke kruising, dan train je het met gegevens over historische verkeerspatronen. Wanneer het algoritme voldoende ervaring heeft opgedaan, dan is het in staat om voorspellingen te doen over toekomstige verkeerspatronen.
Maar stel dat er voor de toepassing die jij voor ogen hebt geen gelabelde data voorhanden is. Of dat het te duur is om handmatig de data te labelen. In dat geval wordt gebruik gemaakt van unsupervised learning. Hierbij geval leert het ML-algoritme zonder sturing om de juiste output te geven. Met andere woorden: het algoritme is op zichzelf aangewezen om structuur te vinden in de input en met de juiste output komen. Je zou zo’n algoritme bijvoorbeeld kunnen gebruiken om klantsegmenten te identificeren, zodat je ze vervolgens gericht aanbevelingen kunt doen.
Wil je meer weten over wat 3Bplus kan betekenen op het gebied van machine learning? We hebben ons in de afgelopen jaren gespecialiseerd in de nieuwste innovaties op het gebied van telecom én slimme sensortechnologie, zoals in smart homes. Wij laten je graag de mogelijkheden en de voordelen van machine learning zien. Neem gerust contact met ons op voor meer informatie.
