Machine learning: alles over machine learning

Machine learning: alles dat je moet weten over machine learning

In dit artikel vertellen we je alles over machine learning (ML). We geven een korte definitie en gaan in op de werking. Ook bespreken we het verschil met deep learning en zetten we een aantal voordelen op een rijtje.

Wat heeft machine learning met Artificial Intelligence te maken?

Een bespreking van machine learning is niet compleet zonder Artificial Intelligence (AI; of Kunstmatige Intelligentie, KI) te bespreken. 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. 

Artificial Intelligence slim maken met machine learning

Waar komt de intelligentie van AI vandaan? Hoe komt het dat AI-systemen kunnen schaken, een gesprek kunnen voeren en kunnen autorijden? Hoe verschillend AI-systemen ook zijn, de technologie erachter werkt in de basis grotendeels hetzelfde. 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. Anders gezegd: door ervaring op te doen, leert het algoritme. We noemen dat ook wel trainen.

Machine learning train je met heel veel (gelabelde) data

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 vaak 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 dat 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.

Zo werkt machine learning: de werking uitgelegd met een voorbeeld

Stel dat je een ML-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 er precies uitziet. Hoe meer foto’s van vogels je het algoritme voedt, hoe beter het systeem op den duur vogels zal herkennen, ook in nieuwe foto’s die het algoritme nog niet kent. Ook bij andere toepassingen wordt ditzelfde principe (leren door ervaring) gebruikt. Neem een algoritme dat fraudeleuze creditcardtransacties moet leren herkennen. Dat voer je met historische data van bewezen fraudeleuze creditcardtransacties. Uiteindelijk kan het systeem voorspellingen doen, zoals: dit is met 97 procent zekerheid een fraudeleuze creditcardtransactie.

Machine learning: laat het systeem het zelf uitzoeken

Het kan ook voorkomen dat er geen gelabelde data bestaat en dat het te tijdrovend of kostbaar is om aan deze data te komen. In dat geval wordt gebruik gemaakt van unsupervised learning. Hierbij is het algoritme op zichzelf aangewezen om structuur te vinden in de input en met de juiste output komen. Je ziet dit bijvoorbeeld bij bedrijven die klantsegmenten willen identificeren, zodat ze vervolgens gericht aanbevelingen kunnen doen.

Het verband tussen machine learning en deep learning

Binnen ML vind je de subcategorie deep learning, waarbij algoritmen worden gestructureerd om een kunstmatig neuraal netwerk te creëren. Zo’n neuraal netwerk doet denken aan het menselijk brein, bestaande uit verschillende lagen. Het mooie aan deep learning is dat de algoritmen zichzelf bij kunnen sturen door hun gewichten aan te passen. Denk nog even terug aan het voorbeeld over frauduleuze creditcard-transacties. Bij deep learning kan elke laag van het neuraal netwerk een specifieke eigenschap te herkennen, zoals hoge bedragen, banken in het buitenland, etc. Komt het systeem met een foute voorspelling? Dan past het netwerk het gewicht dat mee wordt gegeven aan bepaalde neuronen aan. Zo kan een hoog bedrag uiteindelijk minder belangrijk blijken te zijn voor een correcte voorspelling. De volgende voorspelling zal op die manier beter kloppen.

Wat is machine learning: een paar andere toepassingen

We namen foto’s van vogels en het herkennen van frauduleuze creditcard-transacties als voorbeelden, maar ook bij andere toepassingen wordt ditzelfde principe (leren door ervaring) gebruikt.

Hieronder gaan we dieper in op vijf voorbeelden:

1. Wanneer we stilstanden beter kunnen voorspellen, dan kunnen we onderhoud plegen op het juiste moment, dus net voordat er een stilstand plaatsvindt. Doordat we met machine learning continu meetwaarden van diverse sensoren kunnen analyseren, kunnen we trends herkennen, zoals een oplopende temperatuur. Deze trends kunnen we in dit geval omzetten naar voorspellend onderhoud.
2. Autonome auto’s kunnen geheel zelfstandig opereren in het verkeer. Door te trainen kan de auto uiteindelijk zelf beslissen of er geremd moet worden voor bepaalde situaties of niet. Dankzij machine learning kent een autonome auto het verschil tussen een voetganger en een verkeerslicht, en wordt de snelheid bijvoorbeeld aangepast als het hard regent.
3. Voor ons volgende voorbeeld blijven we iets dichter bij huis: de slimme thermostaat. Wanneer je de temperatuur aanpast, leert het apparaat je voorkeuren, gewoonten en schema steeds beter kennen. Na verloop van tijd kan de thermostaat de gebruiker uit zichzelf comfortabel houden, zonder dat deze het apparaat nog hoeft aan te raken.
4. Ook op het gebied van taal zijn er verschillende machine learning-toepassingen. Denk maar eens aan slimme spraakassistenten. Wanneer je Siri vraagt waar het dichtstbijzijnde tankstation is, gebruikt de iPhone ML om erachter te komen wat je zegt. Of neem een chatbot: er is ML gebruikt om het systeem te trainen om passende antwoorden te geven.
5. Tot slot dan preventieve zorg. Met wearables worden continu data verzameld, zoals hartslag, temperatuur, etc. Die gegevens kunnen worden gebruikt voor monitoring en alarmering, waarbij algoritmen kunnen voorspellen welke patiënten risico lopen.

Waarom zou je als bedrijf investeren in machine learning?

Machine learning helpt bedrijven om data om te zetten naar bedrijfswaarde. Door data (in korte tijd) te analyseren, wordt het omgezet in nuttige informatie, waarmee je betere beslissingen kunt nemen. ML gaat immers om het doen van voorspellingen en daarbij onzekerheid bij het maken beslissingen te reduceren. Zo is bijvoorbeeld gebleken dat bedrijven in verschillende sectoren die ML inzetten hogere jaarwinsten noteren dan bedrijven die het zonder moeten stellen. Daarnaast zorgen sommige toepassingen, zoals digitale assistenten, voor een hogere productiviteit.

Ook bij saaie of zware taken kunnen bedrijven ML-systemen goed gebruiken. Algoritmes raken immers nooit vermoeid en/of afgeleid, ook niet als ze 24 uur per dag aan het werk zijn. Ook kunnen ML-systemen deze taken vaak veel sneller uitvoeren. Denk maar eens aan de ontwikkeling van medicijnen, waarbij een algoritme razendsnel miljarden combinaties van moleculen kan proberen.

Wat kan 3Bplus betekenen op het gebied van machine learning?

Wil je meer weten over wat 3Bplus kan betekenen op het gebied van ML? 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.