We begonnen deze serie artikelen met een algemeen artikel waarin we de verbanden tussen machine learning, neurale netwerken en deep learning schetsen. Deze twee laatste onderwerpen komen later aan bod. In deze artikelen bespreken we eerst machine learning. In het vorige artikel gaven we een definitie van machine learning. Aansluitend kijken we nu naar de toepassingen van machine learning. Bedrijven realiseren zich namelijk steeds meer het ongelooflijke potentieel van het ontrafelen van de rijkdom aan informatie die IoT en Big Data kunnen opleveren. Zodoende passen ze steeds meer machine learning toe. We bespreken machine learning-toepassingen voor retail, transport, beeldherkenning (in de zorg), en entertainment zoals games.
Iedereen heeft het vast al eens meegemaakt: je koopt een bepaald product en je krijgt direct aanbevelingen voor andere, vergelijkbare producten. Dit is bijna de meest gangbare vorm van machine learning die je nu in de praktijk ziet. Veel grote webshops verzamelen gegevens van bezoekers en slaan deze gegevens op. Door deze opgeslagen gegevens kunnen webshops inspelen op de interesse van de potentiële klanten. Daarnaast houdt machine learning de prijzen zo laag mogelijk door ze continu met andere retailers te vergelijken en wordt machine learning gebruikt om onbruikbare productrecensies weg te filteren. Een tweede voorbeeld is fraudedetectie, waarmee kredietrisico’s bepaald worden. Via machine learning kunnen relaties in data achterhaald worden om te bepalen of een transactie frauduleus is.
Tekst gaat verder onder de afbeelding.
Ook bij de ontwikkeling van software voor autonome auto’s wordt gebruik gemaakt machine learning. Hierbij worden allemaal afbeeldingen van verkeerssituaties ingevoerd in een systeem. Uiteindelijk moet de software van autonome auto’s zelf beslissingen nemen of er geremd moet worden voor bepaalde situaties of niet. Machine learning zorgt ervoor dat een autonome auto het verschil kent tussen een voetganger en een verkeerslicht, en bijvoorbeeld weet dat de snelheid moet worden aangepast als het hard regent. Daarnaast ontwikkelen fabrikanten systemen die kunnen voorspellen wanneer een auto kapot gaat. Dit geeft enorm veel voordelen met betrekking tot logistieke planning van bijvoorbeeld vrachtwagens. Wanneer er een lange rit voor de boeg staat, is het soms beter een bepaalde vrachtwagen niet op weg te sturen. En mocht een vrachtwagen kapot gaan dan analyseert deze zelf of het goedkoper is om een snelle reparatie te doen langs de snelweg zodat de lading alsnog op tijd is óf te laat te komen en de kosten hiervan voor lief te nemen.
Machine learning laat computers trainen om bepaalde beelden te herkennen en te benoemen. Iedereen met een account bij Google Photo kan dat zelf testen: geef eens een onderwerp zoals ‘bloemen’ of ‘honden’ in en kijk hoe Google afbeeldingen van je petunia’s of je golden retriever tevoorschijn haalt. Jij hebt die foto’s nooit als dusdanig getagt, dus hoe kan Google weten dat het dier op de foto een hond is, en geen kat of wolf? Een ander voorbeeld van machine learning is DeepArt. Dit model is getraind in de schilderstijl van Vincent van Gogh en kan foto’s omvormen tot een afbeelding in de stijl van de schilder. In DeepArt is nergens vastgelegd hoe die stijl precies is, maar het programma heeft het zelf geleerd door te trainen op een enorme dataset van schilderijen.
In de medische sector kan beeldherkenning worden gebruikt om röntgenfoto’s en MRI-scans te interpreteren. Ook kun je een miljoen patiëntendossiers ingeven in een machine learning-systeem, en de vraag stellen waarom de ene groep diabetes ontwikkelt, en de andere niet. Als het systeem een consistent onderscheid ontdekt, kan het ook voorspellen wie kans maakt op diabetes. Watson for Oncology van IBM analyseert enorme hoeveelheden medische literatuur, onderzoeksgegevens en andere data om een behandeladvies voor kankerpatiënten te genereren. Watson for Oncology kan in een paar minuten tijd informatie analyseren waar een medisch specialist anders weken mee bezig zou zijn. Het systeem baseert belangrijke medische beslissingen dus niet op de kennis van een of meerdere personen, maar op de huidige stand van de wetenschap.
Doordat een machine learning-model getraind wordt aan de hand van data en dus geen vaste instructies heeft, is een model niet beperkt tot vooraf vastgelegde situaties. Dit stelde bijvoorbeeld AlphaGo in staat om de beste Go-speler ter wereld te verslaan. Het was daarbij niet nodig om van tevoren strategieën voor het programma uit te schrijven: die werden tijdens het spelen vanzelf ontwikkeld. Daarnaast heeft DeepMind op eigen houtje tientallen Atari-games leren spelen. Ook Facebook kan niet meer zonder machine learning. Algoritmes helpen het sociale netwerk bijvoorbeeld bij het herkennen van gezichten, het personaliseren van de News Feed, het ranken van zoekresultaten en het verwijderen van kwetsende content. Onlangs kwam daar nog een systeem bij dat DeepText heet. Dit algoritme kan posts en berichten ‘begrijpen’, volgens Facebook bijna net zo goed als mensen. Zeg je in Facebook Messenger tegen een vriend dat je een lift nodig hebt? Dankzij DeepText krijg je meteen een link naar een taxi voorgeschoteld. Ten slotte wordt machine learning ingezet om online gamers te koppelen die qua niveau aan elkaar gewaagd zijn.
Dit artikel is onderdeel van een serie.
Lees meer:
Deel 1 – Machine learning, neurale netwerken en deep learning uitgelegd
Deel 2 – Wat is machine learning: een introductie
Deel 4 – Methoden van machine learning – supervised en unsupervised learning
Deel 5 – Hoe werkt machine learning – machine learning uitgelegd
Infographic – Machine learning is leren door ervaring
Bronnen – Bronnen 3Bplus artikelen deep learning