De Kracht van Machine Learning

Wat is Machine Learning?  

Machine Learning is een tak van de informatica die computers in staat stelt om te leren zonder dat ze specifiek geprogrammeerd worden. In plaats van gedetailleerde code in de trant van “als dit dan dat” te schrijven, ontdekt machine learning-software patronen en ontwikkelt ze algoritmen op basis van uitgebreide datasets. Het is een krachtigste techniek die complexe taken kan uitvoeren die tot nu toe doorgaans door mensen werden gedaan. Het kan herkennen, voorspellen, adviseren, optimaliseren en classificeren, waardoor het bijdraagt aan de automatisering van verschillende zakelijke en industriële processen, klantgerichte diensten en andere data-gebaseerde functies. Machine Learning is ook een essentieel onderdeel van Kunstmatige Intelligentie.

Machine Learning is geen nieuwe uitvinding; het is al uitgevonden in de vroege jaren ‘60 en is de afgelopen decennia toegepast binnen de academische wereld en door omvangrijke bedrijven. Echter, het is een van de baanbrekende exponentiële technologieën die onlangs een volwassen fase heeft bereikt. Door de toegenomen beschikbaarheid van data, rekenkracht en platforms is Machine Learning nu bruikbaar in elke organisatie.

“Het is niet de vraag wie de beste technologie heeft, maar wie het beste begrip heeft van wat deze technologie kan realiseren.”

Toepassingen van machine learning kunnen in vier hoofdgroepen worden onderverdeeld:

i. Cognitieve Machine Learning  

Cognitieve machine learning richt zich op het herkennen en begrijpen van tekst, spraak, afbeeldingen, audio en video. Voorbeelden hiervan zijn dagelijks om ons heen te vinden, zoals Apple’s Siri (spraakherkenning, tekst-naar-spraak), Facebook of Google Foto’s (gezichtsherkenning), Skype (real-time vertaling) en Shazam (audioherkenning).

Deze technieken kunnen bovendien worden toegepast ter ondersteuning van jouw onderneming. Bijvoorbeeld: het indexeren van documenten, e-mails, beelden, sociale media, etc. om gebruikers te helpen bij het doorzoeken van informatie. Of het verwerken van foto’s of audiobestanden om de kwaliteit van industriële processen te monitoren en meten. Daarnaast zijn chatbots beschikbaar om natuurlijk te communiceren met klanten in commerciële en klantenservice-instellingen en zelfs om emoties en sociale voorkeuren te analyseren.

ii. Voorspellende Machine Learning  

Voorspellende machine learning draait om het gebruik van (historische) data om een algoritme te creëren dat nauwkeurige uitkomsten voorspelt voor nieuwe situaties. Grote bedrijven zoals Netflix (aanbevelingen voor films gebaseerd op kijkgedrag), Tesla (software voor zelfrijdende voertuigen die stuurt, remt en accelereert op basis van camerabeelden en gegevens van andere bestuurders) en Philips (tumordetectie via radiologie scans en historische data) maken al gebruik van deze technologie. Aangezien de algoritmen blijven leren van nieuwe gegevens, verbetert de software continu.

Deze krachtige techniek kan tegenwoordig worden ingezet om jouw organisatie te ondersteunen met tal van mogelijkheden. Bijvoorbeeld: het diagnosticeren van psychische aandoeningen en het suggereren van de beste behandelingen, het voorspellen van verkopen en inkomsten voor specifieke producten in combinatie met weersvoorspellingen, het inschatten van de kans dat klanten overstappen naar een concurrent (churn rate) op basis van hun interacties met de klantenservice, predictief onderhoud van motoren en windturbines met data vanuit IoT-sensoren, en ondersteuning van intelligent kredietbeheer en incassoprocessen met geautomatiseerd advies over het vrijgeven of blokkeren van verkoopordes. Ook kan deze techniek juridisch personeel bijstaan met advies op basis van jurisprudentiedata.

Het implementeren van voorspellende machine learning stelt jouw organisatie in staat om betere diensten te bieden, effectiever te werken en concurrenten voor te blijven.

iii. Optimaliserende Machine Learning  

Optimaliserende machine learning houdt in dat algoritmen worden gebruikt om de snelste, beste, of kortste oplossingen te vinden. We komen deze technieken dagelijks tegen in software voor fotobewerking en videobewerking die kleurenfilters toepassen, maar ook in navigatiesoftware die de meest geoptimaliseerde route bepaalt.

Dit kan worden toegepast om verschillende fasen van jouw bedrijfs- of industriële processen te optimaliseren, zoals het verbeteren van magazijnprocessen, de optimalisatie van de toeleveringsketen, of het vergelijken van kosten voor de meest effectieve gezondheidszorginterventie.

iv. Classificerende Machine Learning  

Classificerende machine learning is een slimme methode om gegevens te segmenteren en te clusteren binnen grotere datasets. Soms gebeurt dit zonder begeleiding, wat betekent dat het algoritme niet eerder “geleerd” heeft van historische gegevens maar slim genoeg is om zelf gegevens te identificeren. Deze techniek wordt al ingezet in tal van situaties, zoals het detecteren van fraude bij creditcards: als een transactie plaatsvindt in Amsterdam en er binnen 10 minuten eenzelfde transactie in Singapore met dezelfde creditcard volgt, herkent het algoritme een anomalie, blokkeert de transactie en waarschuwt de klant.

Deze techniek kan ook binnen jouw bedrijf worden gebruikt, bijvoorbeeld om ongewoon gedrag van servers in een datacenter te identificeren om serviceonderbrekingen te voorkomen, om klant- of marktsegmenten te classificeren, of om criminaliteitsanalyse binnen de nationale politie uit te voeren.