WhatsApp Facebook Twitter LinkedIn Mail

Machine learning: hoe leren IT-systemen zelfstandig te werken?

Inhoudsopgave:

  1. Uitleg machine learning
  2. Verschil AI, ML en DL
  3. Praktijkgevallen
    1. Banksector
    2. Gezondheidszorg
    3. Marketing en verkoop
    4. Ander gebruik

Wat is machine learning?

Machine learning is een vorm van artificial intelligence. De technologie zorgt ervoor dat softwaresystemen voortdurend bijleren. Het systeem ontvangt input, bijvoorbeeld de verkoopdata van het afgelopen kwartaal. Met behulp van menselijke actoren, meestal data-analisten, kan machine learning conclusies trekken uit deze input, de datasets. Zo kan bijvoorbeeld duidelijk worden dat er een trend is dat ovale zwembaden populairder aan het worden zijn dan rechthoekige. Was de hulp van een data-analist in genoemd kwartaal nog onmisbaar, tijdens de kwartalen daarna zal die niet of nauwelijks meer nodig zijn.

Er bestaan drie soorten machine learning:

machine learning technieken

  1. Supervised learning (gecontroleerd leren): het systeem leert door middel van data-input waaraan labels worden toegevoegd. Deze labels beschrijven eigenschappen, en worden door werknemers gekoppeld aan de data. Deze menselijke actoren vertellen het systeem dus wat de belangrijke eigenschappen zijn van de data voor de gewenste analyse. Zo wordt het mogelijk om vanuit een database patronen te herkennen. Bijvoorbeeld: in een database van een energieleverancier staan alle verbruiksgegevens van klanten van de afgelopen 20 jaar. Ook de klimatologische weersomstandigheden van dezelfde periode worden erin opgeslagen. Met deze gegevens kunnen data-analisten het systeem trainen om te voorspellen hoeveel energie er op een specifieke dag verbruikt zal gaan worden.

    Supervised learning kan onderverdeeld worden in twee technieken: classificatie en regressie. Bij classificatie combineert het systeem eigenschappen van een data-unit en deelt het deze unit op in categorieën op basis van de eigenschappen. Denk hierbij bijvoorbeeld aan een e-mail die als spam wordt gemarkeerd, fraudedetectie, en de rubricering van foto’s. Bij regressie is het de bedoeling om de relatie tussen verschillende data duidelijk te maken. Meestal wordt hierbij gefocust op numerieke waarden. Met regressie wordt bijvoorbeeld de waarde van een huis berekend of een voorspelling gemaakt over hoeveel regen er op een bepaalde dag zal vallen.

  2. Unsupervised learning (onbewaakt leren): het systeem baseert zich op het vinden van gelijkenissen, maar zonder dat er labels worden toegevoegd. Er wordt het systeem ook niet verteld wát er gezocht moet worden. Deze methode is erg vergelijkbaar met hoe mensen (vooral kinderen) leren. Kinderen krijgen bijvoorbeeld geen echte aanwijzingen over hoe ze een kat of hond kunnen herkennen. Als ze een kat of hond zien, zullen ze het dier met zijn categorie (kat of hond) aanduiden. Zo groeperen kinderen de verschillende afbeeldingen die bij ‘kat’ horen, en degene die bij ‘hond’ horen. Na een tijdje kunnen kinderen dan zelf het verschil maken.

    Unsupervised learning kan worden opgedeeld in reductie– en clustertechnieken. Bij reductie wordt de hoeveelheid data verminderd om alleen de belangrijke variabele over te houden. In het voorbeeld van het herkennen van een kat of hond zou bijvoorbeeld de vachtkleur of de aanwezigheid van vier poten weggelaten kunnen worden. Dit zijn namelijk geen factoren die direct helpen bij de classificatie. De reductietechniek wordt onder andere gebruikt voor de identificatie van woorden in e-mails om na te gaan of het om spam gaat, en bij de detectie van gedragspatronen van klanten.

    Bij clustering worden data met vergelijkbare eigenschappen bijeengevoegd in een groep, en wordt zo het onderscheid gemaakt met andere groepen. Deze techniek wordt vaak gebruikt voor de herkenning van gemeenschappen op sociale netwerksites of de creatie van aanbevelingssystemen (zoals op streamingdiensten).

  3. Reinforcement learning: deze techniek is niet gecontroleerd, want er worden geen labels aan de data toegevoegd door menselijke actoren. Ze is overigens niet helemaal onbewaakt want data-analisten geven wel aan wat er gevonden moet worden, en pushen het systeem om te leren. Reinforcement learning wordt gebruikt om werkwijzen te testen. Door middel van trial and error wordt beslist wat de beste manier is om een taak uit te voeren. Een typisch voorbeeld hiervan is een chatbot. Deze kan de reactie van klanten op bepaalde vragen monitoren. Zo kan de chatbot ‘leren’ welke vragen werken en welke niet. Eventueel kan dit zelfs klantspecifiek gemonitord worden.
    Wist je dat? Een van de meest voorkomende manieren om reinforcement learning te testen is via spelletjes. Google heeft hiervoor bijvoorbeeld het programma AlphaGo ontwikkeld. Dit programma is er inmiddels in geslaagd om de wereldkampioen bordspel GO te verslaan. Een systeem voor machine learning dat op de Rijksuniversiteit Groningen ontwikkeld en getraind werd, is in staat gebleken om in een spelletje Pacman een menselijke speler te verslaan. De softwareontwikkelaars leerden het systeem de regels aan, waarna het op eigen houtje leerde om ‘slim’ te spelen.

Wat is het verschil tussen artificial intelligence, machine learning en deep learning?

Artificial intelligence is een technologie die in principe zelfstandig bedrijfsbeslissingen kan nemen en die bedrijven in staat stelt om taken geautomatiseerd uit te voeren. Machine learning is een vorm van artificial intelligence die er voor zorgt dat systemen voortdurend en automatisch bijleren. Machine learning heeft bij de opstart menselijke hulp nodig, en zet daarna de taken voort die het systeem zijn aangeleerd.

artificial intelligence machine learning deep learning

Deep learning is op zijn beurt een vorm van machine learning. Deze techniek maakt gebruik van neurale netwerken, die de werking van het menselijke brein imiteren. Hierdoor komt deep learning erg dicht bij menselijk denkvermogen, en is er geen menselijke bemoeienis nodig voor hun werking.

Waarvoor wordt machine learning in bedrijven ingezet?

Machine learning klinkt misschien nog als toekomstmuziek. Toch wordt de technologie al in veel sectoren ingezet:

Gebruik van machine learning in de banksector

De banksector is traditioneel één van de pioniers in nieuwe technologie. Machine learning helpt banken om het vertrouwen van klanten te winnen. De technologie helpt hen bijvoorbeeld om kredietkaartfraude op te sporen. Als een klant nog nooit geld heeft uitgegeven in een fietsenwinkel en er met zijn betaalpas plots een fiets van € 2.000 wordt gekocht, doet machine learning de alarmbel afgaan. Er kan dan een bevestiging worden gevraagd aan de klant. Afhankelijk van de protocollen van de bank wordt deze opgebeld, krijgt hij of zij een e-mail of moet hij of zij extra gegevens verschaffen in de mobiele applicatie, zoals een vingerafdruk of een sms-code.

“‘Machine learning’ is een echte meester in het herkennen van patronen, en [het systeem] is in staat een monster van [voorbeeld]data om te zetten naar een informatiesysteem dat conclusies kan trekken uit nieuwe datasets waarvoor het niet eerder is opgeleid.” José Luis Espinoza (data-analist bij BBVA Mexico, eigen vertaling).

Machine learning voor medische analyses

In de gezondheidszorg wordt machine learning ingezet om vroegtijdige en precieze diagnoses te stellen, en om bekende ziektes meer in detail te bestuderen. Zo is de universiteit van Washington er bijvoorbeeld in geslaagd om te voorspellen hoe groot het risico is dat patiënten die uit het ziekenhuis ontslagen zijn na een behandeling voor chronisch hartfalen, later opnieuw opgenomen moeten worden. De studie wees uit dat 30% van de patiënten opnieuw werden opgenomen binnen een maand, en 32% binnen twee maanden.

Marketing en sales gebruiken machine learning om meer omzet te genereren

Marketingafdelingen zetten machine learning in voor diverse doeleinden. De technologie wordt het vaakst gebruikt om een doelpubliek af te bakenen en zo de return on investment (ROI) van een campagne te verhogen. Ook de inhoud van marketingcampagnes wordt heel nauwkeurig ontwikkeld met behulp van machine learning. Het systeem kan marketingmedewerkers namelijk gedragspatronen en voorkeuren van bepaalde klanten of doelgroepen tonen. Zo kunnen klanten worden gemaild met precies die producten waar ze het meeste belangstelling voor hebben.

Andere soorten machine learning

Er zijn nog heel wat andere sectoren waarin machine learning een rol speelt. In de logistieke sector kan de technologie bijvoorbeeld gebruikt worden voor de uitstippeling van routes. Hierbij wordt voor elk goederentransport de beste route berekend. Machine learning ontwikkelt voor deze routeplanning algoritmes die vertraging door files of wegversperringen voorkomt. Ook met andere variabele, zoals de weersomstandigheden, wordt rekening gehouden. Door deze aanpak besparen bedrijven op brandstofkosten, is hun wagenpark minder onderhevig aan slijtage en komen de goederen sneller aan op de bestemming.

Ten slotte maakt ook de overheid gebruik van machine learning, vooral voor online diensten voor de bevolking. Zo worden zelflerende chatbots vaak ingezet door de belastingdienst bij het beantwoorden van vragen van burgers. Deze bots gaan in ‘gesprek’ met de burger en proberen in eerste instantie zelf de juiste antwoorden te geven. Als de materie te complex is, zetten ze de vraag door naar de meest geschikte werknemer. Machine learning wordt ook gebruikt om veelgehoorde klachten of thema’s op de politieke agenda te plaatsen. De input hiervoor komt vaak uit gespreksonderwerpen op sociale media.

Dit artikel als bron gebruiken? Klik en kopieer.

European Knowledge Center for Information Technology (Ed.). (2021, 7 mei). Machine learning: hoe leren IT-systemen zelfstandig te werken? ICT Portal. https://www.ictportal.nl/ict-lexicon/machine-learning