Machine Learning

Machine Learning

Machine Learning

Nu big data gemeengoed is lijkt machine learning de volgende hype te zijn. Sterker nog volgens de Gartner Hype Cycle is het zelfs het hoogtepunt al iets voorbij. Iedereen heeft het erover en heeft het gevoel er ‘iets mee te moeten’. Toch merk ik in de praktijk dat het vaak niet helder is wat machine learning is en wat je er wel of juist niet mee kunt. Want, hoewel de kansen legio zijn moet machine learning ook niet direct bestempelen als het volgende wondermiddel.

Wat is machine learning?

Een van de meest duidelijke definities van Machine Learning vind ik die van Arthur Samuel die ook grondlegger van de term is: “A field of study that gives computers the ability to learn without being explicitly programmed.”

Het is een duidelijke definitie die heel goed samenvat waar het bij machine learning om draait. Het gaat om het gebruiken van statistische/wiskundige technieken om computers in staat te stellen om te leren zonder dat zeexpliciet geprogrammeerd te zijn. Belangrijk om te begrijpen dat het ‘lerend’ effect in principe tweeledig is: het leren van data (bekende observaties) en het leren van nieuwe gebeurtenissen (nieuwe observaties). Bij het laatste gaat het echt om het leren van ervaringen. Het doel is om deze beslissingen en voorspellingen zoveel mogelijk te automatiseren op basis van zelflerende algoritmen (dus zonder menselijke interventie). Machine learning is een onderdeel van Artificial Intelligence en wordt logischerwijs ook vaak toegepast bij het ontwikkelen van AI-toepassingen, zoals Apple’s Siri voor het herkennen van spraak

Gezien de aandacht voor het begrip zou je bijna denken dat het iets nieuws is. De eerste algoritmes werden echter al 50 jaar geleden ingezet. Wat machine learning echter juist nu zo interessant maakt is dat de wereld om ons heen zo is veranderd: grote hoeveelheden gestructureerde en ongestructureerde data, vrijwel ongelimiteerde volumes aan data-opslag en computerkracht gecombineerd met de expertise van mensen, organisaties en bedrijven. Dit maakt dat alle voorwaarden voor succesvolle projecten met machine learning aanwezig zijn.

Wat kan ik met machine learning?

Machine learning wordt voor uiteenlopende doeleinden en problemen gebruikt. Zo kun je denken aan hele specifieke taken zoals het filteren van spam, het voorspellen van churn of het herkennen van beelden. Maar dit is slechts het tipje van de ijsberg. Tien jaar geleden was het nog lastig om met haalbare cases voor machine learning te komen. Nu hebben we te maken met de uitdaging om niet teveel use cases tegelijk aan te pakken. Een aantal use cases die ik nu regelmatig zie terugkomen en die op korte termijn veel waarde kunnen opleveren zijn:

– Zorg

Machine learning kan zorgverleners zoals artsen ondersteunen bij het vaststellen van complexe diagnoses. Op dit moment zijn computers al net zo goed in het vaststellen van diagnoses als dat artsen dat kunnen. Soms zelf beter.

– Retail

Iedereen heeft het vast al eens meegemaakt: je koopt een bepaald boek of ander 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.

– Finance

Welke nieuwe klanten zijn mogelijk fraudeurs? En welke verzekeringsclaims zijn vals? Door het toepassen van machine learning hoeven banken en verzekeraars niet te vertrouwen op onderbuikgevoel, maar kunnen zij data gebruiken om fraude te detecteren en te bestrijden.

– Sport

Op basis van beelden en video-herkenning kunnen machine learning-technieken bijvoorbeeld spelsituaties analyseren en kwantificeren. Hiermee hebben trainers en coaches een schat aan informatie op basis waarvan ze beslissingen over onder meer de opstelling kunnen maken.

Verder maakt machine learning het in alle sectoren eenvoudiger klanten persoonlijker te benaderen en via alle mogelijke kanalen een gepersonaliseerde ervaring te bieden.

Wat kan ik niet met machine learning?

Machine learning is een krachtige technologie, maar geen wondermiddel dat binnen no time alle problemen oplost. Het is een vakgebied wat zich continu blijft ontwikkelen en verbeteren. Als je met machine learning aan de slag gaat moet je een aantal zaken in acht nemen:

–  Een uitkomst van een machine learning-algoritme geeft nooit 100% zekerheid. Je hebt altijd te maken met een bepaalde mate van betrouwbaarheid (betrouwbaarheidsinterval).

– Garbage in = garbage out. De data die wordt gebruikt is de basis voor de resultaten. Je moet er dus eerst voor zorgen dat je data op orde is. Hoe beter de kwaliteit van de data, hoe beter de uiteindelijke nauwkeurigheid van het machine learning-algoritme gaat zijn. Daarbij kun je meer waarde uit machine learning halen als je verschillende databronnen met elkaar combineert.

– Soms kan je met de beschikbare data geen goed machine learning-model maken. Stel dit vroegtijdig vast zodat je meer data kan gaan verzamelen.

Hoe ga ik aan de slag met machine learning?

Nu helder is wat machine learning is en wat je er wel en niet mee kan, is de volgende stap ermee aan de slag te gaan. Om te horen hoe je hiermee kunt starten wordt op 21 maart aanstaande een gratis SAS Insight sessie georganiseerd. Hier vertelt Tele2 bovendien hoe het machine learning toepast. Kijk hier voor het programma en inschrijven. Natuurlijk kun je ook direct contact met mij opnemen via: erwin.huizenga@sas.nl.

Leave a Reply