Wat is Machine Learning, en waar kun je het voor gebruiken?

Wat is Machine Learning, en waar kun je het voor gebruiken?

Machine learning is een begrip dat we steeds vaker tegenkomen, en de toepassing ervan wordt steeds meer onderdeel van ons dagelijks leven.

Ons mensenbrein is een soort supercomputer, maar toch kunnen we niet alle gegevens verwerken op een manier zoals een computer dat kan. In dit kennisartikel vertellen we je wat machine learning precies is en in welke gevallen het ons kan helpen.

Wat is machine learning?

Machine learning is een vorm van kunstmatige intelligentie (AI) waarmee je systemen kunt bouwen waarmee computers kunnen leren van verwerkte data. In de software ontwikkeling gaat machine learning vooral om de ontwikkeling van algoritmes en de begeleidende software waarmee de computers zelfstandig kunnen leren en zichzelf verbeteren. De computers hoeven dus niet zelf geprogrammeerd te worden. De software verbetert zichzelf naarmate de taken vaker worden uitgevoerd. Daarbij gebruikt het algoritme een formule waarop het data analyseert - en zichzelf aanleert ervan te leren.

De drie belangrijkste manieren waarop machine learning wordt toegepast (in de vorm van algoritmes), zijn: supervised, unsupervised en semi-supervised learning.

Supervised learning, unsupervised learning en semi-supervised learning

De manier waarop data worden verwerkt om van te leren of om voorspellingen mee te maken, vormt het verschil tussen supervised learning en unsupervised learning. Semi-supervised zit er dus tussenin. Vooral supervised machine learning wordt nu nog het meest gebruikt. Hierbij ‘leert’ een datawetenschapper het algoritme welke conclusies het moet trekken. Het algoritme wordt getraind door een dataset die al labels heeft en een vooraf gedefinieerde output.

Bij unsupervised machine learning is er dus geen tussenpersoon meer nodig. Het algoritme leert zelf hoe het de complexe processen en patronen moet identificeren. De data hebben dus geen labels en geen gedefinieerde output. Hierbij zoekt het algoritme dus zelf naar overeenkomsten en patronen in de data en plakt zelf een label aan de groepen met dezelfde kenmerken.

Bij semi-supervised machine learning krijgt het algoritme maar een klein aantal labels mee en bepaalt het de rest zelf. Er is dus maar een klein stukje ‘aangeleerd’, zodat het algoritme de rest zelf kan bepalen op basis van wat er al gelabeld was.

Verschil machine learning, deep learning en kunstmatige intelligentie

Kunstmatige intelligentie is de overkoepelende term voor systemen die menselijke intelligentie nabootsen, buiten het menselijke brein om. Machine learning is dus een vorm van kunstmatige intelligentie. Ook deep learning valt onder de noemer kunstmatige intelligentie. Vaak worden machine learning en deep learning met elkaar verward, terwijl deep learning eigenlijk weer een vorm is van machine learning.

Deep learning wordt specifiek gebruikt voor beeldherkenning (gezichtsherkenning), spraakherkenning (Google Home, Siri) en vertalingen, zoals Google Translate. Om dit te kunnen worden zogenaamde ‘Deep Neural Networks’ getraind. Door meerdere toepassingen van deep learning te combineren, ontstaan er nog meer mogelijkheden.

Hoe kunnen we machine learning gebruiken?

Met machine learning kunnen we voorspellen, ontdekken en detecteren. Dat kun je natuurlijk op allerlei manieren inzetten. Zeker nu we door toenemende digitalisering steeds meer data tot onze beschikking hebben, ontstaan er veel mogelijkheden om hiervan te leren. Hieronder volgen voorbeelden van hoe machine learning momenteel al in veel bedrijven, zorginstellingen of voor particulieren wordt gebruikt.

Voorspellen:

  • Planningen slimmer maken door herhalende afspraken semi-automatisch in te plannen of de gebruiker te voorspellen dat iets eraan komt
  • Afschrijvingen en inkomsten op een bankrekening
  • Rendement op zonnepanelen
  • Rendement op marketingacties
  • Verkoop- of aanvraagpieken
  • Wat een klant of bezoeker het meest waarschijnlijk gaat kopen
  • Benodigd budget, benodigde voorraad, benodigde tijd of benodigde onderdelen
  • Marketing Automation: naar wie en wanneer je marketingcampagnes het beste kunt sturen op basis van bijvoorbeeld koopkans en openingsratio
  • Voorspellen van ziekmeldingen
  • Hoeveelheid tickets die er geboekt gaan worden voor een evenement om de best mogelijke prijs te bepalen
  • Reistijd (9292OV.nl, Google Maps)
  • Beschikbaarheid personeel

Detecteren:

  • Automatische replies: detecteren van jouw taalgebruik, wat er in een mail gezegd wordt en op basis van deze twee factoren een voorzet maken van wat je kunt terugsturen (Gmail gebruikt dit ook)
  • Fouten detecteren in het typen van teksten en verbeteringen aandragen (Grammarly, Word)
  • Herkennen van fraude in transacties of wanneer er te vaak verkeerde inloggegevens worden ingevuld  
  • Analyseren van beelden of bloedmonsters, om ziekten sneller te detecteren

Ontdekken:

  • Afwijkingen vinden in data-analyses, waardoor fouten zichtbaar worden
  • De beste tijden waarop je een social media post kunt publiceren op basis van data (dit is dus ook grotendeels voorspellen)
  • Energieverbruik (ook op basis van voorspelling)
  • Berekenen van beste prijs voor verkoop of koop (handig voor Marktplaats of een veiling)
  • Een oplossing voor een complex probleem (zo komen we ook tot zelfrijdende auto’s en robots die operaties kunnen uitvoeren)

Benieuwd naar de mogelijkheden voor jouw bedrijf?

Bij CODE14 kunnen we algoritmes bouwen en trainen om een machine learning systeem op te zetten. Zo kunnen we jou helpen jouw klanten beter te helpen of om een slimme oplossing voor een uitdaging te vinden. We zijn benieuwd naar jouw vraag en kijken ernaar uit met je mee te denken.

Onze Smart Grow formule

Slimmer werken, sneller werken of uitdagender werk bieden? Lees in onze whitepaper meer ins & outs over de Smart Grow formule en bepaal welke oplossing jouw business gaat laten acceleren!

Bekijk de Smart Grow formule
Onze Smart Grow formuleOnze Smart Grow formule