Naar inhoud gaan
Robothand using machine learning

Wat is 

machine learning?

Machine learning is een methode van gegevensanalyse waarbij het bouwen van analytische modellen wordt geautomatiseerd. Het is een tak van artificial intelligence die ervan uitgaat dat systemen kunnen leren van data door patronen te leren herkennen. Ontdek hier meer over Machine learning, deep learning en het neuraal netwerk.

Machine learning is een subset van artificial intelligence (AI). Het onderwijst computers om te leren van data en om steeds beter te worden door ervaring, in plaats van expliciet te worden geprogrammeerd om dat te doen. In machine learning worden algoritmen getraind om patronen en overeenkomsten te vinden in grote datasets en om de beste beslissingen en voorspellingen te maken op basis van die analyse. Applicaties voor machine learning worden steeds beter naarmate ze meer worden gebruikt en worden nauwkeuriger naarmate ze toegang hebben tot meer data. De toepassingen van machine learning zijn overal om ons heen zichtbaar: in onze huizen, onze winkelwagens, het media-entertainment en de gezondheidszorg.

Machine learning bestaat uit verschillende soorten modellen voor machine learning, waarbij verschillende algoritmische technieken worden gebruikt. Afhankelijk van de aard van de data en het gewenste resultaat kan een van de vier leermodellen worden gebruikt: supervised learning, unsupervised learning, semi-supervised learning of reinforcement learning. Binnen elk van deze modellen kunnen een of meer algoritmische technieken worden toegepast, afhankelijk van de gebruikte datasets en de beoogde resultaten. Algoritmen voor machine learning zijn in principe ontworpen om zaken te classificeren, patronen te vinden, resultaten te voorspellen en weloverwogen beslissingen te nemen. Algoritmen kunnen zowel één voor één als gecombineerd worden gebruikt voor een zo groot mogelijke nauwkeurigheid wanneer er sprake is van complexere en onvoorspelbare data. 

Machine learning – en deep learning en neurale netwerken – zijn allemaal subsets van AI. AI verwerkt data om beslissingen te nemen en voorspellingen te doen. Algoritmen voor machine learning zorgen ervoor dat AI die data niet alleen verwerkt, maar er ook van leert en er slimmer door wordt, zonder dat er extra programmeerwerk nodig is. Artificial intelligence is de moeder van alle machinelearningsubsets. Machine learning bevindt zich in de eerste subset; daarbinnen zit deep learning en daarbinnen bevinden zich weer de neurale netwerken.

Algoritmen voor machine learning herkennen patronen en overeenkomsten. Dat wil zeggen dat ze ook erg goed hun eigen rendement kunnen analyseren. Voor bedrijven die investeren in technologieën voor machine learning, betekent dit dat de operationele impact bijna direct kan worden beoordeeld. Hieronder vindt u een kleine greep uit de groeiende gebieden van applicaties voor enterprise machine learning.

Zie intelligente technologieën van SAP - met AI en machine learning - in actie 

In zijn boek Spurious Correlations schrijft Tyler Vigan, datawetenschapper en afgestudeerd aan Harvard, dat "niet alle correlaties wijzen op een onderliggende causale relatie". Om dit te illustreren, laat hij een diagram zien met een schijnbaar sterke samenhang tussen de consumptie van margarine en het aantal echtscheidingen in de staat Maine. Dit is natuurlijk humoristisch bedoeld. Maar de waarheid is wel dat applicaties voor machine learning kwetsbaar zijn voor zowel menselijke als algoritmische vooroordelen en fouten. En door de neiging om te leren en zich aan te passen, kunnen fouten en valse correlaties snel resultaten verspreiden en het neurale netwerk daarmee vervuilen.

Een extra uitdaging komt van modellen voor machine learning, waarvan het algoritme en de output zo complex zijn dat ze niet door mensen kunnen worden uitgelegd of begrepen. Dit wordt een "zwarte doos"-model genoemd. Het brengt risico's met zich mee voor bedrijven als ze niet kunnen bepalen hoe en waarom een algoritme tot een bepaalde conclusie of beslissing is gekomen.

 

Maar naarmate de complexiteit van datasets en algoritmen voor machine learning toeneemt, worden gelukkig ook de beschikbare tools en resources voor risicobeheer steeds geavanceerder. De beste bedrijven werken aan het elimineren van fouten en vooroordelen door krachtige, up-to-date richtlijnen voor AI-beheer en protocollen voor best practices op te stellen.

Veelgestelde vragen over machine learning

Terug naar boven