Machine learning

Machine learning - toolshero

In dit artikel wordt het concept van machine learning praktisch uitgelegd. Na het lezen zal je de basis begrijpen van deze krachtige innovatietool.

Machine learning en de wereld om ons heen

Veel mensen zijn zich nog steeds niet bewust van de opwindende nieuwe wereld van machine learning en de exponentiële groei in de toepassing ervan om de wereld te transformeren. De term ‘machine learning’ zegt je misschien niet zoveel, wanneer je het hoort denk je misschien aan een computer die kan schaken of een robot die je eten brengt. Mensen denken meestal dat al dit soort geautomatiseerde constructies iets van de verre toekomst zijn, maar dat is in werkelijkheid niet zo. Ze zijn er al en vormen voor een groot deel onze levens, ons werk en onze communicatie. Ze hebben misschien zelfs een rol gespeeld in hoe je dit artikel bent tegengekomen.

Wat is machine learning?

Laten we voordat we beginnen een snelle reis door de tijd maken om enkele momenten uit de geschiedenis van machine learning te bespreken.

In de jaren 50 van de twintigste eeuw ontwikkelde Arthur Samuel van IBM het eerste computerspelprogramma, waarvan beweerd werd dat het de wereldkampioen dammen kon verslaan. Zijn ontwerp bevatte een scorefunctie die de winkansen voor elke partij kon meten. Het programma koos zijn zetten met behulp van de minimax-strategie. Arthur ontwierp vele mechanismen waardoor zijn programma beter ging werken. Het programma herinnerde zich alle opstellingen die het al had gezien en combineerde dit met waarden van rewardfunctie, wat Samuel ‘rote learning’ noemde. Arthur Samuel kwam in 1952 voor het eerst met de term ‘machine learning’.

Rond dezelfde tijd combineerde Frank Rosenblatt het model van hersencelinteractie van Donald Hebb met de machine learning-prestaties van Arthur Samuel en ontwierp de ‘perceptron’. Hoewel het veelbelovend leek, kon het veel soorten visuele patronen, zoals gezichten, niet herkennen. Dit leidde tot meer moeilijkheden in onderzoeken naar machine learning.

In de jaren 60 van de twintigste eeuw werd ontdekt dat meer lagen in de perceptron meer verwerkingskracht zou bieden. Dit leidde tot feedforward neurale netwerken en backpropagation. Backpropagation zorgt ervoor dat een netwerk zijn verborgen lagen van neuronen kan bijstellen om zich aan te passen aan nieuwe situaties. Het wordt nu gebruikt om diepe neurale netwerken te trainen. Artificial Neural Network (ANN) is een primaire tool voor machine learning met verborgen lagen die worden gebruikt om te reageren op gecompliceerde taken. Neurale netwerken gebruiken input/output en verborgen lagen om data te transformeren. De verborgen lagen zijn uitstekend voor het vinden van complexe patronen die een menselijke programmeur niet kan detecteren.

De jaren 90 waren een gouden tijdperk voor machine learning. In dit decennium werden belangrijke bijdragen geleverd op dit gebied. Naast de ontwikkelingen op het gebied van algoritmen, werden hardware en technologie ook drastisch verbeterd. De voortgang zette zich door in de 21e eeuw, toen we getuige waren van verschillende mooie wetenschappelijke bijdragen aan AI en ML, zoals het concept ‘deep learning’.

Laten we even terugkomen op wat machine learning is. Machine learning is een element van artificial intelligence (kunstmatige intelligentie) waarbij een computer is geprogrammeerd met zelflerende mogelijkheden en dus door te leren de uitvoering van een specifieke taak kan verbeteren. Bij machine learning gaat het om het analyseren van big data, het automatisch selecteren van informatie en deze vervolgens gebruiken om voorspellingen te doen, te beslissen of de voorspelling juist is of niet en te leren van deze ervaringen om in de toekomst nauwkeuriger voorspellingen te doen.

In de praktijk

Machine learning is niet zomaar een modewoord. In tegenstelling tot veel andere gehypte technologieën zal machine learning waarschijnlijk nooit meer verdwijnen, omdat het zijn oorsprong vindt in zoveel belangrijke vakgebieden. Het verandert letterlijk de wereld door vele domeinen om ons heen te transformeren, waaronder gezondheidszorg, onderwijs, transport, eten, entertainment, bedrijven en nog veel meer. Voor een duidelijker beeld verdiepen we ons in de details van verschillende transformaties die het resultaat zijn van machine learning-technieken.

1. Startups die voortbouwen op machine learning.

Bedrijven creëren krachtige ervaringen met machine learning. Hieronder staan een paar voorbeelden van zulke bedrijven:

Forkable

Deze website voor het bestellen van eten maakt gebruik van machine learning en zoekt uit wat jij als lunch wilt eten en bezorgt dit automatisch.

Dark Trace

Dark Trace, ‘s werelds leidende AI-bedrijf voor cybersecurity, luistert naar het netwerkverkeer van je bedrijf en gebruikt machine learning om opkomende veiligheidsrisico’s voor je bedrijf op te sporen.

Nova

Dit platform voor outbound sales gebruikt machine learning om te registreren welke e-mails bij jou het beste effect hebben. Deze registraties worden gebruikt om gepersonaliseerde verkoop-e-mails te schrijven en er worden daarnaast suggesties gedaan voor aanpassingen in jouw verkoop-e-mails.

Blue River Technology

Een bedrijf dat apparatuur voor landbouwers maakt, gebruikt machine learning en computer vision om elke gewas individueel te diagnosticeren en te behandelen.

2. Financiële sector

Veel financiële bedrijven profiteren al van de voordelen van machine learning. Uitvoerders van financiële diensten nemen machine learning om een aantal goede redenen zeer serieus.

  • Lagere operationele kosten
  • Hogere opbrengsten
  • Een betere overeenstemming
  • Sterkere beveiliging

Er is een breed scala aan machine learning-algoritmen en -tools die goed passen bij financiële data. Procesautomatisering is één van de meest belangrijke toepassingen van machine learning voor de finananciële afdeling. Het zorgt ervoor dat het mogelijk is om een heleboel handmatig werk te vervangen, repetitieve taken te automatiseren en de productiviteit te verhogen. Hieronder staan een paar voorbeelden van procesautomatisering in het bankwezen:

JPMorgan Chase

JPMorgen Chase lanceerde een Contract Intelligence-platform dat gebruikmaakt van ‘natural language processing’, wat een van de machine learning-technieken is. Het verwerkt juridische documenten en haalt er essentiële data uit. Deze oplossing zorgt voor veel minder handmatig werk en bespaart tijd.

BNY Mello

BNY Mello integreerde procesautomatisering in hun systeem, wat zorgde voor een jaarlijkse besparing van $ 300.000,-.

Wells Fargo

Wells Fargo maakt gebruik van een AI-gestuurde chatbot via Facebook Messenger om met gebruikers te communiceren en hen te helpen met hun accounts.

3. Gezondheidszorg

De waarde van machine learning in de gezondheidszorg is enorm vanwege het vermogen om grote datasets te verwerken die het menselijk vermogen te buiten gaan en om de analyse van die gegevens in klinische inzichten om te zetten. Dit helpt artsen bij het plannen en leveren van betere en snelle gezondheidszorg, wat uiteindelijk leidt tot betere resultaten, lagere kosten en een hogere patiënttevredenheid. Hieronder staan enkele praktijkvoorbeelden van machine learning in de gezondheidszorg:

Google

Google heeft een machine learning-algoritme ontwikkeld om te helpen bij het opsporen van kankergezwellen op mammografieën. Het bedrijf heeft daarnaast de kracht van computergebaseerd redeneren gebruikt om kanker op te sporen en de tool te trainen om te zoeken naar celpatronen in stukjes weefsel, op dezelfde manier als het brein van een arts zou kunnen werken. Nieuwe bevindingen tonen aan dat deze benadering een nauwkeurigheid van 89 procent heeft behaald, hoger dan de score van 73 procent van een menselijke patholoog.

Stanford

Stanford gebruikt een deep learning-algoritme (een subveld van ML) om huidkanker vast te stellen. Dit algoritme geeft je de optie om een diagnose via je smartphone te ontvangen. Computerwetenschappers bij Stanford hebben een database van bijna 130.000 afbeeldingen van huidaandoeningen gemaakt en hebben hun algoritme getraind om potentiële kanker visueel vast te stellen. Vanaf de allereerste test presteerde het met grote nauwkeurigheid. Het product werd getest tegen 21 board-gecertificeerde dermatologen en het algoritme kwam overeen met hun prestaties.

4. Transport

Machine learning heeft veel te bieden als het gaat om het monitoren van transportinfrastructuur voor manieren om wegen en openbaar vervoer te optimaliseren of om de behoeften van voertuigen te voorspellen. Hieronder worden enkele domeinen genoemd waarin machine learning voor een revolutie heeft gezorgd:

Zelfrijdende auto’s

Zelfrijdende auto’s waren tot nu toe science-fiction. Maar bedrijven als Uber, Google, Tesla en General Motors verhogen hun inspanningen om de komende vijf jaar op grote schaal zelfrijdende auto’s op de markt te brengen. De zelfrijdende auto’s zijn getraind met machine vision-technieken als Convolutional Neural Networks om de weg en obstakels te kunnen herkennen en te reageren op gevaren zoals auto’s op andere rijstroken en voetgangers.

Het voorspellen van brugdefecten

Het voorspellen van brugdefecten: In 2007 stortte de Interstate 35 West Bridge in het centrum van Minneapolis in, waarbij ongeveer dertien mensen zijn omgekomen. Met behulp van ML-technieken kunnen we dit soort gevaren voorkomen door structurele defecten te detecteren met behulp van ultrasoundafbeeldingen en door brugdefecten te voorspellen op basis van historische gegevens over gebruik en onderhoud.

OV optimalisatie

Optimalisatie van openbaar vervoer: ML-technieken kunnen worden gebruikt om de aankomsttijd van bussen nauwkeurig te voorspellen op basis van realtime buslocatiegegevens en factoren zoals opstoppingen, operationele vertragingen en de tijd die nodig is om passagiers in en uit te laten stappen bij verschillende haltes. Onderzoekers hebben aangetoond dat een combinatie van clusteranalyse en Kalman-filter kan leiden tot nauwkeurig voorspelde aankomsttijden.

Conclusie

Met zoveel bedrijven die zich overgeven aan machine learning, zal deze trending tak van AI onvermijdelijk een positieve invloed op hen blijven uitvoeren. Gezondheidszorg, landbouw, transport en consumentenervaringen zijn de sectoren die we de komende jaren in de gaten moeten houden nu steeds meer technologiebedrijven hun intrede doen in deze gebieden.

Tegenwoordig is het implementeren van machine learning essentieel voor bedrijven die hun marketing willen optimaliseren. De technologie kan helpen bij het sorteren en categoriseren van grote datasets en het maken van marketingsuggesties op basis van die informatie. Bovendien maakt het de marketingervaring doelgerichter en persoonlijker voor de consument. Dit zorgt ervoor dat de juiste producten en diensten worden geadverteerd aan juiste mensen.

Met de beschikbare AI-marketingtools vernieuwen bedrijven traditionele marketingtechnieken en databases in ruil voor geavanceerde analyses en gegevensverwerkingstechnologieën die op de lange termijn hun consumentenverkeer zullen vergroten en de ROI zullen verhogen.

Kortom, de impact van machine learning blijft de verbeelding van de wereld prikkelen. Het is een kracht die kan helpen problemen op te lossen die door onze wereldleiders als onmogelijk werden beschouwd. Machine learning-technieken hebben in slechts enkele jaren drastische verbeteringen aangebracht, waardoor mensen dingen sneller en efficiënter gedaan kunnen krijgen. Omdat machine learning een snelle ontwikkeling doormaakt, kunnen we in de nabije toekomst verwachten dat het overal om ons heen zal zijn en ons leven voorgoed zal transformeren.

Nu is het jouw beurt

Wat denk jij? Hoe denk jij over de invloed van machine learning op de wereld? Wat zijn volgens jou de factoren die hebben geleid tot de enorme groei op het gebied van kunstmatige intelligentie en machine learning? Hoe diep denk je dat dit in de toekomst in ons leven zal doordringen? Heb je tips of aanvullende opmerkingen?

Deel jouw kennis en ervaring via het commentaar veld onderaan dit artikel.

Als je het artikel handig of praktisch vond voor jouw eigen kennis, deel dit vooral met jouw netwerk aan vrienden en zakenrelaties. Je kunt ons ook vinden op Facebook, LinkedIn, Twitter en Youtube.

Meer informatie

  1. Michie, D. (1968). On machine intelligence. B. Meltzer (Ed.). Edinburgh: Edinburgh University Press.
  2. Nayak, A., & Dutta, K. (2017, June). Impacts of machine learning and artificial intelligence on mankind. In 2017 International Conference on Intelligent Computing and Control (I2C2) (pp. 1-3). IEEE.
  3. Tan, Y., & Zhang, G. J. (2005, August). The application of machine learning algorithm in underwriting process. In 2005 International Conference on Machine Learning and Cybernetics (Vol. 6, pp. 3523-3527). IEEE.

Citatie voor dit artikel:
Gupta, D. (2019). Machine learning. Retrieved [insert date] from toolshero: https://www.toolshero.nl/innovatie/machine-learning/

Wilt u linken naar dit artikel, dat kan!
<a href=”https://www.toolshero.nl/innovatie/machine-learning/”>toolshero: Machine learning</a>

Interessant artikel?
Geef je waardering of deel het artikel via social media!

Machine learning, 5 / 5 (1 votes)

LAAT EEN REACTIE ACHTER

Please enter your comment!
Please enter your name here