Machine learning klinkt misschien als een cursus die u moet volgen om in een fabriek te gaan werken, maar in de computerwereld is het een onderdeel van kunstmatige intelligentie (AI). In een notendop stelt het systemen in staat om prestaties te verbeteren door te leren van ervaringen en gegevens. De AI-subset is zo ingebakken in moderne software dat veel bestaande technologieën die we als vanzelfsprekend beschouwen, niet mogelijk zouden zijn zonder AI.
Wat is machine learning precies (met voorbeelden)?
Wat is machine learning (ML) precies en waarom is het zo belangrijk? Nou, ML is een toepassing van AI en een tak van computerwetenschap die systemen in staat stelt om te leren van ervaringen, gegevens en algoritmen om de nauwkeurigheid te vergroten. Interessant is dat ontwikkelaars machines niet expliciet hoeven te programmeren om te profiteren van ML - computers kunnen zelf leren zonder menselijke tussenkomst.
Moderne technologie zoals chatbots, virtuele assistenten, proactieve antivirussoftware en nog veel meer maken gebruik van machinaal leren. Zelfrijdende auto's gebruiken bijvoorbeeld meerdere ML-algoritmen op basis van zowel supervised als unsupervised leermodellen om te beslissen welke acties ze moeten ondernemen om net zo goed of beter te rijden dan mensen.
Ook cyberbeveiliging voor bedrijven zoals Endpoint Detection and Response (EDR) kan machine learning gebruiken om onbekende malware te detecteren en onbekende "zero-day" bedreigingen te vinden door kwaadaardige patronen te identificeren. Dit is slechts het topje van de ijsberg wat betreft de manier waarop machine learning cyberbeveiliging in de toekomst zal beïnvloeden.
ML en AI maken het ook mogelijk om machines te laten communiceren zonder menselijke tussenkomst. Zulke machine-naar-machine (M2M) toepassingen kunnen supply chain- of magazijnbeheersystemen helpen om voorraden efficiënt op te sporen en te controleren. Op dezelfde manier helpen M2M-toepassingen energiebedrijven om de levering nauwkeuriger te beheren door gegevens van energiebronnen naar computers op afstand te sturen voor analyse.
Wat zijn enkele veelgebruikte methoden voor machinaal leren?
Gecontroleerd machinaal leren
Bij gesuperviseerd leren worden algoritmen met gelabelde datasets getraind door een supervisor. Supervised data komt vaker voor dan andere leermethoden omdat het efficiënter kan zijn. Een voorbeeld van dit type ML is wanneer algoritmen spam kunnen classificeren in uw inbox.
Machine-leren zonder toezicht
Bij leren zonder label werkt een algoritme zonder supervisie met ongelabelde gegevens. Het moet zelf bepalen hoe het informatie verwerkt. Onderzoekers kunnen unsupervised learning gebruiken om patronen en gegevensgroepen te vinden in ongelabelde datasets zonder tussenkomst. Natuurlijk moet een data-analist de aanbevelingen van unsupervised machine learning valideren.
Semi-supervised machinaal leren
Semi-supervised learning zoekt een evenwicht tussen supervised en unsupervised learning door algoritmen te trainen met gelabelde en ongelabelde gegevens. Het volume gelabelde gegevens is meestal kleiner, terwijl het volume ongelabelde gegevens veel groter is. Een toepassing van semi-gesuperviseerd leren is in een ziekenhuis, waar een radioloog een klein aantal scans labelt voor ziekten om machines te helpen relevante informatie nauwkeurig te extraheren uit een groter volume.
Versterking van machinaal leren
Leren op basis van versterking lijkt op leren op basis van supervisie, behalve dat het algoritme leert door vallen en opstaan en vertraagde beloningen in plaats van steekproefgegevens. Een autonoom voertuig kan bijvoorbeeld door fouten in een trainingsomgeving leren welke beslissingen ongewenst zijn. Op dezelfde manier kan een gezondheidszorgsysteem het gebruiken om een optimaal beleid te bepalen op basis van ervaringen uit het verleden.
Wat is het verschil tussen AI en machine learning?
Bij het opzoeken van AI vs. machine learning, u kan het opvallen dat sommige mensen de termen ten onrechte door elkaar gebruiken. AI is in wezen een overkoepelende term voor synthetische intelligentie. Ondertussen is machine learning een AI-focus die machines in staat stelt om te leren van ervaringen en gegevens zonder dat iemand ze programmeert of daarbij helpt. Een machine die AI gebruikt, heeft niet noodzakelijkerwijs ML-capaciteiten. In 1996 gebruikte IBM's Deep Blue schaaksysteem bijvoorbeeld meer AI en minder ML om de Russische grootmeester Garry Kasparov te verslaan door talloze zetten in realtime te evalueren.
Welke bedrijfstakken gebruiken machine learning?
- Overheden gebruiken machine learning voor nutsvoorzieningen, openbare veiligheid, fraudedetectie of grenscontrole door een enorme hoeveelheid gegevens te analyseren.
- Bedrijven in de gezondheidszorg gebruiken machine learning om diagnoses en behandelingen te verbeteren en nauwkeurige apparaten voor gezondheidsbewaking te ontwikkelen.
- Detailhandelsbedrijven kunnen gerichte marketingdoelen verbeteren door kooppatronen van klanten te analyseren.
- De energiesector vindt bronnen efficiënter met algoritmen voor machinaal leren.
- Veel bedrijven in de transportsector, zoals koeriersbedrijven, ridesharingbedrijven en het openbaar vervoer, gebruiken computers om ideale routes te vinden om de dienstverlening, winstgevendheid en vermindering van de CO2-voetafdruk te verbeteren.
- De financiële sector gebruikt machine learning om de cyberbeveiliging te verbeteren en essentiële inzichten in gegevens te verkrijgen.
Maakt Netflix gebruik van machine learning?
Ja, Netflix gebruikt ML of meerdere toepassingen. Een van de meest in het oog springende is hun contentaanbevelingssysteem. Het systeem gebruikt ML om uw genrevoorkeuren, kijkgeschiedenis en de kijkgeschiedenis van gelijkgestemde gebruikers te onderzoeken om suggesties te doen voor films, films en documentaires die u kan proberen.