Machine learning klinkt misschien als een cursus die je moet volgen om in een fabriek te werken, maar in de informatica is het een subset van kunstmatige intelligentie (AI). Kortom, het stelt systemen in staat prestaties te verbeteren door te leren van ervaringen en data. Deze AI-subset is zo ingebakken in moderne software dat veel bestaande technologieën die we als vanzelfsprekend beschouwen niet mogelijk zouden zijn zonder.
Wat is machine learning precies (met voorbeelden)?
Dus, wat is machine learning (ML) precies, en waarom is het zo belangrijk? Nou, ML is een toepassing van AI en een tak van de informatica die systemen in staat stelt te leren van ervaringen, data en algoritmes om de nauwkeurigheid te verbeteren. Interessant genoeg hoeven ontwikkelaars machines niet expliciet te programmeren om voordeel te halen uit ML — computers kunnen zelf leren zonder menselijke tussenkomst.
Moderne technologieën zoals chatbots, virtuele assistenten, proactieve antivirussoftware en meer vertrouwen sterk op machine learning. Zo gebruiken zelfrijdende voertuigen meerdere ML-algoritmes op basis van zowel gesuperviseerd als niet-gesuperviseerd leren om te beslissen welke acties ze moeten ondernemen om net zo goed of beter te rijden dan mensen.
Evenzo kan cybersecurity voor bedrijven, zoals Endpoint Detection and Response (EDR), machine learning gebruiken om onbekende malware op te sporen en onbekende "zero-day" bedreigingen te detecteren door kwaadaardige patronen te identificeren. Dit is slechts het topje van de ijsberg van hoe machine learning de cybersecurity in de toekomst zal beïnvloeden.
ML en AI maken ook communicatie tussen machines mogelijk zonder menselijke tussenkomst. Dergelijke machine-to-machine (M2M) toepassingen kunnen supply chain- of magazijnbeheersystemen helpen om efficiënt voorraden bij te houden en te monitoren. Evenzo helpen M2M-toepassingen energiebedrijven om de levering nauwkeuriger te beheren door verzamelde data van energiebronnen naar externe computers voor analyse te sturen.
Wat zijn enkele veelvoorkomende methoden van machine learning?
Gesuperviseerd machine learning
Gesuperviseerd leren is wanneer gelabelde datasets algoritmen trainen onder supervisie. Gesuperviseerde data is vaker voorkomend dan andere leermethoden omdat het efficiënter kan zijn. Een voorbeeld hiervan is wanneer algoritmen spam in je inbox kunnen classificeren.
Niet-gesuperviseerd machine learning
Niet-gesuperviseerd leren is wanneer een algoritme werkt met niet-gelabelde data zonder toezicht. Het moet zelf bepalen hoe het informatie verwerkt. Onderzoekers kunnen niet-gesuperviseerd leren gebruiken om patronen en datagroepen in niet-gelabelde datasets te vinden zonder tussenkomst. Natuurlijk kan een data-analist nog steeds aanbevelingen van niet-gesuperviseerd machine learning moeten valideren.
Semi-gesuperviseerd machine learning
Semi-gesuperviseerd leren zoekt een balans tussen gesuperviseerd en niet-gesuperviseerd leren door algoritmen te trainen met gelabelde en niet-gelabelde data. Meestal is de hoeveelheid gelabelde data kleiner, terwijl de hoeveelheid niet-gelabelde data 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 uit een groter volume te halen.
Reinforcement machine learning
Reinforcement leren is vergelijkbaar met gesuperviseerd leren, behalve dat het algoritme leert door middel van trial-and-error en uitgestelde beloningen in plaats van voorbeelddata. Zo kan een autonoom voertuig via fouten in een trainingsomgeving leren welke beslissingen ongewenst zijn. Evenzo kan een gezondheidssysteem dit gebruiken om optimale beleidsvoeringen uit eerdere ervaringen vast te stellen.
Wat is het verschil tussen AI en machine learning?
Wanneer je AI versus machine learning opzoekt, merk je misschien dat sommige mensen de termen ten onrechte door elkaar gebruiken. AI is eigenlijk een overkoepelende term voor synthetische intelligentie. Intussen is machine learning een focuspunt van AI dat machines in staat stelt om te leren van ervaringen en data zonder dat iemand ze programmeert of helpt. Een machine die AI gebruikt heeft niet per se ML-capaciteiten. IBM’s Deep Blue schaakcomputer gebruikte bijvoorbeeld in 1996 meer AI en minder ML om de Russische grootmeester Garry Kasparov te verslaan door real-time talloze zetten te evalueren.
Welke sectoren maken gebruik van machine learning?
- Overheden gebruiken machine learning voor nutsvoorzieningen, openbare veiligheid, fraudedetectie, of grenscontrole door enorme hoeveelheden data te analyseren.
- Zorgbedrijven gebruiken machine learning om diagnoses en behandelingen te verbeteren en nauwkeurige gezondheidsmonitoringapparaten te ontwikkelen.
- Retailbedrijven kunnen hun gerichte marketingdoelen verbeteren door klantkooppatronen te analyseren.
- De energiesector vindt bronnen efficiënter met machine learning-algoritmes.
- Veel bedrijven in de transportsector, zoals bezorgbedrijven, ritdelingsdiensten en openbaar vervoer, gebruiken computers om ideale routes te vinden ter verbetering van diensten, winstgevendheid en vermindering van de ecologische voetafdruk.
- De financiële sector gebruikt machine learning om cybersecurity en essentiële datainsights te verbeteren.
Maakt Netflix gebruik van machine learning?
Ja, Netflix gebruikt ML of meerdere toepassingen. Een van de meest opvallende is hun contentaanbevelingssysteem. Het systeem gebruikt ML om je voorkeuren voor genres, kijkgeschiedenis en de kijkgeschiedenis van gelijkgestemde gebruikers te onderzoeken om films, series en documentaires aan te bevelen die je kunt proberen.