-

De mogelijkheden van machine learning: Vier categorieën, veel potentie

Machine learning wordt op veel gebieden en in verschillende sectoren al concreet toegepast. De mogelijkheden zijn vrijwel onuitputtelijk. Een overzicht van wat er al kan en een duidelijke indeling in vier verschillenden soorten toepassingen.

Machine learning is een techniek die software in staat stelt om zelflerend te zijn zonder expliciet te programmeren. In plaats van het schrijven van code met veel “als dit, dan doe dat”-regels, worden bij machine learning patronen in data herkend en wordt op basis daarvan een algoritme gecreëerd dat kan herkennen, voorspellen, adviseren, optimaliseren en/of classificeren. Het is een uiterst krachtige techniek waarmee software intelligente taken kan uitvoeren die tot voor kort voornamelijk door mensen uitgevoerd werden. Daarmee kunnen diverse bedrijfs- en industriële processen, klantgerichte diensten en andere datagedreven functies op een vernieuwende wijze worden geautomatiseerd.

Machine learning is niet nieuw. Het kent zijn oorsprong in de academische wereld eind jaren ’60 / begin jaren ’70 en wordt al dagelijks gebruikt bij grote bedrijven. Door de ruime beschikbaarheid van (big) data, de toename in processing power en de beschikbaarheid van machine learning-platformen is deze exponentieel groeiende technologie recentelijk volwassen geworden. Daarmee wordt machine learning toepasbaar voor iedere organisatie.

Machine learning toepassingen kunnen in vier categorieën worden ingedeeld:

Cognitieve Machine Learning

Cognitieve machine learning gaat over het herkennen en begrijpen van tekst, spraak, foto’s, audio en video. In ons dagelijks leven gebruiken we al verschillende cognitieve machine learning-toepassingen zoals Apple’s Siri (spraakherkenning, tekst naar spraak), Facebook of Google foto’s (het herkennen en taggen van gezichten), Skype (real-time vertalingen) of Shazam (herkennen van muziekfragmenten).

Dezelfde technieken kunnen nu echter ook worden ingezet binnen je bedrijf of organisatie, bijvoorbeeld om documenten, e-mails, afbeeldingen of sociale media te indexeren en doorzoekbaar te maken. Of voor het verwerken van foto’s of geluidsopnames om de kwaliteit van industriële processen te monitoren. Of om chatbots te configureren die in natuurlijke taal communiceren met klanten in een commerciële of helpdesk-omgeving, en zelfs in staat zijn om emoties te herkennen.

Voorspellende Machine Learning

Voorspellende machine learning gebruikt (historische) data om een algoritme te creëren dat ook voor nieuwe gevallen de verwachte uitkomst kan voorspellen. Deze technologie wordt al gebruikt door grotere organisaties zoals Netflix (aanbevelingen van films en series, op basis van het kijkgedrag van jou en vele anderen), Tesla (de zelf rijdende autopilot-software die het gas, het stuur en de rem bestuurt op basis van camera-inputs en een enorme hoeveelheid gegevens van andere automobilisten) en Philips (tumordetectie gebaseerd op radiologische scans en historische data). Omdat de algoritmes blijven leren van nieuwe gevallen, wordt de software steeds beter kan het steeds accuratere voorspellingen geven.

Het is een uiterst krachtige techniek die op talloze manieren bedrijfsmatig kan worden ingezet. Denk bijvoorbeeld aan het diagnosticeren van psychische ziektes en het voorspellen van de meeste effectieve behandelingen, het voorspellen van omzet en verkoop van bepaalde producten in combinatie met weersvoorspellingen, het voorspellen van de kans dat een klant van een telecomprovider gaat overstappen naar een concurrent, gebaseerd op zijn ervaringen met de helpdesk, preventief onderhoud aan machines en turbines naar aanleiding van verwachte defecten op basis van gegevens van IOT-sensoren, ondersteuning voor intelligent debiteurenbeheer door middel van geautomatiseerd advies over het blokkeren of vrijgeven van orders, of ondersteuning van een juridisch adviesbureau met advies gebaseerd op jurisprudentie.

Het toepassen van voorspellende machine learning stelt je organisatie in staat om nieuwe/betere diensten te verlenen, efficiënter te opereren en de concurrentie daarmee voor te blijven.

Optimaliserende Machine Learning

Optimaliserende machine learning heeft betrekking op het toepassen van algoritmes om de snelste, kortste, beste uitkomst te vinden. In ons dagelijks leven vinden we deze technieken onder andere in kleurenfiltersoftware voor foto’s en video’s, maar ook in routeplanningsoftware als TomTom voor het vinden van de beste route of vrije parkeerplaatsen.

Deze techniek kan worden gebruikt om diverse onderdelen in je bedrijfs- of industriële processen te optimaliseren, zoals het optimaliseren van de werkwijze in een magazijn, het optimaliseren van de supply chain of voor het vergelijken van de kosten van succesvolle behandelingen in de zorg.

Classificerende Machine Learning

Classificerende machine learning is een intelligente manier om gegevens in grote gegevenssets te segmenteren en classificeren. Sommige van deze algoritmes zijn non-supervised, wat betekent dat ze niet getraind zijn op basis van historische data, maar dat ze slim genoeg zijn om zelf patronen en verbanden te herkennen.

Classificerende machine learning wordt bijvoorbeeld toegepast bij creditcardfraudedetectie: als een creditcard gebruikt wordt in een winkel in Amsterdam en 10 minuten later bij een transactie in Singapore, is dat gezien de afstand erg onlogisch en zal de kaart automatisch geblokkeerd worden en wordt er contact opgenomen om de klant te waarschuwen. Het wordt ook gebruikt voor misdaadanalyse door de nationale politie.

Dezelfde techniek kun gebruikt worden om je eigen processen te ondersteunen, bijvoorbeeld om onverwacht gedrag van servers in je datacenter te detecteren, om verkopen in te delen naar klanten of marktsegmenten,

Al met al genoeg reden om eens te onderzoeken op welke manier machine learning-technieken je bedrijfsprocessen kunnen ondersteunen en verbeteren.

Over de auteur: Guus van de Mond is oprichter van Squadra Machine Learning Company.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social: LinkedIn, Twitter en Facebook.

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond