Vier voorwaarden om Machine Learning goed in te zetten

Machine Learning is binnenkort onlosmakelijk verbonden met de praktijk van alledag. Vier noodzakelijke stappen om dit te bereiken.  

Machine learning helpt bedrijven al om betere en snellere beslissingen te nemen. In de gezondheidszorg versnelt machine learning het onderzoek naar en de ontdekking van nieuwe medicijnen en behandelingen. In andere industrieën helpt het afgelegen dorpen in Zuidoost-Afrika toegang te krijgen tot financiële diensten of het vinden van huisvesting voor daklozen. 

De kans is aanwezig dat de impact van machine learning nog groter wordt. In de toekomst zal machine learning onder de motorkap vallen van bijna elke applicatie, bedrijfsproces en eindgebruikerservaring. Voordat deze technologie echter alomtegenwoordig wordt, zijn er vier belangrijke belemmeringen voor acceptatie die we eerst moeten wegnemen.

1: Machine learning democratiseren

De enige manier waarop machine learning echt kan worden opgeschaald, is als wij als branche het voor iedereen gemakkelijker maken – ongeacht hun vaardigheidsniveau of middelen – om deze geavanceerde technologie in applicaties en bedrijfsprocessen te integreren.

Om dit te bereiken, moeten bedrijven profiteren van tools waarvan de intelligentie direct is ingebouwd in applicaties waarvan de hele organisatie kan profiteren. Terwijl processen overgaan van handmatig naar automatisch, zijn werknemers vrij om te innoveren en uit te vinden. Naarmate deze technologie intuïtiever en toegankelijker wordt, kan deze worden toegepast op bijna elk denkbaar probleem – van de zwaarste uitdagingen op de IT-afdeling tot de grootste milieuproblemen ter wereld.

2: Bijscholing van werknemers

Volgens het World Economic Forum zou de groei van AI in de komende jaren 58 miljoen netto nieuwe banen kunnen creëren. Er zijn echter,  aldus dit onderzoek momenteel slechts 300.000 AI-ingenieurs wereldwijd. Het aantal AI-gerelateerde vacatures is driemaal zo groot als het aantal zoekopdrachten naar werk. Gezien deze aanzienlijke kloof moeten organisaties erkennen dat ze simpelweg niet alle datawetenschappers kunnen inhuren die ze nodig hebben. Bovendien zal dit innovatietempo deuren openen en uiteindelijk banen creëren die we ons vandaag niet eens kunnen voorstellen.

Verschillende bedrijven vinden  innovatieve manieren om hun werknemers te stimuleren nieuwe machine learning-vaardigheden te verwerven met een leuke, interactieve hands-on aanpak. Het is cruciaal dat organisaties hun inspanningen niet alleen richten op het verbeteren van de machine learning-vaardigheden, van het huidige personeel, maar dat ze ook investeren in trainingsprogramma’s voor het personeel van morgen.

3: Vertrouwen wekken in producten

Bij iets nieuws hebben mensen vaak twee gedachten: ofwel dat een opkomende technologie een wondermiddel is en een wereldwijde redder, of anderzijds dat het een destructieve kracht is die alles kapot maakt. De waarheid ligt waarschijnlijk ergens in het midden.

Als eerste stap moeten we leiders in branches, bedrijven en gemeenschappen vertrouwd maken met machine learning. Hoe werkt het? Hoe kan het worden toegepast? En hoe kunnen we het verantwoord gebruiken? 

Ten tweede, om vertrouwen te krijgen in machine learning-producten, moeten ze worden gebouwd door verschillende groepen mensen, ongeacht geslacht, ras, leeftijd, nationaliteit, seksuele geaardheid, handicap, cultuur en opleiding. We zullen allemaal profiteren van mensen met verschillende achtergronden, ideeën en standpunten om nieuwe machine learning-producten uit te vinden.

Ten derde moeten machine learning-diensten grondig worden getest, waarbij de nauwkeurigheid wordt gemeten aan de hand van benchmarks van derden. Benchmarks moeten worden opgesteld door de academische wereld, maar ook door overheden en ze moeten worden toegepast op alle op machine learning-gebaseerde diensten. 

4: Regulering van machine learning

Ten slotte moeten we het als samenleving eens worden over welke parameters moeten worden ingevoerd die bepalen hoe en wanneer machine learning kan worden gebruikt. Bij elke nieuwe technologie moet er een evenwicht zijn tussen de bescherming van burgerrechten en moet er ruimte zijn voor voortdurende innovatie en praktische toepassing van de technologie.

Elke organisatie die met machine learning-technologie werkt – ook wij bij Amazon Web Services (AWS) – moet klanten, onderzoekers, academici en anderen erbij betrekken om de voordelen van de machine learning-technologie en de mogelijke risico’s zo goed mogelijk bepalen. Daarbij moeten ze actief in gesprek zijn met beleidsmakers, wetgeving ondersteunen en hun eigen richtlijnen opstellen voor het verantwoord gebruik van machine learning-technologie. Transparantie, open dialoog en constante evaluatie moeten altijd prioriteit krijgen om ervoor te zorgen dat machine learning op de juiste manier wordt toegepast en continu wordt verbeterd.

Wat komt eraan?

Door machine learning hebben we al zoveel bereikt, en toch staan we nog aan het begin. Als we machine learning gebruiken om bedreigde orang-oetans te helpen, stel je dan eens voor hoe het ook kan worden gebruikt om onze oceanen te redden. Als we deze technologie gebruiken om in real-time digitale snapshots van de bossen op aarde te maken, stel je dan eens voor hoe deze technologie kan worden gebruikt om bosbranden te voorspellen en te voorkomen. Als machine learning kan worden gebruikt om kleine boeren in contact te brengen met de mensen en middelen die ze nodig hebben om hun economische potentieel te bereiken, stel je dan voor hoe het kan helpen om honger in de wereld te beëindigen.

Om deze realiteit te bereiken, hebben wij als branche veel werk voor de boeg. Ik ben ongelooflijk optimistisch dat machine learning ons zal helpen enkele van de moeilijkste uitdagingen ter wereld op te lossen en geweldige eindgebruikerservaringen te creëren waarvan we niet eens hadden kunnen dromen. Voordat we het weten, is machine learning net zo vertrouwd als het pakken van onze telefoons.

Over de auteur: Swami Sivasubramanian is vice-president van Amazon Machine Learning bij AWS