Machine learning: hoe werkt het in de praktijk?

De laatste tijd is machine learning regelmatig in het nieuws. Of het nu gaat om zelfrijdende auto’s of het verslaan van de beste Go-speler ter wereld, computers lijken tegenwoordig alles te kunnen. Ondanks al de berichtgeving is het voor veel mensen niet helemaal duidelijk wat machine learning nu precies is, en wat de mogelijkheden en beperkingen ervan zijn. In deze serie blogposts leest u hoe machine learning werkt, hoe het in de praktijk wordt toegepast en wat het voor u kan betekenen.

Machine learning in vogelvlucht

De theorie achter machine learning bestaat al tientallen jaren, maar wordt pas sinds de laatste jaren ook veel in de praktijk toegepast. Dat heeft voor een groot deel te maken met de voorwaarden waaraan moet worden voldaan om machine learning te laten werken.

Normaal gesproken voert een computer een taak namelijk uit door stap voor stap alle instructies van de software te volgen. Maar voor complexe omgevingen met veel data is het onmogelijk om in elke situatie de correcte handeling te definiëren. Denk bijvoorbeeld aan de eerder genoemde zelfrijdende auto’s waarbij dit zou betekenen dat elke verkeerssituatie herkend moet worden en de correcte handeling vooraf vastgelegd moet zijn. In zo’n geval biedt machine learning uitkomst. Zoals de naam al zegt, wordt de software getraind in plaats van geschreven. Tijdens het trainen krijgt een model input-data aangeboden en zoekt het zelfstandig naar een manier om tot een correct antwoord te komen.

Om een model succesvol te kunnen trainen zijn er twee voorwaarden. Ten eerste moet er genoeg data beschikbaar zijn om mee te kunnen trainen, en ten tweede is een hoop rekenkracht vereist zodat dit binnen afzienbare tijd te doen is. Zowel data als rekenkracht zijn in de laatste jaren veel beter beschikbaar geworden, waardoor machine learning aan populariteit heeft gewonnen.

Voordeel

Doordat een model getraind wordt aan de hand van data en dus geen vaste instructies heeft, is een model niet beperkt tot vooraf vastgelegde situaties. Dit stelde bijvoorbeeld >AlphaGo in staat om de beste Go-speler ter wereld te verslaan. Het was daarbij niet nodig om van tevoren strategieën voor het programma uit te schrijven: die werden tijdens het spelen vanzelf ontwikkeld.

deepart.io

Een ander voorbeeld van de kracht van machine learning is DeepArt. Dit model is getraind in de schilderstijl van Vincent van Gogh en kan foto’s omvormen tot een afbeelding in de stijl van Nederlands bekendste schilder. In DeepArt is nergens vastgelegd hoe die stijl precies is, maar het programma heeft het zelf geleerd door te trainen op een enorme dataset van schilderijen.

Praktische toepassingen

De genoemde voorbeelden laten duidelijk de potentie van machine learning zien, maar zijn vooral onderzoekend van aard. Naast in de wetenschap wordt machine learning ook steeds vaker in bedrijfsprocessen toegepast.

Zo voert Paypal fraudedetectie uit en worden kredietrisico’s bepaald met behulp van getrainde modellen. Deze kunnen veel fijnere relaties in data achterhalen om te bepalen of een transactie frauduleus is. 

Ook Amazon is een grote speler op het gebied van machine learning. De algoritmes die de aanbevelingen bepalen voor bezoekers van Amazon werken met machine learning om zo de beste producten aan te bieden.  Zo is het al gebeurd dat een vader achter de zwangerschap van zijn dochter kwam door de reclame voor zwangerschapsproducten die Target stuurde.

Verder met machine learning

Maar er is nog veel meer mogelijk! Voor processen waarbij veel data komt kijken biedt machine learning een aanvulling of alternatief op de huidige experts, software of mensen. In deze blogpost leest u hoe wij machine learning binnen OGD toepassen.