Onmenselijke voorspellingen doen met ‘machine learning’

Veel bedrijven verzamelen grote hoeveelheden data, maar nog maar weinig bedrijven zijn in staat deze data te vertalen naar bruikbare inzichten. Met vooruitstrevende analysemethoden, zoals machine learning, kun je patronen ontdekken en voorspellingen doen die een menselijke analist nooit zou kunnen vinden, laat staan begrijpen. Wat zijn de mogelijkheden en de toekomst van machine learning?

Maak voorspellingen op basis van data

Met machine learning kunnen bedrijven data minen en automatisch ordenen en hier nieuwe inzichten uit opdoen en voorspellende modellen maken. Door deze analysetechnologie hoef je bijvoorbeeld niet meer terug te kijken naar oudere rapporten. De informatie gevonden met machine learning is dan ook heel waardevol voor organisaties, omdat het helpt snelle en duidelijke beslissingen te maken.

Bekende toepassingen

Een aantal bekende machine learning-toepassingen zijn:

• De learning-algoritmes die e-mailproviders gebruiken om spam te identificeren;
• Het automatisch herkennen van web-spam door Google;
• Creditcardfraude tegen gaan door e-commerce en bedrijven.

Machine learning is een systeem dat via enkele complexe algoritmes grote hoeveelheden onoverzichtelijke data omzet naar gebruiksvriendelijke en bruikbare informatie. In plaats van analisten die inzichten uit data halen, gebruikt machine learning de data om het systeem zelf te verbeteren en door te ontwikkelen.

Waarvoor gebruiken bedrijven machine learning?

Bedrijven kunnen machine learning gebruiken om in grote hoeveelheden ongestructureerde data trends te ontdekken. Met deze trends kunnen ze bijvoorbeeld ontwikkelingen op de markt voorspellen. Deze trends en voorspellingen zijn weer te vertalen naar een marketingadvies.

Voor veel organisaties is machine learning een strategische aanwinst. Het zorgt voor een overzicht van de totale ervaring van het bedrijf. Elke klant, partner en klacht biedt de organisatie weer nieuwe inzichten om van te leren.

Hoe verloopt het proces?

Het standaard machine learning-proces verloopt als volgt:

1. Het systeem verzamelt informatie;
2. Het haalt deze data door een aantal algoritmes;
3. Als deze acties succesvol zijn, produceren die algoritmes weer resultaten die het systeem gebruikt om oude algoritmes te verbeteren;
4. Het is ook mogelijk een algoritme van tevoren te trainen met behulp van een trainingsdataset.

Machine learning in het dagelijks leven

Het voorspellen van een proces op basis van data zien we al terug in ons dagelijks leven. Een paar voorbeelden: van The Internet of Things tot onze gezondheid.

Voorbeeld 1: voorspel of je klanten een bestelling plaatsen

Met machine learning kun je aan de hand van het online gedrag van klanten voorspellen of een klant een bestelling gaat plaatsen of niet. Stel, je hebt een dataset met daarin het gedrag van een klant op een webshop. De dataset bevat dan informatie over hoe vaak de klant op een product geklikt heeft, wat de hoogste prijs is van een product waarop de klant geklikt heeft, de dag en de tijd. Door deze data met de gebruikersinformatie van een klant te combineren, bijvoorbeeld geslacht of leeftijd, kan een systeem zichzelf leren voorspellen wat de kans is dat de volgende klant een bestelling plaatst.

Voorbeeld 2: beschermen van dieren & voorspellen hartaanvallen
Er ontwikkelen zich steeds meer innovatieve toepassingen, zoals het beschermen van dieren op basis van geluidherkenning en het voorspellen van een hartaanval door het analyseren van de medische informatie van een patiënt.

Detectie van hartfalen

Deze detectie van hartfalen is mogelijk door het herkennen van een aantal tekens en symptomen die te documenteren zijn, nog voordat de patiënt verder onderzoek laat doen. Onderzoekers van IBM ontwikkelden een ‘natural language processing’ (natuurlijke taalverwerking)-werkwijze om deze tekens en symptomen van hartfalen te herkennen. Ze gebruikten notities van artsen en ziekenhuizen als input bij het maken van een analysemodel dat artsen kunnen gebruiken bij het maken van beslissingen.

The Internet of Things

Een nieuwe maar belangrijke ontwikkeling waarbij Machine Learning een grote rol speelt is The Internet of Things. Bij The Internet of Things zijn sensoren en actuatoren verwerkt in objecten en voorwerpen, bijvoorbeeld wegen en pacemakers. Deze zijn verbonden via (draadloze) netwerken en produceren enorme hoeveelheden data, die weer door gaan naar computers voor analyse.

Menselijke handelingen verdwijnen geheel

Het idee is dat objecten en voorwerpen data verzamelen en deze informatie naar elkaar communiceren om de complexiteit van onze wereld te begrijpen en hier snel op te kunnen reageren. Om ervoor te zorgen dat deze objecten nieuwe informatie opnemen en hierop kunnen reageren, is machine learning nodig. De bedoeling is dat menselijke interactie hierbij geheel verdwijnt.

Twee voorbeelden:

1. Sensoren die de grondvochtigheid en voedingsstoffen in de grond meten en aan de hand van deze data automatisch de sproeiers aan- en uitzetten.
2. Het bedrijf Nest van Google heeft een thermostaat ontwikkeld die bijhoudt wanneer mensen de verwarming hoger of lager zetten. Met deze informatie leert de thermostaat zichzelf te programmeren en zal hij zich aanpassen aan het gebruik.

Goede datastrategie is cruciaal voor goed ‘on-menselijk leren’

Machine learning is direct afkomstig uit de academische wereld en is nog volop in ontwikkeling. Dagelijks komen er nieuwe methodes bij en worden oude aangepast. Tegenwoordig breidt het onderzoek naar toepassingen zich steeds verder uit.

Het invoeren van een goede datastrategie met behulp van Machine Learning blijkt lastig door de vele technische aspecten, maar ook door de benodigde kennis van voorspellende systemen. Tegelijkertijd ontdekken start-ups, tech-bedrijven en universiteiten steeds meer nieuwe en interessante manieren om machine learning toe te passen op bestaande problemen in veel verschillende industrieën.

Ik ben benieuwd naar jullie ervaringen met en kennis over machine learning en zou het leuk vinden als je dit wilt delen in een reactie hieronder!

Foto intro met dank aan Fotolia.