Machine learning (ML) is een deelgebied van de kunstmatige intelligentie. ML stelt IT-systemen in staat zelfstandig patronen en regelmatigheden te herkennen (algoritmen) op basis van bestaande gegevens en voorbeelden van resultaten en oplossingen te ontwikkelen. De opgedane kennis kan worden gegeneraliseerd en gebruikt voor de analyse van voorheen onbekende gegevens. Afhankelijk van de toepassing worden verschillende leercategorieën van ML toegepast. Dit zijn: leren onder toezicht, leren zonder toezicht en versterkend leren. Het type ML dat het meest lijkt op menselijk leren is reinforcement learning. Reinforcement learning is gebaseerd op beloning en straf.
Niet-gestuurd leren
Een gemakkelijk te begrijpen voorbeeld is clusteranalyse. Clusteren betekent hier het groeperen van gegevens.
De gegevens hoeven niet geëtiketteerd te worden. In tegenstelling tot classificatie bij supervised learning, vindt unsupervised learning de groepen door de ruimtelijke gelijkenis van de beschouwde gegevenspunten. Dit wordt bijvoorbeeld gebruikt bij de segmentering van klanten. Door klanten in specifieke groepen in te delen, kan veel doeltreffender reclame voor hen worden gemaakt.
Begeleid leren
Een typisch voorbeeld van begeleid leren is de classificatie van objecten. U kunt de objectherkenning op uw smartphone testen met de app "Google Lens". Anders dan bij leren zonder toezicht, zijn voor dit type machinaal leren gelabelde gegevens nodig. Dit betekent bijvoorbeeld dat een foto van een hond moet worden voorzien van het label "hond". Door veel gelabelde afbeeldingen van honden te gebruiken, kan een model worden getraind dat betrouwbaar honden kan herkennen, zelfs van nieuwe ongelabelde afbeeldingen. Een regionaal voorbeeld van een dergelijke toepassing is hier te vinden:
https://siwalusoftware.com/de/
Versterkingsleren
Nogmaals, we gebruiken een voorbeeld dat gemakkelijk te begrijpen is. U kent wellicht industriële robots die net zo bewegen als een menselijke arm. Deze robots zijn gewoonlijk geprogrammeerd voor een werkstap waarbij een bepaald pad wordt gevolgd of iets wordt vastgegrepen op een bepaald punt. Maar hoe kan een robot bijvoorbeeld zelfstandig leren het juiste voorwerp te kiezen uit een bak met willekeurig gerangschikte voorwerpen (bin picking)?
In tegenstelling tot de andere vormen van ML zijn geen speciale trainingsgegevens vereist. In ons voorbeeld leert de robot door beloning en straf. Als een robot een onderdeel correct vastgrijpt (doeldefinitie), krijgt hij een "beloning"; als hij het onderdeel niet correct vastgrijpt, krijgt hij een "straf". Het doel van het systeem is om het aantal correcte grepen te maximaliseren. Totdat zo'n robot het doel van zelfstandig grijpen heeft geleerd, moeten er nog heel wat grijpprocessen worden doorlopen. Het ML-model verbetert zichzelf naarmate het wordt gebruikt.
Afhankelijk van de vraag of een reeds vooraf getraind ML-model beschikbaar is, dan wel of het een door de gebruiker gedefinieerd ML-model betreft, zijn verschillende hoeveelheden gegevens nodig om dit model te trainen. In het algemeen zijn echter historische gegevens nodig om toekomstige gebeurtenissen te voorspellen.
Begin met de implementatie van afzonderlijke kleine toepassingen.
Een mentaliteit die openstaat voor het gebruik van machinaal leren om alle processen in de organisatie te verbeteren en om de mogelijkheden daarvoor te identificeren en te verkennen.
Ingenieurs en besluitvormers bewuster maken van machinaal leren.