Definitie: Machine learning is een deelgebied van kunstmatige intelligentie waarin computers patronen leren uit gegevens, zodat ze voorspellingen of beslissingen kunnen maken zonder dat elke regel vooraf is geprogrammeerd. Hoe meer bruikbare voorbeelden een model krijgt, hoe beter het die taak meestal leert uitvoeren.
In het kort
- Bij gewone software schrijft een ontwikkelaar de regels; bij machine learning leidt het model de regels af uit voorbeelden.
- De drie hoofdsoorten zijn supervised learning (leren van gelabelde voorbeelden), unsupervised learning (patronen zoeken zonder labels) en reinforcement learning (leren door beloning en straf).
- Toepassingen zijn onder meer fraudedetectie, aanbevelingen, vraagvoorspelling, spamfilters, beeldherkenning en voorspellend onderhoud.
- Deep learning en taalmodellen zoals ChatGPT zijn vormen van machine learning, maar veel zakelijke toepassingen werken met eenvoudigere modellen.
Wat is machine learning?
Machine learning, in het Nederlands ook wel machinaal leren genoemd, is een manier om computers taken te laten uitvoeren door ze te laten leren van voorbeelden. Lenovo omschrijft het als het vermogen van computers om van gegevens te leren en hun prestaties te verbeteren zonder dat elke situatie expliciet wordt geprogrammeerd.
Neem een spamfilter. Je kunt proberen regels te schrijven: blokkeer mails met het woord “winnaar” of met veel uitroeptekens. Maar spammers passen zich aan, en de regels worden snel onoverzichtelijk. Met machine learning geef je het systeem duizenden mails die al als spam of geen spam zijn gemarkeerd. Het model leert zelf welke combinaties van kenmerken bij spam horen, ook combinaties die een mens niet zou bedenken.
De term werd in 1959 bekend door Arthur Samuel, een onderzoeker bij IBM die een computer leerde dammen door hem tegen zichzelf te laten spelen.
AI, machine learning, neurale netwerken en deep learning
Qlik beschrijft deze begrippen als geneste categorieën:
| Begrip | Wat het is | Voorbeeld |
|---|---|---|
| Kunstmatige intelligentie (AI) | Het brede vakgebied van machines die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is | Ook regelgebaseerde expertsystemen |
| Machine learning | Deelgebied van AI waarin systemen leren uit gegevens | Een model dat de kans op betalingsachterstand voorspelt |
| Neurale netwerken | Een vorm van machine learning met lagen van kunstmatige neuronen | Beeldherkenning |
| Deep learning | Neurale netwerken met veel lagen | Spraakherkenning, taalmodellen |
Elke vorm van deep learning is dus machine learning, maar niet elk machine-learningmodel is een neuraal netwerk. Beslisbomen en regressie zijn ook machine learning, en voor veel zakelijke vragen met gestructureerde gegevens werken die uitstekend.
Welke soorten machine learning zijn er?
| Soort | Hoe het leert | Voorbeelden |
|---|---|---|
| Supervised learning | Van voorbeelden waarbij het juiste antwoord bekend is | Spam herkennen, omzet voorspellen, documenten classificeren |
| Unsupervised learning | Zoekt zelf structuur in gegevens zonder labels | Klantsegmenten vinden, afwijkingen opsporen |
| Semi-supervised learning | Een klein deel gelabelde en een groot deel ongelabelde gegevens | Classificatie als labelen duur is |
| Reinforcement learning | Door acties uit te voeren en beloning of straf te krijgen | Robots, spellen, optimalisatie van processen |
GoLinuxCloud splitst supervised learning verder op in classificatie, waarbij het model een categorie kiest (spam of geen spam), en regressie, waarbij het een getal voorspelt (verkoop, prijs of levertijd). Bij unsupervised learning onderscheidt het clustering, het groeperen van vergelijkbare items, en associatie, het vinden van samenhang. Een bekend voorbeeld van associatie is de winkelmandanalyse: klanten die brood kopen, kopen vaak ook boter of jam.
Hoe werkt machine learning?
Een machine-learningproject verloopt meestal in deze stappen:
- Vraag bepalen. Wat wil je voorspellen of herkennen, en wat doe je met de uitkomst?
- Gegevens verzamelen. Historische gegevens met de kenmerken en, bij supervised learning, de juiste uitkomsten.
- Gegevens voorbereiden. Opschonen, ontbrekende waarden aanvullen en kenmerken kiezen. Lenovo noemt dit data preprocessing en feature selection.
- Model trainen. Het algoritme leert de verbanden tussen kenmerken en uitkomst.
- Model testen. Met gegevens die het model niet eerder zag, controleer je hoe goed het voorspelt. Cross-validation helpt om een betrouwbaar beeld te krijgen.
- In gebruik nemen. Het model wordt onderdeel van een applicatie of proces.
- Blijven meten. De werkelijkheid verandert, dus het model moet worden bewaakt en zo nodig opnieuw getraind.
Lenovo noemt TensorFlow, PyTorch en scikit-learn als veelgebruikte tools, en Python en R als populaire programmeertalen.
Voorbeelden van machine learning
- Fraudedetectie: afwijkende transacties herkennen bij banken en verzekeraars.
- Aanbevelingen: producten, films of artikelen voorstellen op basis van eerder gedrag, zoals bij webwinkels en streamingdiensten.
- Vraagvoorspelling: verkoop of voorraadbehoefte voorspellen, zodat inkoop en planning beter aansluiten.
- Voorspellend onderhoud: op basis van sensorgegevens voorspellen wanneer een machine onderhoud nodig heeft.
- Documenten sorteren: binnenkomende mails, facturen of aanvragen automatisch in de juiste categorie plaatsen.
- Klantsegmentatie: groepen klanten met vergelijkbaar gedrag vinden voor gerichte communicatie.
- Medische beeldanalyse: afwijkingen op scans helpen opsporen.
Voordelen en beperkingen
| Voordelen | Beperkingen |
|---|---|
| Herkent patronen in grote hoeveelheden gegevens | Heeft voldoende en goede gegevens nodig |
| Past zich aan nieuwe voorbeelden aan | Neemt scheefheid uit de gegevens over |
| Kan taken aan waarvoor regels te complex zijn | Uitkomsten zijn niet altijd goed uit te leggen |
| Werkt snel en op grote schaal | Kan overfitten: goed op trainingsdata, slecht in de praktijk |
| Moet worden bewaakt en bijgehouden |
Lenovo noemt daarnaast ethische aandachtspunten: bias in trainingsgegevens, transparantie en privacy.
Uitgewerkt voorbeeld: voorraad voorspellen bij een groothandel
Een groothandel bestelt zijn voorraad op gevoel en ervaring. Soms liggen producten maanden in het magazijn, soms is een populair artikel juist uitverkocht. Er is wel een schat aan gegevens: jaren aan verkopen per product, per week en per klantgroep, plus informatie over acties en feestdagen.
Met supervised learning, in dit geval regressie, wordt een model getraind dat per product de verkoop voor de komende weken voorspelt. Het model leert onder meer dat sommige producten in het voorjaar beter verkopen en dat acties een tijdelijke piek geven. De inkoper krijgt een voorstel per product, met de verwachte vraag en een bandbreedte.
Twee dingen maken zo’n toepassing bruikbaar. De inkoper blijft beslissen en kan afwijken als hij iets weet wat het model niet weet, zoals een nieuwe grote klant. En de voorspellingen worden elke maand vergeleken met de werkelijke verkoop, zodat zichtbaar blijft of het model nog klopt.
Wat kost machine learning?
Er zijn geen vaste prijzen, omdat de kosten vooral in werk zitten. De grootste posten zijn meestal het verzamelen en opschonen van gegevens, het bouwen en testen van het model, het inbouwen in een applicatie of proces, en het bewaken en opnieuw trainen na livegang. De rekenkracht voor klassieke modellen is vaak beperkt; bij deep learning en grote hoeveelheden beeld of tekst kan die flink oplopen. Vaak is het verstandig om eerst te kijken of een bestaande dienst of een bestaand model de taak al goed genoeg uitvoert, voordat je een eigen model laat ontwikkelen.
Veelgemaakte fouten
- Beginnen met de techniek. Zonder heldere vraag en duidelijke gebruiker levert een model weinig op.
- De gegevens onderschatten. Ontbrekende, rommelige of eenzijdige gegevens leiden tot slechte voorspellingen.
- Alleen testen op bekende gegevens. Een model dat de trainingsdata uit het hoofd kent, is nog niet bruikbaar in de praktijk.
- Geen plan na livegang. Klantgedrag, prijzen en processen veranderen, en een model veroudert mee.
- Persoonsgegevens zonder afweging gebruiken. Ook voor machine learning gelden de regels van de AVG.
Machine learning, vaste regels of een taalmodel?
Niet elke slimme functie vraagt om machine learning. Een afweging:
| Situatie | Logische aanpak |
|---|---|
| De logica is bekend en in regels te vangen, zoals een kortingsregel of een berekening | Vaste regels in de software |
| Er is veel historische data en je wilt een getal of categorie voorspellen | Klassieke machine learning |
| Het gaat om tekst begrijpen, samenvatten of schrijven | Een bestaand taalmodel via een API |
| Het gaat om beelden of documenten herkennen | Een bestaand beeld- of documentmodel |
Vaste regels zijn voorspelbaar, goedkoop en makkelijk uit te leggen. Machine learning is waardevol als de regels te complex zijn of steeds veranderen, en als er genoeg goede voorbeelden zijn.
Wat betekent dit voor jouw project?
Bij SAYOOO, mijn eigen softwareproduct dat gegevens verwerkt in overzichten en rapportages, is de bouwles: begin bij de beslissing die iemand moet nemen en bepaal dan welke gegevens daarvoor nodig zijn. Dat geldt ook voor machine learning. Een voorspelling is pas nuttig als duidelijk is wie hem gebruikt en wat die persoon ermee doet.
Bij een nieuw idee onderzoek ik eerst of een bestaand pakket, een koppeling of maatwerk het beste past. Vaak blijkt dat vaste regels of een bestaand AI-model volstaan, en dat een eigen model pas later zinvol wordt, als er genoeg gegevens zijn.
Verzamel je gegevens waar je meer uit wilt halen? Stuur me welke gegevens je bijhoudt, welke beslissing je ermee wilt nemen en wie die beslissing neemt. Dan bepalen we samen de logische eerste stap.
Veelgestelde vragen over machine learning
Wat is machine learning?
Machine learning is een deelgebied van kunstmatige intelligentie waarin computers patronen leren uit gegevens, zodat ze voorspellingen of beslissingen kunnen maken zonder dat elke regel vooraf is geprogrammeerd.
Wat is het verschil tussen AI en machine learning?
AI is het brede vakgebied van systemen die taken uitvoeren waarvoor normaal menselijke intelligentie nodig is. Machine learning is een deelgebied daarvan, waarin systemen leren uit gegevens in plaats van vaste regels te volgen.
Welke soorten machine learning zijn er?
De drie hoofdsoorten zijn supervised learning, unsupervised learning en reinforcement learning. Daarnaast bestaat semi-supervised learning, een combinatie van gelabelde en ongelabelde gegevens.
Verwante termen
Neuraal netwerk · Embeddings · Fine-tuning · OCR en documentherkenning · AI-automatisering · Dashboard
← Terug naar de kennisbank