Innovation

Deel via:

Machine learning: nieuwe kansen voor de kenniswerker

Samenwerken met een intelligent digitaal systeem: het is minder vergezocht dan we denken. Dankzij slimme algoritmen en enorme hoeveelheden data wint machine learning sterk terrein. Kenniswerkers kunnen daarvan volop profiteren.

Wat is machine learning?

Allereerst: wat is machine learning nu precies? In de essentie betekent het dat computersystemen zichzelf kunnen trainen en zo steeds ‘slimmer’ worden. Data zijn daarbij het trainingsmateriaal; de kennis leiden ze af op basis van aangeboden gegevens, in plaats van dat deze expliciet wordt geprogrammeerd. Hoe meer data je een machine learning-systeem ‘voert’, hoe slimmer het systeem wordt. Hierbij is een feedback loop belangijk; bij foute beslissingen geeft de gebruiker van het systeem aan wat het juiste antwoord is. Daardoor leert de computer van gemaakte fouten.

In het dagelijks leven

Machine learning kom je niet alleen in specialistische bedrijfssoftware of het laboratorium tegen. In het dagelijks leven komen we steeds meer voorbeelden tegen van slimme computers. Denk bijvoorbeeld aan de digitale assistent op onze smartphones (Siri, Cortana, Google Now), de slimme thermostaat, en zelfsturende auto’s.

Machine learning maakt momenteel grote sprongen. Tot voor kort excelleerden computers in het verwerken van gestructureerde data, gegevens opgeslagen in keurige rijen en tabellen. Maar dankzij machine learning zijn ze steeds beter in staat om om te gaan met ongestructureerde gegevens zoals spraak, tekst, afbeeldingen en video’s. Computers herkennen patronen in deze ongestructureerde gegevens en kunnen daar vervolgens conclusies aan verbinden.

machine-learning.jpg

Productieprocessen

Machine learning wordt daardoor ook steeds bruikbaarder in het bedrijfsleven. Voorspellingen geven aan dat machine learning in het bedrijfsleven tot 2020 per jaar met 50 procent zal groeien. Dat heeft een enorme impact op de kenniseconomie. Machine learning-systemen en mensen kunnen effectief gaan samenwerken. Computers en fabrieksarbeiders werken al jaren samen in productieprocessen op een manier die effectiever is dan wanneer zij afzonderlijk werken.

Samen tot betere besluiten komen

Een vergelijkbare samenwerking ontstaat tussen computer en de kenniswerker. De kenniswerker gaat profiteren van machine learning. De mens kan zich richten op besluitvorming die waarde toevoegt, terwijl de computer hem of haar daarin kan ondersteunen met herhalende en veel voorkomende taken. Samen zullen zij tot betere besluiten komen dan waar mensen of machines afzonderlijk toe in staat zijn.

Een voorbeeld uit de medische industrie. Het aantal medische publicaties verdubbelt naar schatting elke 5 jaar. Geen enkele medicus kan dat allemaal nauwgezet bijhouden. Een getraind systeem kan dit wel: het kan deze data verwerken en de artsen ondersteunen bij het stellen van de juiste diagnose. Dat is vooral waardevol bij zeldzame ziekten, maar verlaagt ook het aantal onderzoeken dat een patiënt moet ondergaan, doordat artsen onderbouwd zaken kunnen uitsluiten.

Bij de interactie tussen mens en computer zal spraak een steeds belangrijker rol gaan spelen. Een voorbeeld hiervan is het navigeren van een managementdashboard met behulp van de Amazon echo.

Computer vision

Een interessante ontwikkeling binnen machine learning is ‘computer vision’. In de jaren 90 was een kind van twee jaar beter in staat om te vertellen wat er te zien was op een afbeelding dan een computer. Maar tegenwoordig kan een computer nauwkeuriger dan een (volwassen) mens benoemen wat er op een aangedragen beeld te zien is.

Het systeem wordt hiervoor getraind door een groot aantal correct gelabelde afbeeldingen aan te bieden. Deze kennis gebruikt de computer vervolgens om op basis van fuzzy logic (vage/wollige logica) algoritmen nieuwe afbeeldingen te kunnen herkennen.

Waardevol

Computer vision is waardevol in het bedrijfsleven. Een monteur kan met zijn telefoon een foto nemen van een defect onderdeel, waarna de computer het direct herkent en een nieuw exemplaar bestelt. Maar ook kenniswerkers profiteren van deze ontwikkeling. Een machine learning-algoritme kan tv-uitzendingen van sportevenementen analyseren en de marketingafdelingen direct na afloop informeren over wanneer en hoe lang hun logo in beeld is geweest (Brand Intelligence).

Waarom nu?

Waarom is machine learning juist nu in opkomst? Hiervoor zijn drie belangrijke redenen:

1. Big Data. Dankzij de digitale economie beschikken we momenteel over meer gegevens dan ooit, trainingsmateriaal dus. Dat maakt krachtiger beslissingsnetwerken met meer beslissingsvariabelen mogelijk.

Overigens zit hier ook een keerzijde aan: omdat er een grotere hoeveelheid informatie beschikbaar is over het heel recente verleden dan informatie over langere tijd geleden, bestaat het risico dat recente informatie zwaarder weegt in de besluitvorming. Dat noemen we de Recency Bias, een onderwerp waar je een heel blog over zou kunnen wijden.

2. Big Compute. Er zijn momenteel veel digitale paardenkrachten beschikbaar tegen een lage prijs. Vooral de chips in grafische kaarten (GPU’s) kunnen enorme hoeveelheden trainingsdata verwerken.

3. Algoritmen. De afgelopen jaren zijn de algoritmen die ten grondslag liggen aan machine learning sterk verbeterd. Nieuwe algoritmen maakten ook specialistische vormen van machine learning mogelijk, zoals deep learning en reinforcement learning.

Afspiegeling van de realiteit

Voor een goede werking van machine learning is het belangrijk dat het aangeboden trainingsmateriaal een correctie afspiegeling is van de realiteit. Dat is in de praktijk niet altijd het geval. Zo las ik onlangs in het Financieel Dagblad een typisch voorbeeld. Een computer werd ingezet als de jury in een Miss-verkiezing. Omdat de computer getraind was met voornamelijk blanke schoonheden, waren niet-blanke missen bij voorbaat kansloos. Een pijnlijke misser.

We gaan ongetwijfeld nog veel horen over machine learning. Wie straks niet achter de feiten aan wil lopen, verdiept zich nu alvast in de kansen en mogelijkheden.

 


 

Reageren op dit blog?