Machine learning is een soort AI op basis van een gegevensanalysemethode die modelbouw automatiseert door grote gegevenssets te verzamelen en te interpreteren.
Op de moderne zakelijke markt met toenemende concurrentie kunnen betrouwbare inzichten in klanten en opkomende trends het verschil betekenen tussen succes en mislukking. Om in deze behoefte te voorzien, wenden bedrijven zich tot gegevensanalyse. Machine learning (ML) past geavanceerde AI-oplossingen toe en gebruikt gegevens en algoritmen om gegevensmodellen te maken. Een model is een wiskundige expressie die een benadering geeft van de relatie tussen de variabelen in de gegevens en die de mogelijkheid biedt om de ene variabele te voorspellen op basis van de andere. Een heel eenvoudig voorbeeld is een model dat een lineaire relatie gebruikt om het gewicht van een persoon te voorspellen op basis van lengte en geslacht. Machine learning volgt geen specifieke, vooraf geprogrammeerde regels, maar bootst het menselijke leerproces na en verbetert zichzelf op basis van ervaringen en training.
Door precieze modellen te bouwen met machine learning-oplossingen, kunnen organisaties extreem grote, complexe gegevenssets analyseren en sneller en nauwkeuriger resultaten op schaal leveren. Machine learning geeft bedrijven gedetailleerde inzichten in kansen, risico's en klantbehoeften. Vaak betekent dit een beter rendement, maar de werkelijke mogelijkheden van machine learning zijn nagenoeg onbeperkt.
AI is een discipline die in alle informatietechnologieën wordt gebruikt om elke poging te beschrijven om menselijke of bijna-menselijke intelligentie in machines te repliceren. AI omvat zowel machine learning als deep learning.
De term 'machine learning' verwijst doorgaans naar klassieke, op gegevens gebaseerde algoritmen die taken zoals patroonherkenning, classificatie, regressie en clustering uitvoeren. Hoe meer informatie er is, des te beter het algoritme zal presteren.
Een model wordt gedefinieerd aan de hand van meerdere parameters. Het trainen van een ML-model houdt in dat het model zich ontwikkelt om de parameters te optimaliseren en tegelijk probeert de fouten in voorspellingen ten opzichte van de werkelijke waarheidswaarden in de gegevens te minimaliseren.
Deep learning is een jongere AI-discipline die gebaseerd is op neurale netwerken. Het is een subgebied van machine learning, waarbij parameters in verbonden lagen worden gebruikt en gestructureerd om kunstmatige benaderingen van menselijke neurale netwerken te creëren.
Het trainen van een neuraal netwerk vereist grote hoeveelheden gegevens en computerresources, maar de resulterende modellen zijn vaak veel krachtiger dan de modellen die klassieke machine learning-algoritmen opleveren.
Machine learning leidt tot computeralgoritmen die gegevens omzetten in intelligente interpretaties en acties. Datamining is het zoeken naar bruikbare informatie in bestaande, beschikbare gegevens.
Datamining valt eerder onder de paraplu van bedrijfsanalyse. Het doel is om computers te leren hoe ze onbekende patronen, afwijkingen of relaties in een grote gegevensset kunnen opsporen. Mensen kunnen deze informatie vervolgens gebruiken om problemen op te lossen. Het proces vergt meer handmatig werk en voor beslissingen is meestal menselijke tussenkomst vereist.
Machine learning valt onder AI en is meer erop gericht om computers te leren hoe ze grote gegevenssets en de patronen daarin kunnen analyseren. Na de eerste programmering kan machine learning zonder menselijke tussenkomst leren en verbeteren. De computer wordt intelligenter en ontwikkelt zich in bepaalde zin op een onafhankelijke manier, in plaats van alleen te reageren en de ontvangen gegevens te analyseren.
Machine learning volgt over het algemeen een specifiek proces, dat hieronder wordt beschreven:
- Gegevens verzamelen
Er worden betrouwbare gegevens verzameld, die vervolgens als basis worden gebruikt voor het voorspellingsmodel. - Gegevens voorbereiden
Verzamelde gegevens worden gecombineerd, irrelevante details worden verwijderd en indien nodig worden aanpassingen doorgevoerd (zoals fouten corrigeren en dubbele gegevens verwijderen). De gegevens worden opgesplitst in twee sets: de trainingsgegevens, die het grootste deel van de gegevensset vormen en worden gebruikt in het machine learning-model, en de evaluatiegegevens, die worden gebruikt om de effectiviteit van het model te testen nadat het is getraind. - Een model kiezen
Er wordt een model geselecteerd. Er bestaan veel verschillende modellen voor machine learning, en sommige zijn beter geschikt voor specifieke gebruiksscenario's dan andere. - Training
De verfijnde gegevens worden binnen het gekozen model gebruikt om de voorspellende kracht van dat model stapsgewijs te verbeteren. - Evalueren
Nadat het model is getraind met de trainingsgegevens, wordt het getest aan de hand van de evaluatiegegevens. Door nieuwe gegevens toe te voegen aan het model, kan de effectiviteit van het voorspellende vermogen worden beoordeeld. - Parameters afstemmen
Na de beoordeling van het model kunnen specifieke testparameters worden verfijnd om betere resultaten te krijgen. - Voorspellen
Het model krijgt zijn definitieve vorm en wordt in de praktijk ingezet om gefundeerde voorspellingen te doen op basis van de beschikbare gegevens.
Supervised learning is een machine learning-techniek waarbij algoritmen informatie uit gelabelde of geclassificeerde gegevens toepassen op nieuwe gegevens om toekomstige gebeurtenissen te voorspellen. Nadat het voldoende getraind is, bepaalt het systeem de doelen voor output. Deze techniek kan de uitvoer ook vergelijken met de juiste, beoogde uitvoer om fouten op te sporen en het model indien aan te passen.
Unsupervised learning wordt gebruikt wanneer de trainingsgegevens geen classificatie of label hebben. Met deze methode wordt onderzocht hoe systemen functies afleiden om verborgen structuren en oplossingen te beschrijven in ongelabelde gegevens. De methode levert niet noodzakelijkerwijs de juiste output, maar kan gegevens verkennen en conclusies trekken uit gegevenssets om verborgen structuren of interessante relaties te ontdekken.
Deze methode valt tussen supervised en unsupervised learning in, omdat er zowel gelabelde als ongelabelde gegevens worden gebruikt. Doorgaans wordt een kleine hoeveelheid gelabelde gegevens en een grotere hoeveelheid ongelabelde gegevens gebruikt. De systemen die deze methode toepassen, kunnen de leernauwkeurigheid aanzienlijk verbeteren. Semi-supervised learning wordt meestal gekozen wanneer het labelen van gegevens getrainde en relevante resources voor training/leren vereist.
Dit is een methode die samen met de omgeving acties genereert om fouten of beloningen te identificeren. De belangrijkste kenmerken van reinforcement learning zijn zoeken op basis van uitproberen en uitgestelde beloning. Er is eenvoudige feedback nodig om te leren welke actie het beste is. Dit is het versterkingssignaal. Op basis hiervan kunnen softwareagenten en machines het ideale gedrag binnen een context bepalen om de prestaties te maximaliseren.
Bedrijven in de financiële dienstverlening gebruiken machine learning om inzichten op te doen uit gegevens en fraude te voorkomen. Deze inzichten helpen bij het vinden van investeringskansen. Datamining en machine learning kunnen ook risicovolle klanten identificeren of fraude aan het licht brengen aan de hand van cybersurveillance.
Openbare veiligheidsinstanties en nutsbedrijven kunnen machine learning toepassen, omdat ze veel gegevensbronnen hebben die ze kunnen analyseren voor inzichten. Ze kunnen bijvoorbeeld sensorgegevens analyseren om besparingen te identificeren, afwijkingen te detecteren en de efficiëntie te verhogen. Machine learning helpt ook bij fraudeopsporing om identiteitsdiefstal te minimaliseren.
Machine learning wordt steeds vaker ingezet door middel van draagbare apparaten en sensoren. Deze gebruiken gegevens om de gezondheid van een patiënt in real time te beoordelen of de belangrijkste informatie over de gezondheid van patiënten te extraheren. Deze technologie helpt medische trends in gegevens en knelpunten te ontdekken en te analyseren die kunnen leiden tot een betere behandeling en diagnose.
Websites gebruiken machine learning om items aan te bevelen die klanten misschien interessant vinden op basis van eerdere aankopen en aankopen van anderen. Verkopers verzamelen gegevens, analyseren deze en personaliseren de winkelervaring, in het bijzonder met marketingcampagnes, prijsoptimalisatie, leveringsplanning, voorraadbeheer en klantinzichten.
Machine learning wordt gebruikt om nieuwe energiebronnen te vinden, mineralen in de grond te analyseren, de distributie te stroomlijnen, storingen in raffinaderijen of sensoren te voorspellen en andere kosteneffectieve acties te genereren.
De vervoersbranche kan voordeel behalen en de winstgevendheid verhogen door routes efficiënter te maken, gegevens te analyseren om patronen en trends te ontdekken en potentiële problemen te voorspellen. Gegevensanalyse en modellering met machine learning zijn cruciaal voor leveringsbedrijven en het openbaar vervoer.
Machine learning kan worden toegepast in chatbots en digitale assistenten, waardoor ze input kunnen gebruiken om zich te ontwikkelen en te leren en natuurlijke taalverwerking kunnen blijven gebruiken terwijl relevante informatie wordt verzameld en opgeslagen.
Machine learning wordt gebruikt om aanbevelingen te doen bij alles van streamingservices tot verkoop. Een machine learning-systeem verzamelt over een bepaalde periode informatie over klanten, ontdekt verbanden in consistente acties en patronen en biedt vervolgens aangepaste aanbevelingen op basis van de vastgestelde patronen.
Consumenten willen advertenties zien die relevant voor hen zijn. Machine learning-technologie helpt bij het invullen van relevante trefwoorden die populair in content zijn. Tegelijk kunnen marketeers voordeel doen met content die hun merk promoot.
Machine learning is een cruciaal aspect van beveiliging op basis van AI en helpt cyberbeveiliging eenvoudiger, goedkoper, effectiever en proactiever te maken. AIOps voor beveiliging en beveiligingsactiviteiten gebruiken machine learning om patronen te analyseren, soortgelijke en nieuwe aanvallen te voorspellen en te voorkomen, en zich aan te passen aan veranderend gedrag.
ServiceNow, de marktleider op het gebied van zakelijke IT-oplossingen, biedt organisaties in alle branches de voordelen van machine learning. Now Intelligence, mogelijk gemaakt door het Now Platform, gebruikt machine learning voor predictive intelligence. End-to-end workflows automatiseren, intelligente activiteiten uitvoeren, problemen opsporen, het aantal calls verminderen, oplossingen voor veelvoorkomende aanvragen automatiseren en patronen ontdekken die het belangrijkst zijn voor bedrijfsverbetering: met machine learning met ServiceNow kan het allemaal.