Wat is Machine Learning?

Machine learning, een soort AI, maakt gebruik van een gegevensanalysemethode die het bouwen van modellen automatiseert door het verzamelen en interpreteren van grote gegevenssets.

In deze moderne bedrijfsmarkt met steeds meer concurrentie kunnen betrouwbare inzichten in klanten en opkomende trends het verschil betekenen tussen succes en mislukking. Om aan deze behoefte te voldoen, zetten bedrijven gegevensanalyse in. Machine Learning (ML) past geavanceerde AI-oplossingen toe, waarbij gegevens en algoritmen worden gebruikt om gegevensmodellen te maken. Een model is een wiskundige expressie die de relatie tussen de variabelen in de gegevens benadert en de mogelijkheid biedt om een van de andere variabelen te voorspellen. Een heel eenvoudig voorbeeld van een model is een lineaire relatie die het gewicht van een persoon voorspelt op basis van zijn of haar geslacht en lengte. In plaats van specifieke, voorgeprogrammeerde regels te volgen, bootst machine learning het menselijke leerproces na en verbetert zichzelf door ervaring en training.

Door oplossingen met machine learning te gebruiken om nauwkeurige modellen te bouwen, kunnen organisaties extreem grote, complexe gegevenssets analyseren en zo sneller en nauwkeuriger resultaten op schaal leveren. Met machine learning krijgen bedrijven een gedetailleerd inzicht in kansen, risico's en behoeften van klanten. En hoewel dit vaak leidt tot een beter rendement, zijn de werkelijke mogelijkheden van machine learning misschien wel vrijwel onbeperkt.

Kunstmatige intelligentie (AI)

AI is een discipline die wordt gebruikt in informatietechnologieën om elke poging te beschrijven om menselijke of bijna-menselijke intelligentie in machines te repliceren. AI omvat zowel machine learning als deep learning.

Machine learning

De term "Machine Learning" wordt gewoonlijk gebruikt om te verwijzen naar klassieke gegevensgebaseerde algoritmen die patronen identificeren en taken uitvoeren zoals classificatie, regressie en clustering. Hoe meer informatie er is, hoe beter de prestatie.

Een model wordt gespecificeerd door verschillende parameters. Het concept van het trainen van een ML-model betekent dat het de parameters optimaliseert en tegelijkertijd het verschil tussen voorspellingen en de werkelijke waarden in de gegevens minimaliseert.

Deep Learning 

Deep Learning is een jonger AI-gebied dat is gebaseerd op neurale netwerken. Het is een subset van machine learning, waarbij parameters in verbonden lagen worden gebruikt en gestructureerd om kunstmatige benaderingen van menselijke neurale netwerken te creëren.

Voor het trainen van een neuraal netwerk zijn grote hoeveelheden gegevens en computerbronnen nodig, maar de resulterende modellen zijn vaak veel krachtiger dan modellen die zijn verkregen met klassieke machine learning-algoritmen.

Machine learning resulteert in computeralgoritmen om gegevens om te zetten in intelligente interpretaties en acties. Datamining zoekt naar bruikbare informatie in al bestaande, beschikbare gegevens.

Datamining valt meer onder de koepel van bedrijfsanalyse. Het is gericht op computers aanleren hoe onbekende patronen, afwijkingen of relaties in een grote gegevensset kunnen worden geïdentificeerd. Mensen kunnen vervolgens problemen oplossen met behulp van deze gegevens. Het proces is sterker handmatig en vereist doorgaans menselijke tussenkomst bij de besluitvorming.

Machine learning valt onder de AI-overkoepelende structuur en is erop gericht om een computer aan te leren hoe grote datasets en de bijbehorende patronen moeten worden geanalyseerd. Na de eerste programmering is machine learning in staat om te leren en zich te verbeteren zonder menselijke tussenkomst. De computer wordt intelligenter en groeit op eigen kracht, zogezegd, in plaats van reactief te zijn en ingevoerde gegevens te analyseren.

Machine learning volgt over het algemeen een specifiek proces, zoals hieronder beschreven:

  • Gegevens verzamelen
    Betrouwbare gegevens worden verzameld zodat deze vervolgens kunnen worden gebruikt om het voorspellende model te informeren.
  • Voorbereiden van gegevens
    Verzamelde gegevens worden samengevoegd, irrelevante details worden verwijderd en eventuele noodzakelijke aanpassingen worden gemaakt (zoals het corrigeren van fouten, het verwijderen van dubbele gegevens, enz.). De gegevens worden onderverdeeld in twee sets: trainingsgegevens, het grootste deel van de gegevensset dat wordt gebruikt met het machine learning-model, en 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 machine learning-modellen en sommige zijn beter geschikt voor specifieke gebruiksscenario's dan andere.
  • Training
    De verfijnde gegevens worden binnen het gekozen model gebruikt om de voorspellingsmogelijkheden van dat model stapsgewijs te verbeteren.
  • Evalueren
    Nadat het model is getraind met behulp van de trainingsgegevens, wordt het nu getest op de evaluatiegegevens. Door nieuwe gegevens in het model te introduceren, kan de effectiviteit van de voorspellende capaciteit worden beoordeeld.
  • Parameter tuning
    Nadat het model is geëvalueerd, kunnen specifieke testparameters worden afgestemd voor betere resultaten.
  • Voorspellingen
    De uiteindelijke waarde van het model wordt gerealiseerd en wordt in de praktijk gebruikt om geïnformeerde voorspellingen te maken op basis van beschikbare gegevens.
Hoe werkt machine learning? | ServiceNow

Leren onder toezicht

Leren onder toezicht is een machine learning-techniek waarbij een algoritme datgene dat het uit gelabelde of geclassificeerd gegevens heeft geleerd, toepast op nieuwe gegevens om toekomstige gebeurtenissen mee te voorspellen. Het systeem biedt doelen voor outputs na voldoende training. Het kan ook de output vergelijken met de juiste beoogde output om fouten te identificeren en het model naar behoefte aan te passen.

Leren zonder toezicht

Leren zonder toezicht wordt gebruikt wanneer de informatie voor training niet is geclassificeerd of gelabeld. Onderzocht wordt hoe systemen functies afleiden om verborgen structuren en oplossingen te beschrijven op basis van niet-gelabelde gegevens. Het levert niet noodzakelijkerwijs de juiste output op, maar wordt gebruikt om gegevens te onderzoeken en verschillende conclusies uit gegevenssets te trekken om verborgen structuren of interessante relaties te identificeren.

Leren onder half toezicht

Deze methode valt tussen leren met en zonder toezicht, omdat er zowel gelabelde als ongelabelde gegevens worden gebruikt. Het is normaal dat er een kleinere hoeveelheid gelabelde gegevens en een grotere hoeveelheid niet-gelabelde gegevens worden gebruikt. De systemen die deze methode toepassen, verbeteren de nauwkeurigheid van het leren aanzienlijk. Leren onder half toezicht wordt meestal gekozen wanneer voor het labelen van gegevens vakkundige en relevante hulpmiddelen nodig zijn voor training/het leren.

Versterkend leren

Een methode die interactie heeft met de omgeving door acties te produceren om fouten of beloningen te identificeren. De belangrijkste kenmerken van versterkend leren zijn leren door ervaring en vertraagde beloning. Er is eenvoudige feedback nodig om te leren welke actie het beste is - dit is het versterkingssignaal. Hierdoor kunnen software-agents en -machines het ideale gedrag binnen een context bepalen om de prestaties te maximaliseren.

Financiële services

Bedrijven in de financiële services maken gebruik van machine learning-technologie om inzichten in gegevens te identificeren en fraude te voorkomen. De inzichten helpen bij het vinden van beleggingskansen. Datamining en machine learning kunnen ook risicovolle klanten identificeren of cyberbewaking gebruiken om fraude te ontdekken.

Overheid

Openbare veiligheid en nutsbedrijven kunnen gebruikmaken van machine learning, omdat er veel gegevensbronnen zijn die kunnen worden gebruikt voor inzichten. Ze kunnen bijvoorbeeld sensorgegevens analyseren om manieren te identificeren om geld te besparen, afwijkingen te detecteren en de efficiëntie te verhogen. Machine learning helpt ook bij het identificeren van fraude om identiteitsdiefstal te minimaliseren.

Gezondheidszorg

Er is een groeiende trend in het gebruik van machine learning met behulp van draagbare apparaten en sensoren die gegevens gebruiken om de gezondheid van een patiënt in realtime te beoordelen of om de belangrijkste informatie over de gezondheid van de patiënt te verkrijgen. Met deze technologie kunnen medische experts trends in gegevens of problemen die kunnen leiden tot een betere behandeling en diagnose, analyseren en identificeren.

Detailhandel

Websites kunnen met behulp van machine learning artikelen aanbevelen die klanten mogelijk willen op basis van eerdere aankopen en de aankopen van anderen. Retailers leggen gegevens vast, analyseren deze en personaliseren de winkelgeschiedenis, met name met marketingcampagnes, prijsoptimalisatie, leveringsplanning, voorraadbeheer en klantinzichten.

Olie en gas

Machine learning wordt gebruikt om nieuwe energiebronnen te vinden, mineralen in de grond te analyseren, de distributie te stroomlijnen, storingen in raffinaderijen en sensoren te voorspellen en andere kosteneffectieve acties te voorspellen.

Transport

Transport profiteert van het efficiënter maken van routes door gegevens te analyseren om patronen en trends te identificeren en potentiële problemen voor de toename van de winstgevendheid te voorspellen. Gegevensanalyse en modelleringsaspecten van machine learning zijn cruciaal voor bezorgdiensten en het openbaar vervoer.

Digital assistants en chatbots

Machine learning kan worden toegepast op chatbots en digitale assistenten, zodat ze kunnen leren van input en de natuurlijke taalverwerking kunnen handhaven terwijl ze relevante informatie verzamelen en opslaan.

Aanbevelingen

Het gebruik van machine learning voor aanbevelingen omvat alles van streamingservices tot retail. Een machine learning-systeem verzamelt informatie over klanten in de loop der tijd, identificeert verbanden tussen de consistente gedragingen en patronen en geeft vervolgens aangepaste aanbevelingen op basis van de patronen die zijn vastgesteld.

Contextuele online reclame

Consumenten willen advertenties zien die relevant zijn voor hen. Met behulp van machine learning-technologie kunnen relevante trefwoorden worden ingevuld die trenden in content, terwijl marketeers daarnaast profiteren van merkgerelateerde content.

Cyberbeveiliging

Machine learning is een essentieel aspect van AI-beveiliging en maakt cyberbeveiliging eenvoudiger, goedkoper, effectiever en proactiever. Security AIOps en beveiligingsactiviteiten maken gebruik van machine learning om patronen te analyseren om aanvallen te voorspellen en te voorkomen, zowel gelijksoortige als nieuwe aanvallen, en zich aan te passen aan veranderend gedrag.

ServiceNow, de marktleider op het gebied van zakelijke IT-oplossingen, levert de voordelen van machine learning aan organisaties in verschillende sectoren. Now Intelligence, mogelijk gemaakt door het Now Platform, gebruikt machine learning voor voorspellende intelligentie. Automatiseer end-to-end workflows, voer intelligente bewerkingen uit, identificeer problemen, verminder het aantal oproepen, automatiseer oplossingen voor veelvoorkomende verzoeken en identificeer de patronen die het belangrijkst zijn voor het verbeteren van uw business: machine learning met ServiceNow maakt het allemaal mogelijk.

Aan de slag met de Now Platform

Het Now Platform bevat kernfuncties waarmee u workflows snel en efficiënt kunt digitaliseren en op grote schaal kunt uitvoeren.

Contact
Demo