Wat is Machine Learning? Een globaal overzicht en een beetje diepgang.

Steeds meer startups lijken er inmiddels gebruik van te maken: machine learning. Machine learning stelt computers in staat om te leren. Dat is handig, want dat zorgt ervoor dat mensen minder nodig zijn om bepaalde taken uit te voeren. Wat onderscheidt machine learning van kunstmatige intelligentie (AI) en data science? En wat heb je aan deze technologie? Dat – en meer – leggen we je uit in deze blog.

# Wat is machine learning?

Machine learning is een onderzoeksveld binnen de kunstmatige intelligentie. Met andere woorden: machine learning is één van de technieken die kunstmatige intelligentie mogelijk kan maken. Hoe machine learning werkt? Dankzij een algoritme kan een computer of stuk software steeds meer wenselijke uitkomsten produceren, zonder dat daar mensen bij betrokken hoeven te zijn. Het algoritme is namelijk geprogrammeerd om bepaalde relaties en patronen te herkennen en daar het ‘gedrag’ op aan te passen. Doorgaans moet een programmeur een stuk code schrijven om ervoor te zorgen dat de software bepaalde keuzes maakt. Dankzij machine learning ‘leert’ de computer dankzij een algoritme welke keuzes het moet maken. De formule voor machine learning is dan ook de volgende:

Opdracht (Task) x Herhalingen (Number of exercises) = Prestatie (Performance)

Merk op dat het eerste gedeelte van deze formule het lerende aspect van machine learning onderstreept. Hoe deze techniek algoritmes in staat stelt om te leren, valt in feite te vergelijken met hoe ouders kinderen opvoeden. Kinderen hebben bepaalde genen, net zoals algoritmes zijn opgebouwd uit bepaalde code. Ouders zijn echter in staat om kinderen nieuw gedrag te leren. Zo kunnen programmeurs algoritmes ook bijsturen.

# In welke vormen komt machine learning voor?

Er zijn verschillende vormen van machine learning. De voornaamste verschillende vormen zijn te onderscheiden in supervised en unsupervised learning:

• Is er sprake van supervised learning, dan is de data die gebruikt wordt door de software eerst gelabeld door mensen. Het leent zich met name voor algoritmen waarbij de gewenste output van een algoritme al bekend is. Dankzij de gelabelde data-input, is een algoritme dat zich volgens supervised learning ontwikkelt in staat is om gebeurtenissen te voorspellen.
• Is er echter sprake van unsupervised learning, dan is de kans groot dat de data niet gelabeld is. Het machinaal lerende algoritme probeert nieuwe patronen te ontdekken in data, zoals overeenkomende kenmerken. Zo wordt het mogelijk om data beter te categoriseren.

Daarnaast is er reinforcement machine learning. Deze methode draait om trial and error: door talloze herhalingen te laten plaatsvinden, ‘ontdekt’ een computer vanzelf wat de ideale uitkomst is.

# Wat zijn bekende voorbeelden van machine learning?

Een bekende toepassing van machine learning is een spamfilter. Doordat jouw mailserver steeds beter wordt in het voorspellen van welke berichten spam zouden kunnen zijn, is hij in staat om niet-relevante berichten te filteren. Hieronder vind je meer voorbeelden van machine learning:

–        Streamingservices als Netflix geven je tips welke content je waarschijnlijk ook relevant vindt. (Wist je dat het percentage dat je ziet bij Netflix niet gaat over de kwaliteit van de film of serie, maar hoe goed deze bij je smaak past?). Dankzij kunstmatige intelligentie leert de software van de voorkeuren van alle gebruikers;

–        Machine learning wordt gebruikt om te bepalen of bepaalde handschriften daadwerkelijk aan een en dezelfde persoon zijn toe te schrijven;

–        Zelfs in de kunst wordt machine learning toegepast. Een algoritme zou talloze schilderijen hebben geanalyseerd. Het ontdekte vervolgens dat bepaalde kunstenaars beïnvloed waren door kunstenaars waar ze niet eerder mee in verband waren gebracht;

–        In de toekomst zou het mogelijk kunnen zijn om te bepalen welke medicijnen een patiënt nodig heeft, dankzij machine learning. Dit heeft natuurlijk gevolgen voor de hoeveelheid banen voor artsen.

# Wat zijn de voordelen van machine learning?

Dankzij machine learning hoeft er géén code geschreven te worden voor elke toepassing of uitkomst, maar leert de software zelf hoe het deze taak moet volbrengen. Dit is een gigantische tijdbesparing. Ook maakt het de softwareoplossing schaalbaarder dan de concurrentie, die wel afhankelijk is van mensenwerk en niet zo slim leert hoe het taken moet volbrengen. Dit scheelt ook wat betreft foutgevoeligheid.

Machine learning houdt daarbij ook rekening met nieuwe, onvoorspelbare ontwikkelingen. Hackers en online oplichters ontwikkelen steeds slimmere manieren om jouw mailbox binnen te komen. Als je een mailserver zonder kunstmatige intelligentie hebt, houdt het slechts één soort spam tegen. Dat geeft de gebruikers echter niet de garantie dat de volgende generatie mail-oplichters ook door de mailserver wordt aangemerkt als spam. Kunstmatige intelligentie maakt software dus toekomstbestendig.

Merk overigens op dat er kritiek is op het gebruik van kunstmatige intelligentie. Het controversiële aan het gebruik van algoritmen die steeds slimmer worden is dat ze niet altijd worden bijgestuurd door mensen. Als dat het geval is, dan bestaat het risico dat ze bijvoorbeeld bevooroordeelde of zelfs racistische kenmerken vertonen. Ook het maken van afweging – zoals tussen gezondheid en kosten, als het aankomt op het voorschrijven van medicijnen – kan onwenselijke – misschien zelfs onmenselijke – uitkomsten geven. Tenminste, als er niet genoeg (menselijke) controle is op de algoritmen. Denk even terug aan het opvoed-voorbeeld: een goede programmeur ‘stuurt’ een algoritme tijdig bij, zodat eventuele misverstanden verholpen worden.