Machine Learning logo

Wie de bekwaamheid van een model voor machine learning wil verhogen of de ontwikkeling ervan wil versnellen, doet er goed aan een menselijke toets toe te voegen.

02:16
19-06-2020

De basics van machine learning

Machine learning zijn eigenlijk algoritmes die steeds maar betere prestaties afleveren door over meer data uit meer ervaringen te beschikken. Het zal op onze werkvloeren de komende jaren de opstap richting artificiële intelligentie betekenen. Maar hoe zit het nu precies in elkaar en wat kan het voor u en uw machines betekenen?

Artificiële intelligentie draait om het ontwikkelen van een functionele intelligentie, los van het menselijke brein. Software die dus zelfstandig kan redeneren om problemen op te lossen. Maar tot het zover is, vinden we ook al artificiële intelligentie terug in systemen die zich intelligent gedragen binnen een bepaald domein. Een van de instrumenten om artificiële intelligentie te bereiken is machine learning. Deze tak van sport houdt zich bezig met de ontwikkeling van software die haar eigen prestaties kan verbeteren. Daarvoor wordt vooral gebruikgemaakt van statistische wetenschap die zich wegwijs maakt in grote bergen aan data. Daarnaast bestaat deep learning, een gelijkaardige technologie maar ze is minder afhankelijk van pre-processing en probleemspecifieke functionaliteiten. Deep learning lijkt met andere woorden relatief veel op het menselijk brein. De software vangt iets op, interpreteert dit en trekt er conclusies uit door gebruik te maken van een gelaagd gestructureerd neuraal netwerk.

Waar kan machine learning van nut zijn

Maar terug naar machine learning nu. Als u aan een van uw collega-machinebouwers vraagt of zij er al gebruik van maken is het antwoord hoogstwaarschijnlijk neen. Toch komen we er in ons dagdagelijkse al mee in aanraking. Apple’s Siri? Amazon’s Alexa? De verbeterde zoekresultaten van Google? Minder spam in uw mailbox? Allemaal voorbeelden van machine learning, een techniek die ongemerkt op de achtergrond werkt maar sprekende resultaten kan voorleggen. Maar waar kan de industrie dan machine learning voor gebruiken? Vier domeinen worden door ondernemers zelf naar voren geschoven: automatiseren van simpele en terugkerende taken, herkennen van patronen in data, het doen van voorspellingen en het nemen van complexe beslissingen.

Hoe machine learning realiseren?

Hoe kunnen we nu machine learning gaan realiseren? De algoritmes voor machine learning functioneren zoals scholieren dat doen tijdens de wiskundeles. Ze krijgen een hoeveelheid materiaal om mee te oefenen, krijgen een instructie en feedback om zo patronen waar te kunnen nemen. Eerst is het van belang te beseffen dat elk algoritme voor machine learning zijn eigen manier heeft om patronen in data te vinden. Voor bepaalde soorten data zal een specifiek algoritme het meeste geschikt zijn. Het is dus van belang om uw data te combineren met de juiste technieken voor de best mogelijke prestaties. Er zijn drie mogelijkheden: supervised learning, unsupervised learning en reinformcement learning.

Welke type algoritmes bestaan er?

De algoritmes voor supervised learning worden gevoegd met data die reeds gecatalogeerd is door mensen. Deze techniek leent zich het beste voor toepassingen waar de gewenste output bekend is. De algoritmes in uw machine zullen een serie inputs leren in combinatie met de corresponderende outputs en de vergelijking tussen ongewenste outputs. Op basis van de discrepantie tussen beiden past het model zich aan. Unsupervised learning maakt dan weer gebruik van data die nog niet gelabeld is. De software zal dan zelf nieuwe patronen in de data proberen ontdekken. Deze techniek is de ideale keuze voor clustering, waarbij data georganiseerd wordt op basis van overeenkomstige kenmerken. Reinforced learning ten slotte komt eigenlijk neer op leren met vallen en opstaan. Door de uitkomst een groot aantal keer te simuleren weet de computer wat het beste is.

Vergeet de mens niet

Het gaat nu al de hele tijd om technologie. Maar technologie is nooit perfect. Wie de bekwaamheid van een model voor machine learning wil verhogen of de ontwikkeling ervan wil versnellen, doet er goed aan een menselijke toets toe te voegen. Wanneer het machine learning model op data stuit die het niet begrijpt, dan kan een menselijke interpretatie enorm helpen. De synergie tussen mens en computer kan zorgen voor een cirkel van continue verbetering. En in de toekomst? Experts voorspellen dat deze systemen binnen dertig jaar net zo slim, zo niet slimmer zijn dan het menselijke brein. Een kunstmatig brein dat sneller werkt en nooit moe wordt.     

Tekst Valérie Couplez | Beeld iStock

Abonneer u op onze nieuwsbrief

Lees ons « Privacy statement » voor nadere informatie.

Lees meer over: Machine learning

Industrial Automation partners