#ffffff

ADOBE REAL-TIME CDP

Wat is machine learning?

A man writing on a notepad.

Korte definitie: machine learning is een subset van kunstmatige intelligentie (AI), een systeem waarmee computers taken beter en sneller kunnen uitvoeren dan mensen, waarbij modellen worden gebruikt die beter gaan presteren naarmate ze meer data krijgen.

Hoewel machine learning (ML) misschien klinkt als een geavanceerde technologie die voor velen buiten bereik ligt, is het een verrassend toegankelijk hulpmiddel voor veel organisaties. Sterker nog, de meeste mensen gebruiken ML in hun dagelijks leven, vaak zelfs zonder dat ze er erg in hebben.

Belangrijkste leerpunten:

ML-modellen verbeteren zichzelf door te 'leren' van uitkomsten die voortvloeien uit bepaalde beslissingen.
ML kent drie hoofdvormen: supervised learning, unsupervised learning en reinforcement learning.
Je kunt ML het beste gebruiken wanneer je zoveel data hebt dat je mensen niet de capaciteiten en de tijd hebben om die allemaal te verwerken.
ML verhoogt de productiviteit door de vervelende taken van een data-analist over te nemen.

In deze gids lees je hoe machine learning werkt, welke ML-typen er zijn, wat de voor- en nadelen zijn en wat de toekomst van deze technologie is.

Verken de secties van deze pagina

Hoe machine learning werkt

ML is een technologie die computersystemen helpt om te leren en hun output te verbeteren. Machine learning maakt gebruik van algoritmen (regels voor het oplossen van problemen) om machines betere resultaten te laten genereren.

De meeste ML-modellen werken door data in een algoritme in te voeren. Vervolgens gaat het model automatisch op zoek naar fouten in zijn voorspellingen. Het gebruikt voorbeelden uit het verleden om de output te vergelijken en te controleren op eventuele problemen. Vervolgens moet een menselijke gebruiker deze output accepteren of afwijzen. Door het machine-learningmodel te trainen, wordt het na verloop van tijd steeds effectiever en nauwkeuriger. Naarmate ML-modellen meer data en ervaring verzamelen, is er steeds minder menselijke tussenkomst nodig.

ML heeft overeenkomsten met AI, maar is toch iets anders. Machine learning is het proces waarbij een computer intelligenter wordt door iteraties te doorlopen. Maar bij AI gebruikt de computer zijn kennis om taken uit te voeren zonder menselijke tussenkomst. Het grootste verschil tussen deze twee technologieën is dat AI menselijke intelligentie kan nabootsen, terwijl ML simpelweg taken uitvoert op basis van patroonherkenning.

Typen machine learning

Supervised learning

Supervised learning is een vorm van datawetenschap die gebruikmaakt van gelabelde data die is getagd met specifieke informatie over uitkomsten van die data. Vervolgens wordt een model getraind om te leren welke kenmerken of variabelen de uitkomsten voorspellen die zijn gekoppeld aan de gelabelde inputdata. Het model kan dan de informatie uit de outputdata gebruiken om zijn eigen prestaties te beoordelen en uitkomsten te voorspellen.

Supervised learning heeft twee belangrijke toepassingen: classificatie en lineaire regressie. Classificatie voorspelt een klassenlabel. Je kunt bijvoorbeeld voorspellen of een klant de banden met een merk zal verbreken op basis van kenmerken zoals aankoopgedrag.

Lineaire regressie voorspelt een numeriek label, zoals de verwachte inkomsten die je denkt te ontvangen van een klant op basis van specifieke kenmerken. In dit geval is de uitkomst geen voorwaarde, maar een numerieke variabele.

Bij supervised learning is een solide machine-learningmodel vereist om hoogwaardige output te genereren. Lees hoe ML-modellen de verschillende typen outputs beïnvloeden die een computer kan genereren.

Unsupervised learning

Unsupervised learning begint met een set ruwe, ongelabelde data. Het belangrijkste doel van unsupervised learning is om verbanden te vinden tussen de dataset en extra datapunten die je aan het model geeft.

Met deze methode vind je op relaties gebaseerde groepen binnen data, of clusters, die kunnen worden gebruikt om klantsegmenten te maken.

Reinforcement learning

Reinforcement learning begint met het invoeren van een set ruwe, ongelabelde data in een model. Vervolgens onderneemt het model actie. Op basis van die actie krijgt het model feedback over of het juist of onjuist heeft gehandeld en wat de uitkomsten van die actie zijn. Het model komt dan met een andere actie en blijft leren tot het geoptimaliseerd is.

Een mooi voorbeeld van reinforcement learning is het aanbevelingsalgoritme van een streamingdienst voor films zoals Netflix. De streamingdienst laat je een film zien, jij geeft aan of je die leuk of niet leuk vindt en het algoritme leert van je beoordeling, zodat het weet of het dit soort films moet blijven aanbevelen.

De geschiedenis van machine learning

Het lijkt misschien of ML iets nieuws is, maar deze technologie bestaat al tientallen jaren. De machine learning van vandaag vindt zijn oorsprong al in de jaren 1940.

1940s

In 1943 ontwikkelden Warren McCulloch en Walter Pitts het eerste neurale netwerk. Hierdoor konden computers zonder menselijke interactie met elkaar communiceren.

1950s

Alan Turing ontwikkelde de turingtest om te bepalen of machines zich als mensen kunnen gedragen. Onderzoekers gebruiken de turingtest nog steeds om te kijken of mensen het verschil kunnen zien tussen door mensen gegenereerde output en door machines gegenereerde output.

1960s

Thomas Cover en Peter Hart publiceerden het KNN-algoritme (K-Nearest Neighbours), een van de eerste ML-algoritmen dat patronen in een grote hoeveelheid data kon herkennen.

1970s

In 1974 schreef Paul Werbos het proefschrift The Roots of Backpropagation, dat de weg vrijmaakte voor backpropagation – een technologie waarmee neurale netwerken patronen nauwkeuriger kunnen herkennen.

1980s

Explanation Based Learning (EBL) stelde computers in staat om data te analyseren, zichzelf te trainen met data en onbelangrijke data te negeren. Het kunstmatige neurale netwerk NetTalk leerde ook Engelse tekst correct uit te spreken.

1990s

In 1997 verbaasde IBM de wereld toen zijn supercomputer Deep Blue een ervaren menselijke schaker versloeg. Zo kon de hele wereld zien dat machine learning menselijke prestaties kan evenaren en zelfs overtreffen.

2000s

Torch (nu PyTorch), een gratis softwarebibliotheek, werd 's werelds eerste grootschalige ML-platform, waardoor machine learning veel toegankelijker werd. In de jaren 2000 leerden computers ook tekst en afbeeldingen te 'zien' met deep learning.

2010s

Google ontwikkelde Google Brain, een diep neuraal netwerk dat objecten automatisch categoriseert. Ook Facebook, Amazon en Microsoft ontwikkelden ML-modellen.

2020s

In november 2022 veroverde ChatGPT van OpenAI de wereld stormenderhand. Deze technologie maakte ML en AI toegankelijk voor gewone mensen, die de technologie gebruiken voor van alles en nog wat, van het genereren van sollicitatiebrieven tot het schrijven van e-mails.

A timeline showing important moments in machine learning history.

De voordelen van het gebruik van machine-learningsystemen

Machine learning is een nuttige technologie die bedrijven veel voordelen biedt:

Hogere productiviteit. Meer dan 80% van de werknemers gelooft dat AI hun prestaties op het werk verbetert. Door taken te automatiseren die normaal gesproken door mensen worden uitgevoerd, kan ML de productiviteit van organisaties verhogen.
Betere klantervaring. Bedrijven gebruiken ML om hun producten te optimaliseren en zo het leven van hun klanten gemakkelijker te maken. 62% van de klanten is zelfs bereid om hun data te delen als ze daardoor een betere ervaring krijgen.
Minder menselijke fouten. ML automatiseert handmatige taken waarbij normaal gesproken veel menselijke fouten en typfouten voorkomen. Daardoor kan je organisatie gebruikmaken van schonere data, die betere zakelijke inzichten opleveren.
Betere beschikbaarheid. Bedenk dat 51% van de klanten verwacht dat bedrijven 24/7 beschikbaar zijn. Als je ML-oplossingen implementeert, is je bedrijf dag en nacht beschikbaar voor je klanten.
Minder risico's. Als de voorschriften niet worden nageleefd, kan dat je organisatie miljoenen aan boetes en gederfde inkomsten kosten. Gelukkig helpt ML je om alle voorschriften na te leven door vooraf bepaalde regels te volgen.
Minder terugkerende taken. ML automatiseert vervelende taken, zoals het invoeren van data, zodat je werknemers zich kunnen richten op meer waardevolle taken. 68% van de werknemers wil zelfs meer op AI gebaseerde technologieën om hen te helpen bij het uitvoeren van taken.
Diepere inzichten. ML kan inzichten aan het licht brengen die buiten het bereik van het menselijke denkvermogen liggen.

De nadelen van machine-learningalgoritmen

Er kleven een paar nadelen aan het gebruik van machine-learningsystemen, waaronder:

Vereiste hoeveelheid data. ML-modellen hebben vaak een grote hoeveelheid data nodig om effectief te werken.
Grootte van de dataset. De grootte en kwaliteit van een dataset bepalen in hoge mate hoe goed een model is. Hoe meer data je hebt, hoe meer tijd het kost om die data nauwkeurig te labelen voor gebruik in methoden voor supervised learning.
Combinatie van datatypen. Je moet goed nadenken over de verschillende typen data die je aan je dataset moet toevoegen om het model robuust te maken. Je moet de machine immers leren om beslissingen te nemen zoals mensen dat doen.
Potentiële vooroordelen. Een ander nadeel van ML heeft te maken met ethiek, wat vooral speelt bij deep learning. Veel van deze modellen geven niet aan hoe ze beslissingen nemen, dus je weet niet precies welke factoren ze gebruiken. Hoe goed een model is, hangt af van de kwaliteit van de data die je erin invoert, maar je weet niet welke verbanden het model legt en of die moreel verantwoord zijn.
Potentiële onnauwkeurigheden. Het is belangrijk om te onthouden dat ML niet onfeilbaar is, hoewel het erg effectief kan zijn en betere resultaten kan opleveren dan menselijke output. Als er onnauwkeurigheden in je data of logica zitten, zal het machine-learningmodel die onnauwkeurigheden weerspiegelen.
Kosten. Als je een ML-oplossing op maat wilt maken voor je organisatie, zijn er kosten verbonden aan het inhuren van datawetenschappers die de modellen moeten bouwen en onderhouden. Gemiddeld geven organisaties $ 60.000 tot $ 95.000 uit in de eerste vijf jaar dat ze een model gebruiken. Door te kiezen voor oplossingen zoals Adobe Sensei kan je organisatie echter een groot deel van deze kosten terugverdienen.

Machine learning is niet perfect, maar organisaties kunnen veel nadelen ondervangen door het juiste ML-model te kiezen voor de juiste scenario's.

Hoe bedrijven machine learning gebruiken

Het implementeren van ML-algoritmen kan op veel manieren helpen om de resources van een organisatie te stroomlijnen en te optimaliseren. Een veelvoorkomend geval is wanneer de big data zo omvangrijk is dat geen mens die nog kan doorzoeken, maar wel belangrijke informatie bevat die bedrijfsbeslissingen kan onderbouwen.

En niet alleen technologiebedrijven profiteren van deze voordelen: 68% van de bedrijven wereldwijd maakt gebruik van ML en dat aantal zal waarschijnlijk alleen maar toenemen. Omdat machine learning zoveel voordelen oplevert, wordt het steeds meer gebruikt in allerlei sectoren.

Gezondheidszorg

Zorgorganisaties gebruiken ML om grote hoeveelheden patiëntdata te verwerken, met inachtneming van de wetgeving op het gebied van databescherming. Sommige organisaties gebruiken machine learning bijvoorbeeld om de nauwkeurigheid van diagnostische beeldvorming te verbeteren, zodat ziekten in een vroeg stadium kunnen worden opgespoord. Machine learning wordt ook gebruikt om fraude op te sporen, fouten te vinden en behandelingen te personaliseren.

Productie

Steeds meer fabrikanten zetten ML in om slimmer preventief onderhoud uit te voeren. In plaats van tijd en geld te verspillen aan het onderhouden van machines die nog geen onderhoud nodig hebben, gebruiken fabrikanten machine learning om datatrends te analyseren en het onderhoud van machines te optimaliseren.

Maar fabrikanten gebruiken machine learning voor nog veel meer. Ze zetten deze technologie ook in om semi-autonome en autonome voertuigen binnen hun faciliteiten te beheren.

Entertainment

Heb je een Netflix-account? Zo ja, dan zie je hoe ML in de praktijk werkt. De streamingdienst gebruikt machine learning om miniaturen te personaliseren, films en series aan te bevelen en de streamingkwaliteit te optimaliseren.

Netflix interface which highlights machine learning in practice.

Marketing

Stel dat je marketingteam nieuwe data van verschillende klantsegmenten onderzoekt. Het is moeilijk om de verschillende kenmerken van klanten te doorzoeken om te bepalen welke segmenten goed presteren of wat de voorkeuren van klantsegment A zijn tegenover die van klantsegment B.

Als er zoveel data beschikbaar is, is je marketingteam waarschijnlijk niet in staat om alle data te verwerken, en al helemaal niet om er bruikbare inzichten uit af te leiden. Dat kan ML veel sneller en waarschijnlijk ook beter dan mensen.

Automatisering met behulp van machine learning kan voorspellende inzichten opleveren die je team zelf misschien niet had gevonden.

Financiën

Robo-adviseurs worden steeds populairder in de financiële wereld. Diensten als Wealthfront gebruiken ML en AI bijvoorbeeld om het portefeuillebeheer voor hun gebruikers te automatiseren. Financiële instellingen zijn zo minder tijd kwijt met het beheren van de beleggingen van klanten, terwijl klanten toch kunnen profiteren van beheerde beleggingen.

Maak ongelooflijke klantervaringen mogelijk met machine learning.

Wil je de segmentatie en personalisatie verbeteren met machine learning (ML)? Adobe Real-Time CDP kan je daarbij helpen.

style

grid width 10

Aanbevolen artikelen

https://main--bacom--adobecom.hlx.page/fragments/products/cards/rtcdp

#ffffff

Terug naar begin