Whitepaper Machine Learning

Van alle verschillen die er zijn tussen mens en machine is ‘lerend vermogen’ misschien wel het meest opvallende. Wij mensen hebben een behoefte of probleem, zoeken een oplossing en beoordelen achteraf of we het goed hebben gedaan of niet. In het laatste geval doen we het de volgende keer anders.

Vraag dat maar eens aan een tractor of een kopieerapparaat. Machines worden traditioneel zo ontworpen dat we een opdracht kunnen invoeren (gas geven, kopiëren) die vervolgens wordt uitgevoerd. Wij vragen, de machine draait.

Zelfs het meest eenvoudige kopieerapparaat kan tegenwoordig echter al leren. Als je een kleurenafbeelding op de glasplaat legt, dan stelt hij voor om dan ook maar een fullcolour-kopie af te drukken. Het gaat nog niet zo ver dat het apparaat je als gebruiker herkent en zich automatisch aanpast aan de persoonlijke voorkeuren die je eerder hebt ingegeven, maar dat gaat ongetwijfeld niet lang meer duren.

Als machines zoals kopieerapparaten zelf gaan ‘denken’, dan hebben we het over machine learning. Dit fenomeen is niet zo nieuw als je misschien zou denken. Al ruim zestig jaar geleden (in 1952) ontwikkelde IBM-medewerker Arthur Samuel een computermodel waarmee dammers op wereldniveau hun spel konden oefenen en verbeteren. De computer leerde van de moves van de tegenspelers en paste daar zijn strategie op aan. Het duurde tot de jaren negentig voordat IBM een computer had ontwikkeld die wereldkampioen schaken Kasparov kon verslaan (Deep Blue).

Nu klinkt machine learning misschien als een ingewikkelde technologie die alleen voorbehouden is aan hele grote organisaties met dito budgetten, om complexe problemen op te lossen. Het goede nieuws is: zoals dat vaak gaat met technologie, wordt machine learning inmiddels zo breed toegepast dat het voor elk bedrijf in elke sector binnen handbereik ligt.

Hoe? Daar komen we later op terug in deze whitepaper. Eerst zoomen we nog in op alledaagse voorbeelden van machine learning die we al heel gewoon zijn gaan vinden. Ook komen er nog tips aan bod om vandaag nog aan de slag te gaan met deze technologie. Ten slotte behandelen we de valkuilen: waarop moet je zoal letten voordat je machine learning toepast? Wat kan er misgaan en hoe voorkom je dat?