Hoe werkt machine learning en waar wordt het toegepast?

Hoe werkt machine learning? Systemen leren via data-analyse.

Om te begrijpen hoe werkt machine learning, moet je weten dat computers patronen leren herkennen in grote hoeveelheden data. In plaats van stap-voor-stap instructies te volgen, gebruiken algoritmen voorbeelden om voorspellingen of beslissingen te maken. Dit principe vormt de basis van veel moderne toepassingen, van aanbevelingssystemen tot automatische beeldherkenning.

Hoe werkt machine learning? Een simpele uitleg

Machine learning is een vorm van kunstmatige intelligentie waarbij computers leren van data zonder dat ze voor elke stap expliciet geprogrammeerd worden. Het idee is simpel: in plaats van een computer alle regels te geven (als dit, dan dat), voer je hem duizenden voorbeelden en laat je hem zelf de patronen ontdekken.

Stel je voor dat je een kind wilt leren what een appel is. Je kunt het kind een lijst met kenmerken geven (rond, rood of groen, heeft een steeltje). Maar effectiever is het om het kind gewoon tientallen appels te laten zien. Na een paar voorbeelden zal het kind zelf de patronen herkennen en ook een nieuwe vrucht correct als appel identificeren. Zo werkt machine learning ook: het algoritme krijgt duizenden fotos van appels te zien, analyseert de pixels, en leert zelf wat een appel definieert.

Het leerproces in drie stappen

De vraag hoe leert een machine learning model precies, begint bij de basisstappen. Eerst verzamel je enorme hoeveelheden data: denk aan fotos, prijzen, of meetgegevens. Vervolgens gebruik je een algoritme om patronen in die data te vinden. Het resultaat is een model: een wiskundige functie die voor nieuwe, onbekende data een voorspelling kan doen. Dit proces heet training, en het uiteindelijk gebruiken van het model voor nieuwe data noemen we deductie of inferentie (citation:1).

Verschillende manieren van leren: supervised, unsupervised en meer

Je hoort vaak termen als supervised en unsupervised machine learning. Dat zijn de twee belangrijkste manieren waarop een model leert, en het verschil zit hem in de data die je gebruikt.

Supervised learning: leren met een antwoordenboek

Bij supervised learning geef je het model data met het juiste antwoord er al bij, de zogenaamde labels. Het is alsof je een student laat leren met een antwoordenboek. Het model analyseert de kenmerken (features) en de bijbehorende uitkomst (label), en leert zo het verband tussen de twee.

Een bekend voorbeeld is een medische diagnose: je traint een model met duizenden röntgenfotos die al gelabeld zijn als kanker of geen kanker. Het model leert zo de kenmerken van een kankergezwel herkennen (citation:7). Binnen supervised learning zijn classificatie (in welke categorie valt iets?) en regressie (welke numerieke waarde kunnen we voorspellen?) de belangrijkste taken (citation:3).

Unsupervised learning: zelf op ontdekkingstocht

Bij unsupervised learning krijg je data zonder labels. Het model moet zelf structuur aanbrengen en verborgen patronen ontdekken. Een veelgebruikte techniek is clustering, waarbij het model vergelijkbare data punten bij elkaar groepeert. Stel je voor dat je een webshop hebt en het koopgedrag van duizenden klanten analyseert zonder te weten welke klanten bij welke doelgroep horen. Een unsupervised algoritme kan dan zelf clusters vormen, zoals spaarzame studenten of gezinnen met jonge kinderen, puur op basis van hun aankoopgeschiedenis (citation:9). Dit is ontzettend waardevol voor marktonderzoek of het personaliseren van aanbiedingen.

Daarnaast bestaan er nog andere vormen, zoals semi-supervised learning (een mix van gelabelde en ongelabelde data) en reinforcement learning, waarbij een agent leert door middel van een beloningssysteem, zoals bij het leren spelen van een spel (citation:5).

Waar wordt machine learning toegepast? Praktische voorbeelden

Machine learning is geen verre toekomstmuziek, het zit al overal om je heen. Zodra een dienst of app persoonlijker wordt naarmate je hem meer gebruikt, is de kans groot dat er machine learning aan te pas komt.

In de zorg: sneller en beter diagnosticeren

Een van de meest veelbelovende toepassingen is in de gezondheidszorg. Algoritmes kunnen medische beelden zoals MRI-scans en röntgenfotos analyseren en met opmerkelijke precisie afwijkingen opsporen. Ze fungeren als een tweede paar ogen voor de radioloog, waardoor ziektes zoals kanker in een vroeger stadium ontdekt kunnen worden (citation:2). Daarnaast worden ML-modellen ingezet om op basis van patiëntgegevens (zoals gewicht, bloeddruk en leefstijl) het risico op chronische ziekten te voorspellen, nog voordat de eerste symptomen zich voordoen (citation:1).

In de financiële wereld: fraude opsporen en risico's beheersen

Banken en verzekeraars gebruiken machine learning continu om afwijkende patronen te detecteren. Als je creditcard opeens wordt gebruikt voor een aankoop in een ander land terwijl jij zelf thuis bent, kan het algoritme dit als ongebruikelijk bestempelen en de transactie blokkeren. Deze anomaliedetectie helpt miljarden aan fraude te voorkomen (citation:5). Daarnaast worden modellen gebruikt om kredietrisicos te berekenen: wat is de kans dat iemand een lening niet terugbetaalt? Op basis van historische data kunnen banken hier steeds nauwkeuriger voorspellingen over doen.

In transport en logistiek: van routeplanning tot zelfrijdende auto's

Zelfrijdende autos zijn een bekend voorbeeld van machine learning in actie. De auto combineert data van cameras, radar en lidar om voetgangers, verkeersborden en andere voertuigen te herkennen en hun bewegingen te voorspellen, zodat hij veilig kan navigeren. Ook in de logistiek zijn er praktische voorbeelden van machine learning te vinden. Optimalisatie-algoritmes, aangedreven door machine learning, kunnen de rijtijden van servicemonteurs verminderen door slimmere routes te plannen en rekening te houden met files en wegomstandigheden. Dit bespaart brandstof en tijd en verhoogt de klanttevredenheid.

In jouw eigen dagelijks leven: aanbevelingen en assistenten

Denk aan de aanbevelingen van Netflix, Spotify of Bol.com. Die zijn niet willekeurig, maar worden gegenereerd door ML-modellen die jouw kijk- en luistergedrag analyseren en vergelijken met dat van miljoenen andere gebruikers. Ze voorspellen wat jij waarschijnlijk leuk zult vinden (citation:2). Ook je e-mailfilter dat spam herkent, de spraakassistent op je telefoon en de gezichtsherkenning waarmee je je telefoon ontgrendelt, zijn allemaal voorbeelden van machine learning die naadloos in je dagelijkse routine zijn geïntegreerd.

Machine learning versus traditioneel programmeren: een wereld van verschil

Om het hoe werkt machine learning principe goed te begrijpen, helpt het om machine learning te vergelijken met klassiek programmeren. Bij traditioneel programmeren schrijft een programmeur expliciete regels, bijvoorbeeld: VOOR ieder product ALS prijs < 10 euro DAN categoriseer als goedkoop. Bij machine learning werkt het omgekeerd: je voert duizenden voorbeelden van producten met hun categorie in, waarna het algoritme zelf de onderliggende regel ontdekt. Het systeem leert dus uit voorbeelden in plaats van vaste instructies te volgen.

Veelgemaakte beginnersfouten en een blik op de toekomst

Een veelgehoorde misvatting is dat machine learning-modellen magisch zijn. Ze zijn echter enorm afhankelijk van de kwaliteit van de data. Slechte data leidt tot slechte modellen, een principe dat bekend staat als garbage in, garbage out. Daarnaast is er vaak onduidelijkheid over het verschil tussen AI en machine learning. Deep learning is een specifieke, geavanceerde tak van machine learning die gebruikmaakt van neurale netwerken met vele lagen, ideaal voor beeld- en spraakherkenning (citation:8). AI is de overkoepelende droom van een slimme machine, en machine learning is de belangrijkste techniek om die droom te verwezenlijken.

Voor wie nu denkt: dit wil ik ook eens proberen, zijn er gelukkig laagdrempelige manieren. Platforms zoals Googles Teachable Machine bieden een machine learning voor beginners uitleg door je te laten zien hoe je een eenvoudig model traint zonder een regel code te schrijven. Het is de beste manier om het aha-moment te beleven en te zien dat machine learning geen toverij is, maar gewoon een kwestie van data, patronen en voorspellen.

Supervised vs. Unsupervised Learning: De kernverschillen

De twee belangrijkste leerbenaderingen binnen machine learning verschillen fundamenteel in hoe ze omgaan met data. Hier zijn de belangrijkste verschillen op een rij.

Supervised Learning (Leren onder toezicht)

• Gelabelde data: elke invoer heeft een bijbehorende uitvoer (label).
• Voorspellingen doen of data classificeren op basis van bekende voorbeelden.
• Classificatie (bijv. spamdetectie) en regressie (bijv. prijsvoorspelling).
• Een model trainen om katten van honden te onderscheiden met duizenden foto's die al het label 'kat' of 'hond' hebben.

Unsupervised Learning (Leren zonder toezicht)

• Ongelabelde data: alleen invoer, geen vooraf bepaalde uitkomsten.
• Verborgen patronen, structuren of groepen (clusters) in de data ontdekken.
• Clustering (bijv. klantsegmentatie) en dimensionaliteitsreductie.
• Een winkel die klanten in groepen indeelt op basis van koopgedrag, zonder te weten welke groepen er bestaan.

Hoe Jumbo machine learning inzet voor slimmere logistiek

Jumbo Supermarkten kampte met de uitdaging om de enorme hoeveelheid versproducten, zoals brood en zuivel, efficiënt over de winkels te verdelen. Het te veel bestellen van deze producten leidt tot dure verspilling, terwijl te weinig bestellen leidt tot lege schappen en teleurgestelde klanten.

In eerste instantie vertrouwden ze op eenvoudige regels gebaseerd op historische verkoopcijfers. Maar dat systeem was te traag om in te spelen op onverwachte factoren zoals een hittegolf (die de verkoop van salades deed exploderen) of een nieuwe concurrent in de buurt.

Het data science team besloot een supervised learning-model te ontwikkelen. Het model werd getraind met jaren aan verkoopdata, weersinformatie, lokale evenementen en feestdagen. Het leerde de complexe verbanden tussen deze factoren en de uiteindelijke verkoop per winkel.

Na de implementatie daalde het voedselverlies in de verscategorie aanzienlijk in het eerste jaar.^[2] Tegelijkertijd nam de klanttevredenheid toe omdat producten vaker op voorraad waren. Het model bleek niet perfect, vooral in de eerste weken waren er wat aanpassingen nodig, maar het bewees dat data-gedreven voorspellen de sleutel is tot een efficiëntere keten.