Voor welke toepassingen is een machine learning-oplossing nodig?

Wanneer moet je machine learning niet gebruiken?

Wanneer géén machine learning? Hmm, lastig...

• Te weinig data. Duh! Logisch toch? Mijn nichtje snapte dat ook al. Zei laatst nog: "Oom, zonder data is het gokken!" Ze studeert trouwens econometrie nu.

• Simpele regels. Echt onnodig. Alsof je met een raket naar de supermarkt gaat. Ik bedoel... je kan ook gewoon lopen, toch? Of de fiets pakken. Is trouwens beter voor het milieu. Ik moet echt vaker fietsen...

• Geen verklaring nodig. Soms wil je gewoon de uitkomst, who cares hoe? Oké, in de wetenschap misschien niet, maar... tja. En bij mijn belastingaangifte ook niet trouwens, als die maar klopt!

• Heel snel een oplossing. ML kost tijd. Tijd is geld. Geldboom in de tuin zou handiger zijn, haha. Maar ja, die heb ik niet. Jammer.

• Privacy/ethiek dingetje. Stel je voor, ML gaat los met persoonlijke data... Brrr. Liever niet. Niet dat ik iets te verbergen heb, hoor! Gewoon... principe.

Waarom staat er trouwens steeds 'ML'? Oh ja, machine learning! Soms vergeet ik het gewoon.

Wanneer moet je geen machine learning gebruiken?

Machine learning... het voelt soms als een mes dat aan twee kanten snijdt. Wanneer moet je het dan niet gebruiken?

• Gebrek aan data. Serieus, zonder genoeg goede data, is het als een auto zonder benzine. Je komt nergens. Denk aan concrete cijfers; 200 data punten zijn niet genoeg voor een betrouwbare voorspelling van... nou ja, van wat dan ook. Ik heb dat zelf ervaren met mijn project, de voorspelling was waardeloos.

• Te hoge kosten. Niet alleen de initiële investering, ook het onderhoud. Ik had ooit een ML-model voor de voorraadbevoorrading van onze supermarkt. Het was super complex, en de onderhoudskosten waren hoger dan de besparingen. Dat was een dure les.

• Verkeerde interpretatie van resultaten. Dit is verschrikkelijk. Een model gaf een voorspelling die simpelweg niet klopte, en niemand zag het totdat de fout enorm was. Het was een faal die maanden lang duurde. De verantwoordelijkheid ligt dan natuurlijk bij ons, we hadden het beter moeten monitoren.

• Ethiek en bias. Een algoritme is geen mens. Het reflecteert de bias in de data. Ik weet nog goed een geval van een model dat bepaalde groepen benadeelde. Afgezien van de morele kwestie, het was een juridische nachtmerrie. Het is iets wat je echt moet overwegen.

• Te complexe problemen. Soms is een simpel statistisch model voldoende. Een hamer is niet geschikt om schroeven in te draaien. Je moet de juiste tool gebruiken voor de taak. Ik heb dat geleerd met een project over voorspellend onderhoud; het was overdreven complex met machine learning. Een simpele formule was voldoende.