Wat wordt er bedoeld met machine learning?

wat is machine learning? Definitie en toepassingen

Inzicht in wat is machine learning verduidelijkt de werking van moderne technologieën die beslissingen automatiseren. Het correct toepassen van deze algoritmes verhoogt de nauwkeurigheid binnen diverse professionele sectoren. Gebruikers verminderen operationele kosten en verbeteren de dienstverlening door de juiste systemen te implementeren.
Leer de basisprincipes kennen om de technologische ontwikkelingen om u heen beter te begrijpen.

Wat is machine learning precies? Een simpele uitleg

Wat houdt machine learning in? Het is een vorm van kunstmatige intelligentie (AI) waarmee computers kunnen leren zonder dat ze voor elke stap expliciet zijn geprogrammeerd. In plaats van vaste regels te volgen, zoeken machine learning-algoritmen zelf naar patronen in data. Op basis van die patronen kunnen ze voorspellingen doen, beslissingen nemen of taken uitvoeren. Simpel gezegd: je voert data in, het algoritme leert ervan en wordt steeds slimmer naarmate het meer data ziet.

Neem een spamfilter in je e-mail. Vroeger moest een programmeur duizenden regels schrijven zoals als het woord VIAGRA in de onderwerpregel staat, markeer dan als spam. Met machine learning is dat anders. Je voert duizenden voorbeelden van spam en legitieme e-mails in, en het algoritme ontdekt zelf welke combinaties van woorden, afzenders en typografische foutjes op spam wijzen. Het resultaat? Een filter die zich automatisch aanpast aan nieuwe trucjes van spammers, zonder dat er ook maar één regel code hoeft te worden herschreven.

Hoe werkt machine learning in de praktijk?

In de kern draait machine learning om het vinden van een wiskundige functie die invoer (kenmerken) omzet naar een gewenste uitvoer (een voorspelling of label). Stel je voor dat je de verkoop van ijsjes wilt voorspellen. De kenmerken (x) kunnen zijn: temperatuur, dag van de week en of het zonnig is. Het label (y) is het aantal verkochte ijsjes. Een algoritme krijgt duizenden historische voorbeelden en leert de relatie y = f(x). Zodra dat is gelukt, kun je voor een nieuwe dag, met de weersvoorspelling als input, een redelijk accurate voorspelling van de ijsverkoop krijgen (citation:2).

Dit leerproces heet training. Het resultaat is een model – zeg maar het opgeleverde softwareprogramma dat de geleerde patronen bevat. Dat model kun je vervolgens inzetten voor inferentie: het doen van voorspellingen op basis van nieuwe, nooit eerder geziene data. En hoe meer en hoe beter de data waarmee je traint, hoe nauwkeuriger het model wordt.

De belangrijkste soorten machine learning

1. Supervised learning (leren met een docent)

Dit is de meest gebruikte vorm. Je geeft het algoritme een dataset met zowel de vragen als de juiste antwoorden (de labels). Het is alsof een student leert van oefenexamens waar de antwoorden bij staan. Na voldoende voorbeelden kan het algoritme zelf antwoorden geven op nieuwe, onbekende vragen. Deze soorten machine learning worden opgesplitst in twee hoofdtakken: regressie en classificatie (citation:1)(citation:10).

Bij regressie voorspel je een getal. Denk aan de ijsverkoop, de hoogte van een hypotheek of het energieverbruik van een gebouw.^[1] Bij classificatie wijs je iets toe aan een categorie. Is deze e-mail spam of niet? Staat er een kat op deze foto, of een hond? Beide toepassingen kom je overal tegen, van medische diagnoses (classificatie van tumoren op een scan) tot de financiële wereld (voorspellen van aandelenkoersen, wat een regressieprobleem is) (citation:1)(citation:4).

2. Unsupervised learning (leren zonder docent)

Hier krijgt het algoritme data zonder antwoorden. Het moet zelf structuur ontdekken. De bekendste techniek is clustering: het algoritme groepeert vergelijkbare datapunten. Stel dat een webshop duizenden klanten heeft, maar geen idee heeft welke typen klanten er zijn. Een unsupervised model kan klanten clusteren op basis van koopgedrag, leeftijd en surfgedrag. Zo ontdekt de winkel misschien een cluster jonge sportieve ouders en een cluster senioren die veel boeken kopen, zonder dat iemand die groepen van tevoren heeft benoemd (citation:1)(citation:8).

Het voordeel? Je ontdekt verborgen patronen die je zelf nooit had bedacht. Het nadeel? Je moet als mens achteraf proberen te begrijpen wat die clusters betekenen en er een naam aan geven.

3. Reinforcement learning (leren door vallen en opstaan)

Dit lijkt op het trainen van een hond: bij goed gedrag krijgt hij een beloning, bij fout gedrag niets of een straf. Een reinforcement learning-algoritme (een agent) neemt beslissingen in een omgeving. Bij elke stap ontvangt het een beloningssignaal. Het doel is om de totale beloning te maximaliseren. Dit klinkt misschien vaag, maar het is de technologie achter wereldberoemde toepassingen zoals AlphaGo (de computer die de wereldkampioen Go versloeg) en zelfrijdende autos. De auto leert dat een goede stuurcorrectie op de snelweg een positieve beloning oplevert (geen ongeluk), terwijl een verkeerde correctie een negatieve beloning geeft (citation:1)2.

Waar gebruiken we machine learning elke dag?

De kans is groot dat je vandaag al tientallen keren met toepassingen machine learning hebt gewerkt, zonder het te beseffen. Je favoriete streamingdienst zoals Netflix of Spotify gebruikt het voor aanbevelingen. Door te analyseren wat je hebt gekeken of geluisterd, en dat te vergelijken met miljoenen andere gebruikers, worden er suggesties gedaan waarvan de kans groot is dat je ze leuk vindt (citation:3).

Je navigatie-app zoals Google Maps voorspelt de reistijd op basis van historische verkeersdata en actuele omstandigheden – ook machine learning. En die keer dat je bank je belde over een verdachte transactie op je creditcard? Dat was een fraudedetectiemodel dat afwijkend patroon herkende (citation:5).

Ook in de zorg wordt het steeds belangrijker. Algoritmes kunnen medische beelden zoals MRI-scans en röntgenfotos analyseren en soms afwijkingen opsporen die zelfs door getrainde specialisten worden gemist (citation:3)(citation:5). In de logistiek, bijvoorbeeld bij het plannen van boodschappenbezorging, kunnen machine learning-modellen razendsnel bepalen of een nieuwe bestelling nog in de route past, wat leidt tot minder lege busjes en lagere kosten (citation:7)^[4].

Machine learning versus AI versus deep learning: wat is het verschil?

De termen AI, machine learning en deep learning worden vaak door elkaar gebruikt, maar dat is niet helemaal correct. Om het verschil ai en machine learning te begrijpen, kun je het zien als een set van Matroesjka-poppen. De buitenste, grootste pop is Kunstmatige Intelligentie (AI): de hele wetenschap van het nabootsen van menselijke intelligentie in machines. De volgende pop is machine learning: een subveld van AI, specifiek gericht op het leren van data. De binnenste, kleinste pop is deep learning: een zeer gespecialiseerde tak van machine learning die gebruikmaakt van complexe, gelaagde neurale netwerken (geïnspireerd op het menselijk brein) om uitzonderlijk complexe patronen te leren (citation:5)(citation:9).

Het belangrijkste om te onthouden: alle machine learning is AI, maar niet alle AI is machine learning. Een simpele regel als als het regent, neem dan een paraplu is AI (het simuleert menselijk denken), maar het is geen machine learning, want er wordt niet geleerd van data. Deep learning is op zijn beurt weer een specifieke, krachtige manier om aan machine learning te doen.

Zijn er ook nadelen of uitdagingen?

Jazeker. Machine learning is geen tovermiddel. Het grootste probleem? Data, data en nog eens data. Een model is zo goed als de data waarop het is getraind. Als je een gezichtsherkenningssysteem traint met voornamelijk fotos van blanke mannen, zal het falen bij vrouwen en mensen met een donkere huid. Dat noemen we bias (vooringenomenheid). Daarnaast zijn sommige modellen, vooral deep learning-modellen, ondoorzichtige black boxes: ze geven een goed antwoord, maar het is vaak onmogelijk te begrijpen waarom. In de medische wereld of bij rechtbanken is dat een groot probleem (citation:3)(citation:5).

Ook is er veel rekenkracht nodig, vooral voor deep learning. Het trainen van één groot model kan evenveel energie kosten als een kleine stad in een jaar, en het vereist dure, gespecialiseerde hardware (citation:5). En laten we eerlijk zijn: het implementeren van machine learning is niet triviaal. Het vergt gespecialiseerde kennis en een grondige aanpak om het echt goed te doen.

De drie leermethoden vergeleken

Om het overzichtelijk te maken, hieronder een vergelijking van de soorten machine learning.

Supervised, Unsupervised en Reinforcement Learning naast elkaar

Supervised Learning

Gelabelde data: zowel invoer (kenmerken) als gewenste uitvoer (labels) zijn bekend.

Classificatie (toewijzen aan categorieën) en regressie (voorspellen van getallen).

Een model trainen om op basis van lengte en gewicht te voorspellen of iemand een verhoogd risico op diabetes heeft.

Voorspellen van uitkomsten voor nieuwe, onbekende data.

Unsupervised Learning

Ongemerkte data: alleen invoer, de uitvoer is onbekend.

Clustering (groeperen) en dimensionaliteitsreductie (vereenvoudigen van data).

Klanten in groepen verdelen op basis van koopgedrag voor gerichte marketingcampagnes.

Verborgen patronen, structuren of groepen in data ontdekken.

Reinforcement Learning

Geen vaste dataset, maar een interactieve omgeving.

Besluitvormingsprocessen, zoals robotbesturing, games en navigatie.

Een robot leren lopen door hem een beloning te geven voor elke stap vooruit zonder te vallen.

Een strategie (beleid) leren die de cumulatieve beloning maximaliseert.

Boodschappenbezorging slimmer maken met ML

Liana, een promovenda aan de Erasmus Universiteit, werkte aan een hardnekkig probleem in de logistiek: hoe beslis je razendsnel of een nieuwe boodschappenbestelling nog in de route van een bezorger past? De traditionele methode keek per bestelling of die in een vaststaand schema paste, maar rekende nooit het geheel opnieuw door. Hierdoor werden klanten soms onterecht geweigerd, terwijl er nog ruimte was in de busjes.

Eerste poging: samen met ORTEC ontwikkelde ze een prototype dat machine learning gebruikte. Het idee was om het model te trainen met duizenden gesimuleerde, optimale routes. Maar de eerste versie was teleurstellend; het model deed er nog steeds te lang over en sloeg de plank mis bij onverwachte combinaties van bestellingen. Het team begon te twijfelen of ML hier wel geschikt voor was.

De doorbraak kwam toen ze het model niet langer simpele regels leerde, maar het liet focussen op de onderliggende patronen van 'wat maakt een route efficiënt?' In plaats van 'past punt A in route B?' te vragen, leerde het model in milliseconden patronen herkennen in miljoenen mogelijke combinaties.

Het resultaat was een proof-of-concept dat aantoonde dat machine learning deze beslissingen veel sneller kan nemen dan traditionele methodes. Bezorgbusjes kunnen voller rijden, er passen meer klanten in een rit, en het proces wordt zowel duurzamer (minder uitstoot) als mogelijk winstgevender in een sector waar de marges extreem krap zijn (citation:7).

Een fashionwebshop automatisch categoriseren

Een Nederlandse fashionwebsite stond voor een uitdaging: elke dag kwamen er honderden nieuwe producten binnen van verschillende leveranciers. Medewerkers moesten handmatig bepalen of een 'spijkerbroek met wijde pijp' onder 'Broeken' of 'Jeans' viel. Dit kostte veel tijd en was foutgevoelig.

Het bedrijf bouwde een supervised learning-model. Ze voerden 40 GB aan historische productdata in, compleet met de juiste categorieën. In het begin werkte het redelijk: de meeste Nederlandse productnamen werden goed geclassificeerd. Maar toen kwam er een nieuwe leverancier die alles in het Engels aanleverde. Het model crashte; 'skinny jeans' werd niet herkend als een broek. Ze hadden het model te veel 'uit het hoofd' laten leren in plaats van de echte betekenis.

In plaats van opnieuw te beginnen, voegden ze een vertaalslag toe en trainden ze het model opnieuw, maar nu met de nadruk op de kenmerken van het product (materiaal, pasvorm) in plaats van alleen de taal. Ze ontdekten dat het model moest leren dat een 'jurk' en een 'dress' naar hetzelfde concept verwijzen.

Na de omscholing werkt het systeem nu volledig geautomatiseerd. Nieuwe producten worden binnen seconden in de juiste categorie geplaatst. Het bedrijf bespaart zo duizenden uren handmatig werk per jaar en producten staan sneller online (citation:6).