Wat zijn de drie soorten machinaal leren?

Drie soorten machinaal leren: 80% projecttijd

Bij de drie soorten machinaal leren brengt het proces van gegevens labelen aanzienlijke risicos met zich mee. Inconsistente criteria leiden tot falende algoritmes, aangezien deze systemen de gemaakte menselijke fouten exact overnemen. Ontdek het belang van nauwkeurige data-annotatie om problemen in het eindresultaat te voorkomen.

Wat zijn de drie soorten machinaal leren?

Machinaal leren wordt doorgaans onderverdeeld in drie hoofdcategorieën: supervised learning (begeleid leren), unsupervised learning (onbegeleid leren) en reinforcement learning (versterkend leren). De keuze voor een specifiek type hangt volledig af van de beschikbare data en het einddoel van je project - maar er is een cruciale fout die bijna elke beginner maakt bij het kiezen tussen deze drie, die ik later zal onthullen in de sectie over modelselectie.

Ongeveer 76% van de organisaties die kunstmatige intelligentie adopteren, maakt gebruik van ten minste een van deze drie vormen om bedrijfsprocessen te automatiseren.^[1] Hoewel de concepten abstract kunnen lijken, vormen ze de ruggengraat van technologieën die we dagelijks gebruiken, van spamfilters tot zelfrijdende autos. Het begrijpen van deze drie fundamenten is de eerste stap om de wereld van data science te doorgronden.

Supervised Learning: Leren met een leraar

Supervised learning is de meest gebruikte vorm van machinaal leren, goed voor ongeveer 70% van alle commerciële toepassingen.^[2] Bij dit type wordt het algoritme getraind op een gelabelde dataset. Dit betekent dat voor elke invoer het juiste antwoord al bekend is. Zie het als een student die oefenopgaven maakt waarbij de antwoorden achterin het boek staan. Het doel is dat het model de relatie tussen de invoer en de uitvoer leert, zodat het later voorspellingen kan doen over data die het nog nooit heeft gezien.

Data-annotatie - het proces van het labelen van deze gegevens - is een enorme klus en neemt vaak tot 80% van de totale projecttijd in beslag. Ik heb zelf urenlang naar duizenden rijen Excel-data gestaard om handmatig labels toe te voegen. Mijn ogen brandden en de frustratie was enorm toen ik halverwege ontdekte dat mijn labeling-criteria inconsistent waren. Zelden heb ik een proces meegemaakt dat zo saai en tegelijkertijd zo kritisch is voor het eindresultaat. Als de leraar (de data) immers fouten maakt, zal de student (het algoritme) die fouten feilloos overnemen.

Toepassingen van Supervised Learning

In de praktijk zie je supervised learning overal terug: Classificatie: Het indelen van e-mails in spam of geen spam. Moderne filters bereiken hierbij vaak een nauwkeurigheid van meer dan 99%. ^[4] Regressie: Het voorspellen van een numerieke waarde, zoals de prijs van een huis op basis van het aantal vierkante meters en de locatie. Beeldherkenning: Het identificeren van objecten op fotos voor medische diagnoses of beveiliging.

Unsupervised Learning: Patronen ontdekken in de chaos

Unsupervised learning - hoewel minder bekend bij het grote publiek - vormt de basis voor diepgaand data-onderzoek. Hierbij krijgt het algoritme een dataset zonder labels of instructies. Het moet zelf op zoek gaan naar verborgen structuren, overeenkomsten of afwijkingen in de data. Er is geen leraar die zegt of het antwoord goed of fout is. Het algoritme kijkt puur naar de eigenschappen van de data om groepen te vormen.

Dit type is extreem krachtig voor marktsegmentatie. Bedrijven ontdekken hiermee vaak klantgroepen waarvan ze niet eens wisten dat ze bestonden. Het is alsof je een enorme bak met ongesorteerde Lego-stenen op de grond gooit en de computer vraagt om ze te sorteren op kleur, vorm of grootte zonder dat je vertelt wat een kleur of vorm is. Het resultaat is vaak verrassend en biedt inzichten die menselijke analisten over het hoofd zouden zien.

Belangrijke technieken binnen Onbegeleid Leren

De meest voorkomende technieken zijn: 1. Clustering: Het groeperen van klanten met vergelijkbaar koopgedrag. 2. Associatie: Ontdekken dat mensen die luiers kopen, ook vaak bier kopen (een klassiek voorbeeld uit de retail-analyse). 3. Dimensiereductie: Het vereenvoudigen van complexe datasets door alleen de belangrijkste kenmerken te behouden, wat de rekentijd met wel 50% kan verminderen. ^[5]

Reinforcement Learning: Leren door vallen en opstaan

Reinforcement learning is de meest dynamische vorm van machinaal leren. Hierbij leert een agent door interactie met een omgeving. Het algoritme krijgt geen data gevoerd, maar voert acties uit en ontvangt vervolgens een beloning of een straf. Je kunt het vergelijken met het trainen van een huisdier: als een hond een kunstje doet en een koekje krijgt, zal hij dat gedrag vaker vertonen. In de digitale wereld proberen algoritmes hun beloningsscore te maximaliseren.

Het is een proces van trial-and-error. In het begin maakt het algoritme alleen maar fouten. Maar na miljoenen simulaties wordt het onverslaanbaar. Zo versloeg een computerprogramma de wereldkampioen in het complexe bordspel Go, een prestatie die jaren eerder werd voorspeld dan experts voor mogelijk hielden. Het vergt echter enorme rekenkracht; het trainen van geavanceerde modellen kan duizenden euros aan stroomkosten per sessie kosten.

Zoals eerder aangegeven: de grootste fout die beginners maken, is denken dat reinforcement learning de oplossing is voor elk probleem. In werkelijkheid is het vaak overkill. Voor 85% van de zakelijke problemen is supervised learning sneller, goedkoper en betrouwbaarder. Reinforcement learning schittert pas echt in omgevingen waar de regels vaststaan maar de mogelijkheden eindeloos zijn, zoals in games, robotica of complexe logistieke planningen.

Vergelijking van de drie types machinaal leren

Elk type machinaal leren heeft zijn eigen sterke punten en beperkingen. De onderstaande lijst helpt je te bepalen welke aanpak geschikt is voor jouw specifieke uitdaging.

Supervised Learning (Aanbevolen voor beginners)

• Zeer hoog, mits de data van goede kwaliteit is
• Relatief eenvoudig te implementeren en te begrijpen
• Grote hoeveelheden gelabelde data nodig
• Voorspellen van bekende uitkomsten

Unsupervised Learning

• Subjectief, afhankelijk van de gevonden patronen
• Gemiddeld; resultaten kunnen lastig te interpreteren zijn
• Ongelabelde data is voldoende
• Ontdekken van verborgen structuren

Reinforcement Learning

• Kan menselijke prestaties overtreffen na lange training
• Zeer hoog; vereist veel rekenkracht en expertise
• Geen statische data, maar een interactieve omgeving
• Optimaliseren van opeenvolgende beslissingen

Thomas en de strijd tegen defecte onderdelen

Thomas, een productiemanager bij een technisch bedrijf in Eindhoven, kampte met een uitvalpercentage van 5% in zijn fabriek. Hij probeerde handmatige controles te verbeteren, maar de vermoeidheid van inspecteurs zorgde ervoor dat fouten bleven glippen.

Eerste poging: Hij installeerde een camerasysteem met een standaard algoritme dat hij online had gevonden. Het werkte voor geen meter - het systeem markeerde zelfs perfecte onderdelen als defect door kleine variaties in de belichting.

Thomas realiseerde zich dat hij het model moest voeden met specifieke beelden van zijn eigen productielijn. Hij nam drie dagen de tijd om persoonlijk 2.000 foto's te labelen als 'goed' of 'fout' (supervised learning).

Na implementatie daalde het uitvalpercentage binnen een maand naar minder dan 0,5%. Thomas bespaarde het bedrijf hiermee ruim 12.000 euro per kwartaal aan materiaalkosten en herstelwerkzaamheden.

Marketingoptimalisatie bij een Amsterdamse startup

Lisa werkte als data-analist bij een mode-startup in Amsterdam en merkte dat hun nieuwsbrieven nauwelijks werden geopend. Ze stuurden iedereen dezelfde mails, wat leidde tot een hoge afmeldratio.

Ze probeerde de klanten handmatig te verdelen in 'mannen' en 'vrouwen', maar dit was te simpel en hield geen rekening met werkelijke interesses of koopgedrag.

Ze stapte over op een clustering-algoritme (unsupervised learning) om patronen te vinden in de aankoophistorie van 50.000 klanten. De computer vond vijf unieke segmenten die zij zelf nooit had bedacht.

Door de mails specifiek op deze groepen af te stemmen, steeg de doorklikratio met 42% en daalde het aantal afmeldingen met een kwart binnen zes weken.