Wat is machine learning?

Wat machine learning is.

Klassieke software werkt met regels die een mens heeft opgeschreven: als dit, dan dat. Machine learning draait dat om. In plaats van de regels te bedenken, geef je het systeem voorbeelden en laat je het zelf de patronen ontdekken. Toon een model duizenden foto's met het label "kat" of "geen kat", en het leert zelf welke kenmerken een kat onderscheiden. Dat maakt machine learning sterk bij problemen die te complex of te variabel zijn om in regels te vatten. Spam herkennen, fraude opsporen, vraag voorspellen: stuk voor stuk taken waar de patronen te subtiel zijn om met de hand uit te schrijven.

Hoe machine learning werkt.

Het draait om drie dingen: data, een model en training. Je voert het model voorbeelden (de trainingsdata), het model past zichzelf stap voor stap aan om de patronen beter te herkennen, en daarna kun je het loslaten op nieuwe data. De kwaliteit van de uitkomst staat of valt met de kwaliteit van de data. Slechte of scheve data levert een slecht of bevooroordeeld model op, het bekende "garbage in, garbage out". Daarom is een geordende datahuishouding de voorwaarde voor zinvolle machine learning. Versnipperde, vervuilde data leidt tot onbetrouwbare modellen.

Soorten machine learning.

Grofweg drie. Bij supervised learning leert het model van gelabelde voorbeelden (input plus het juiste antwoord). Bij unsupervised learning zoekt het zelf structuur in ongelabelde data, bijvoorbeeld om klanten in groepen te clusteren. Bij reinforcement learning leert het model door beloning en straf, zoals een systeem dat zichzelf een spel leert spelen. Large language models zijn een geavanceerde toepassing van deze principes, getraind op enorme hoeveelheden tekst. Machine learning is dus de bredere techniek waar veel van de huidige AI op rust.

Voorbeelden.

Je gebruikt machine learning vaker dan je denkt. Aanbevelingen in webshops en streamingdiensten, fraudedetectie bij betalingen, spamfilters, voorspelling van onderhoud op machines, beeldherkenning in medische scans. Allemaal gevallen waarin een model uit historische data leert om iets over nieuwe data te zeggen. Voor de meeste organisaties begint de waarde niet bij een eigen model van nul, maar bij slim inzetten van bestaande technieken op de eigen data. Waar dat zin heeft, hangt af van het proces en de databeschikbaarheid, en dat verschilt per situatie.