Automatisering is iets dat al jaren aan de gang is. Vroeger waren dit vooral de gemakkelijke handmatige handelingen, zoals verschillende werkzaamheden aan de lopende band. Nu gebeurt dit ook steeds meer bij kantoortaken[1]. Een reden hiervoor is de opkomst van Machine Learning. In een voorgaand artikel is er al aandacht besteed aan Machine learning, in dit artikel wordt er kort uitgelegd wat het inhoudt en hoe het in de praktijk gebruikt kan worden.

Machine Learning is het principe dat een machine of programma zichzelf dingen aan kan leren, zonder tussenkomst van een mens, om zo in de toekomst zijn taken beter uit te kunnen voeren. Tom Mitchell (1997) heeft de volgende definitie van Machine Learning geformuleerd: “A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E.[2]” Simpel gezegd: wanneer een computer programma zijn taken beter kan uitvoeren door naar data of gebeurtenissen uit het verleden te kijken, dan heeft het programma hiervan geleerd.

Machine Learning bestaat uit drie hoofdonderdelen. Het begint met een model dat de voorspellingen doet. Een basis voorspelling dient door een persoon te worden ingevoerd. De voorspellingen van het model worden vervolgens vergeleken met de werkelijkheid door de Learner. Deze past de parameters van het model vervolgens aan, zodat het model betere voorspellingen kan doen. De stappen worden vervolgens herhaald totdat het model accuraat genoeg kan voorspellen. Dit proces is in Figuur 1 schematisch weergegeven.


Figuur 1: Machine Learning

Om een beter beeld te krijgen zal dit worden toegelicht met een voorbeeld. Een docent wil weten wat de optimale studietijd voor een student is om een goed cijfer te halen. Er wordt eerst een basismodel ingevoerd, de docent verwacht hier een lineair verband. (zie Figuur 2).

Wanneer de docent de tentamens heeft nagekeken vraagt deze aan de studenten hoelang zij hiervoor hebben gestudeerd. Deze gegevens worden vervolgens in het systeem ingevoerd. De Learner ziet vervolgens dat het model niet accuraat is en past de parameters aan om de voorspellingen te verbeteren (zie Figuur 3).

Vervolgens zal het model een nieuwe voorspelling kunnen geven van het cijfer van een student aan de hand van het aantal studie-uren. Hierna kan de docent nieuwe data invoeren, waarvan het model weer kan leren en zich vervolgens aan zal passen. Dit proces blijft zich herhalen totdat de nauwkeurigheid van het model hoog genoeg is en de schattingen van het model de werkelijke waarde benaderen[4].

Vaak wordt Machine Learning genoemd in combinatie met Artificial Intelligence, hier zit echter wel een duidelijk onderscheid in. Het doel van Artificial Intelligence is het nabootsen van het menselijk brein, hiervoor moet het kunnen leren, redeneren en abstract kunnen denken. Machine Learning gaat iets minder ver, bij Machine Learning wordt er alleen geleerd aan de hand van data uit het verleden, met als doel om hiermee een voorspelling te kunnen maken. Machine Learning is meer gerelateerd aan statistiek en data mining dan aan Artificial Intelligence[3].

Een algoritme kan op verschillende manieren leren van reeds beschikbare data, dit hangt vooral af van de manier waarop de data beschikbaar is. De verschillende manieren van leren zijn over het algemeen onder te brengen in de volgende drie hoofdcategorieën.

Bij supervised learning is de data goed gestructureerd en gecategoriseerd, waardoor de waarden en de daarbij behorende uitkomst bekend zijn, bijvoorbeeld het aantal studie-uren en het eindcijfer zoals hiervoor genoemd. Een ander voorbeeld van supervised learning is de waardebepaling van een huis. Om de waarde van een huis te bepalen dienen de karakteristieken van een huis, zoals oppervlakte, locatie, staat en energielabel, bekend te zijn. Een algoritme kan van deze data leren en vervolgens een inschatting maken van de waarde van een huis[5].

Bij unsupervised learning is de data ook reeds bekend, maar is deze niet (goed) gestructureerd. Hierdoor kunnen de waarden en de uitkomsten niet met elkaar gekoppeld worden. Het algoritme weet dus niet wat de data weergeeft en dient hier zelf een structuur in te ontdekken. Een voorbeeld hiervan is het leren van een taal zonder dat hier vertalingen van bekend zijn. Wanneer er naar één fragment in een onbekende taal wordt geluisterd zal men hier niet veel van snappen. Wanneer er naar vele uren geluidsmateriaal in deze taal wordt geluisterd zullen er patronen kunnen worden herkend en zal de taal steeds meer begrepen worden.

Reinforcement learning is het leren op basis van keuzes die zijn gemaakt. Een keuze van het algoritme heeft impact op de omgeving, waar het vervolgens weer van leert. Een voorbeeld hiervan is de zelfrijdende auto, deze hebben vele uren gereden (met of zonder bestuurder) om te kunnen bepalen wat goede en slechte keuzes zijn.

Dit zijn de hoofdcategorieën die worden onderscheiden, er zijn ook leer methoden die een variant zijn op een van deze categorieën of zelfs een combinatie. Een voorbeeld hiervan is semi supervised learning, hierbij is zowel de beschikking over gelabelde als ongelabelde data. Deze methode wordt vooral gebruikt omdat gelabelde data vaak moeilijk te verkrijgen is[3][6].

Machine learning in de praktijk
In de inleiding werd al kort gesproken over het feit dat kantoortaken ook steeds meer geautomatiseerd zullen gaan worden. Er wordt hier nadrukkelijk gesproken over taken, omdat Machine Learning taken kan overnemen en niet per se een hele functie. Een voorbeeld van een functie die zou kunnen veranderen is die van financieel specialist. Doormiddel van Machine Learning kunnen transacties automatisch verwerkt worden. De specialist zal hierdoor boekingen niet meer na hoeven te kijken, maar zal zich meer moeten gaan richten op het verkrijgen van strategische inzichten. De kans is groot dat de taak van het invoeren van facturen hierdoor zal verdwijnen[2].

Ook in de zorg wordt Machine Learning steeds meer ingezet. Zo wordt er bij de oncologie afdeling van een ziekenhuis in New York gekeken naar kankerpatiënten en behandelingen van afgelopen jaren. Aan de hand van deze informatie leert een algoritme om de juiste behandelingen voor te stellen en zo een arts te ondersteunen[7].

Ook Google is een bedrijf dat zich bezighoudt met het ontwikkelen van Machine Learning. Onlangs is het hen gelukt om een algoritme te ontwikkelen dat in staat is om objecten in een video te herkennen. Waar voorheen tags en scènes van een video handmatig ingevoerd dienden te worden maakt Google nu stappen om dit te automatiseren[8].

Machine Learning dichter bij huis
Wie denkt zelf (nog) geen gebruik te maken van Machine Learning, moet hier toch nog eens over nadenken. Machine Learning wordt ook al gebruikt in het dagelijks leven. Bijvoorbeeld in je mailbox, het automatisch filteren van spam wordt gedaan aan de hand van Machine Learning. Ook de aanbevelingen van producten op webshops, worden bepaald door zelf lerende algoritmes. Tenslotte is ook Siri een voorbeeld van Machine Learning[6].

[1] Gier, R. d. (2016, December 7). Robotisering bedreigt banen van hoogopgeleide financieel specialisten. Opgeroepen op Maart 2, 2017, van Management caree: https://www.managementcareer.nl/robotisering-bedreigt-banen-van-hoogopgeleide-financieel-specialisten/#
[2] Mitchell, T. (1997). Machine Learning. McGraw-Hill.
[3] Sims, G. (2015, Juli 7). What is machine learning? |Video|. Opgehaald van https://www.youtube.com/watch?v=WXHM_i-fgGo
[4] Sullivan, D. (2015, November 4). How machine learning works, as explained by Google. Opgeroepen op Maart 2, 2016, van martechtoda: https://martechtoday.com/how-machine-learning-works-150366
[5] Ng, A. (sd). Supervised learning. Opgeroepen op Maart 2, 2017, van coursera: https://www.coursera.org/learn/machine-learning/lecture/1VkCb/supervised-learning
[6] Mehryar, M., Rostamizadeh, A., & Talwalkar, A. (2012). Foundations of Machine Learning. MIT press.
[7] Faggella, D. (2016, Augustus 29). Machine Learning Healthcare Applications – 2016 and Beyond. Opgeroepen op Maart 3, 2017, van teachemergence: http://www.techemergence.com/machine-learning-healthcare-applications/
[8] Nu.nl. (2017, maart 8). Zelflerende software Google kan objecten in video’s herkennen. Nu.nl , Opgehaald van http://www.nu.nl/internet/4525305/zelflerende-software-google-kan-objecten-in-videos-herkennen.html.

Artikel door Frank Harmsen

Student met interesses op het gebied van financiën, data, IT en sport.