In de eenvoudigste bewoordingen is machine learning (ML) het programmeren van machines (computers) zodat het een gevraagde taak kan uitvoeren door gegevens (informatie) te gebruiken en te analyseren om die taak zelfstandig uit te voeren, zonder extra specifieke invoer van een menselijke ontwikkelaar.
Machine learning 101
De voorwaarde machine learning werd bedacht in de IBM-laboratoria in 1959 door Arthur Samuel, een pionier in kunstmatige intelligentie (AI) en computergaming. Machinaal leren is als gevolg hiervan een tak van kunstmatige intelligentie. Het uitgangspunt van Samuel was om het computermodel van die tijd op zijn kop te zetten en te stoppen met computers dingen te leren geven.
In plaats daarvan wilde hij dat computers op eigen houtje dingen gingen uitzoeken, zonder dat mensen zelfs de kleinste informatie hoefden in te voeren. Toen, dacht hij, zouden computers niet alleen taken uitvoeren, maar uiteindelijk ook beslissen welke taken ze moesten uitvoeren en wanneer. Waarom? Zodat computers de hoeveelheid werk die mensen nodig hadden om op een bepaald gebied te verrichten, kon verminderen.
Hoe Machine Learning werkt
Machine learning werkt door het gebruik van algoritmen en gegevens. Een algoritme is een set instructies of richtlijnen die een computer of programma vertelt hoe een taak moet worden uitgevoerd. De algoritmen die in ML worden gebruikt, verzamelen gegevens, herkennen patronen en gebruiken analyses van die gegevens om eigen programma's en functies aan te passen om taken te voltooien.
ML-algoritmen gebruiken regelsets, beslissingsbomen, grafische modellen, natuurlijke taalverwerking en neurale netwerken (om er een paar te noemen) om verwerkingsgegevens te automatiseren om beslissingen te nemen en taken uit te voeren. Hoewel ML een complex onderwerp kan zijn, biedt Google's Teachable Machine een vereenvoudigde praktische demonstratie van hoe ML werkt.
De krachtigste vorm van machinaal leren die tegenwoordig wordt gebruikt, deep learning genoemd, bouwt een complexe wiskundige structuur op, een neuraal netwerk, gebaseerd op enorme hoeveelheden gegevens. Neurale netwerken zijn sets van algoritmen in ML en AI gemodelleerd naar de manier waarop zenuwcellen in de menselijke hersenen en het zenuwstelsel informatie verwerken.
Kunstmatige intelligentie versus machinaal leren versus datamining
Om de relatie tussen AI, ML en datamining beter te begrijpen, is het handig om een set parasols van verschillende afmetingen te bedenken. AI is de grootste paraplu. De ML-paraplu is kleiner en past onder de AI-paraplu. De datamining-paraplu is de kleinste en past onder de ML-paraplu.
- AI is een tak van de informatica die tot doel heeft computers te programmeren om taken op meer "intelligente" en "mensachtige" manieren uit te voeren, met behulp van redeneer- en besluitvormingstechnieken gemodelleerd naar menselijke intelligentie.
- ML is een computercategorie binnen AI gericht op het programmeren van machines (computers) om te leren (verzamel noodzakelijke gegevens of voorbeelden) om gegevensgestuurde, intelligente beslissingen op een meer geautomatiseerde manier te maken.
- Datamining maakt gebruik van statistieken, ML, AI en immense databases met informatie om patronen te vinden, inzichten te bieden, classificaties aan te maken, problemen te identificeren en gedetailleerde gegevensanalyses te leveren.
Wat Machine Learning kan doen (en al doet)
De capaciteit van computers om enorme hoeveelheden informatie in fracties van een seconde te analyseren, maakt ML nuttig in een aantal sectoren waar tijd en nauwkeurigheid essentieel zijn.
- Geneeskunde: ML-technologie wordt geïmplementeerd in een reeks oplossingen voor het medische veld, waaronder het helpen van spoedeisende hulpartsen met snellere diagnose van patiënten met ongewone symptomen. Artsen kunnen een lijst met symptomen van de patiënt invoeren in het programma en ML gebruiken. Het programma kan miljarden terabytes aan informatie uit medische literatuur en internet opsporen om een lijst met mogelijke diagnoses en aanbevolen testen of behandeling in een recordtijd te retourneren.
- Opleiding: ML wordt gebruikt om educatieve tools te creëren die zijn toegesneden op de leerbehoeften van de student, zoals virtuele leerassistenten en elektronische handboeken die interactiever zijn. Deze hulpmiddelen gebruiken ML om te achterhalen welke concepten en vaardigheden de student begrijpt met behulp van korte quizzen en oefeningsoefeningen. De tools bieden vervolgens korte video's, aanvullende voorbeelden en achtergrondmateriaal om de student te helpen de benodigde vaardigheden of concepten te leren.
- Automotive: ML is ook een sleutelcomponent in het opkomende gebied van zelfrijdende auto's (ook wel auto's zonder bestuurder of autonome auto's genoemd). De software die zelfrijdende auto's gebruikt, gebruikt ML tijdens zowel praktijktests als simulaties om wegomstandigheden (zoals ijzige wegen) te detecteren of obstakels in de rijbaan op te sporen en relevante rijtaken te leren om veilig in dergelijke situaties te navigeren.
Je bent ML waarschijnlijk al vele malen tegengekomen zonder het te beseffen. Enkele van de meer gebruikelijke toepassingen van ML-technologie zijn praktische spraakherkenning (Samsung's Bixby, Apple's Siri en veel talk-to-text-programma's die nu standaard op pc's staan), spamfiltering voor uw e-mail, nieuwsfeeds opbouwen, fraude detecteren, personaliseren winkelaanbevelingen en effectievere zoekresultaten op internet.
ML is zelfs betrokken bij uw Facebook-feed. Wanneer u regelmatig berichten van een vriend leuk vindt of erop klikt, "leren" de algoritmen en ML achter de schermen van uw acties om bepaalde vrienden of pagina's in uw nieuwsfeed prioriteit te geven.
Wat Machine Learning niet kan doen
Er zijn echter grenzen aan wat ML kan doen. Het gebruik van ML-technologie in verschillende industrieën vereist bijvoorbeeld een aanzienlijke hoeveelheid ontwikkeling en programmering door mensen om een programma of systeem te specialiseren voor de soorten taken die door die industrie worden vereist.In ons medische voorbeeld hierboven is het ML-programma dat op de afdeling spoedeisende hulp wordt gebruikt, specifiek ontwikkeld voor menselijke geneeskunde. Het is momenteel niet mogelijk om dat exacte programma te nemen en het direct in een veterinaire alarmcentrale te implementeren. Een dergelijke transitie vereist uitgebreide specialisatie en ontwikkeling door menselijke programmeurs om een versie te maken die deze taak voor veterinaire of dierlijke geneeskunde kan uitvoeren.
Het vereist ook ongelooflijk grote hoeveelheden gegevens en voorbeelden om de informatie te leren die het nodig heeft om beslissingen te nemen en taken uit te voeren. ML-programma's zijn ook heel letterlijk in de interpretatie van gegevens en worstelen met symboliek en ook enkele soorten relaties binnen gegevensresultaten, zoals oorzaak en gevolg.
Voortdurende vorderingen maken ML echter meer tot een kerntechnologie die elke dag slimmere computers maakt.
