Wat is machine learning en waarom is het relevant?

 
In een eerder stuk bekeken we wat kunstmatige intelligentie precies betekent. We ontdekten dat we best niet te hard van stapel lopen wat echte intelligentie betreft, maar dat machine learning, dat aan de basis ligt van het moderne AI-onderzoek, desalniettemin veel potentieel heeft als drijfveer voor digitale transformatie. In dit stuk staan we even stil bij wat machine learning precies is.
 
In essentie is machine learning een systeem dat een computer in staat stelt zaken bij te leren zonder dat een programmeur daar manueel regeltjes voor moet schrijven. Een computer kan zichzelf zaken aanleren met de hulp van training op een enorme dataset. Stel je voor dat je een zwakke AI wil bouwen die beelden kan beschrijven. Je wil eerst en vooral dat de AI in staat is een kat te herkennen op een foto. Om dat te bewerkstelligen dien je het algoritme vele duizenden foto’s aan te reiken, al dan niet met katten op. Het gebruikt daarvoor doorgaans een eenvoudig neuraal netwerk. In zo’n netwerk worden beelden opgesplitst in eenvoudige bouwstenen zoals lijnen, punten en kleuren. Het algoritme zoekt naar patronen in die bouwstenen om te ontdekken welke combinatie van lijnen en punten een kat representeert. Door de software in eerste instantie alleen meer foto’s van katten aan te reiken, en daar meteen ook bij te zeggen dat er telkens een kat te vinden is, heeft het programma voldoende tools in handen om zelf een patroon te ontdekken. Dat patroon kan de software vervolgens bovenhalen bij een ongekende afbeelding, om ook daar een kat op te detecteren.
 
[related_article id=”166816″]  
Verwar machine learning niet met echte intelligentie. Hoewel het algoritme (of de man in de Chinese kamer) voor een deel zijn instructies zelf schrijft, heeft het nog steeds geen benul van de betekenis van zijn acties. Het herkent patronen, maar heeft geen flauw benul van wat die patronen betekenen. Het weet enkel dat bij een bepaalde combinatie aan lijnen een bepaalde combinatie aan tekens (in dit geval ‘kat’) hoort.
 

Patroonherkenning

De kern van het hele gebeuren is patroonherkenning, en daar schuilt de kracht voor zakelijk gebruik. Een algoritme kan door tonnen data bladeren en daarin op zoek gaan naar overeenkomsten en verschillen. Zo is machine learning in staat om patronen te herkennen waar mensen er vooraf misschien geen zagen. Als bedrijf heb je waarschijnlijk tonnen data ter beschikking. Het is altijd de moeite om te onderzoeken of daar patronen in schuilen die je kunnen helpen om je businessplan te verbeteren. Denk aan heel duidelijke zaken (paraplu’s verkopen goed in periodes met slecht weer), maar ook minder duidelijke zaken waar je zelf niet op kan komen. De combinatie van big data (de dataset om het algoritme te trainen) en machine learning kan je hier een heel eind verder helpen.
 

 
Patronen herkennen is slechts één uitkomst van machine learning. Nauw verwant aan het onderzoeksveld is de tak van predictive analytics. Het principe is hetzelfde, maar in predictive analytics gaat de computer nog een stapje verder. Nadat het systeem door een grote dataset heeft geploegd, ontdekte het misschien dat X en Y samen meestal tot Z leiden. Dat stelt de computer in staat om je te waarschuwen de volgende keer dat X en Y samenvallen, zodat je weet dat Z er aan komt. Onderzoek naar hart- en vaatziekten illustreert duidelijk hoe dat in z’n werk gaat.
 

Voorspelling

Eerder dit jaar liet IBM zijn Watson-AI-platform los op duizenden dossiers van patiënten die te maken kregen met hartfalen. Watson ging op zoek naar zaken in de dossiers die correleerden met uiteindelijk hartfalen, om zo factoren te onthullen die dokters kunnen gebruiken om preventief op te treden. Watson stelde vast dat verschillende medische indicaties waarvan dokters dachten dat ze los stonden van hartziekte, er toch mee correleerden. De ontdekking laat de medische wereld toe om accurater diagnoses te stellen, en mensen aan te sturen op een gedragswijziging voor ze iets voor hebben. Watson kan zo in essentie voorspellen of jij een hartaanval gaat krijgen. Andersom merkte de computer bovendien op dat factoren waarvan dokters aannamen dat ze hartziekte voorspelden, geen enkele correlatie met de kwaal bleken te hebben. Om ons voorbeeld hierboven er bij te nemen: misschien ga je er logischerwijze van uit dat parapluverkoop samenvalt met regen, maar ontdek je via machine learning dat je buikgevoel toch verkeerd is.
 
[related_article id=”169932″]  
Enkele jaren geleden al voerde de universiteit van Antwerpen een ander experiment uit. De universiteit gebruikte een algoritme om een heleboel Twitter-accounts te analyseren. De data werd gecorreleerd met stemgedrag. Na een rondje deep learning was het algoritme in staat van willekeurige Twitter-accounts te voorspellen hoe hun eigenaar zou stemmen in de volgende verkiezing. Daarbij ging het niet om accounts met tweets als ‘I <3 CD&V’. De computer zocht naar patronen bij interesses, volgers en andere info. Het algoritme voorspelde uiteindelijk het stemgedrag van 95 procent van de deelnemers aan het experiment correct.
 
Uiteindelijk is niets of niemand uniek. Situaties lijken op eerdere situaties, en jouw gedrag lijkt op dat van iemand anders. Als 90 procent van de mensen met gelijkaardige jobs, een overeenkomstige muzieksmaak en gelijkaardige kledingstijl op een bepaalde partij stemmen, is de kans groot dat jij dat ook zal doen. Het enige dat doorgaans ontbreekt om de voorspelling te kunnen maken, is de patroonherkenning.