Machinaal leren
Maak big data beheersbaar!
Machinaal leren (ML) is een deelgebied van kunstmatige intelligentie. Door patronen in bestaande gegevensreeksen te erkennen, kunnen IT-systemen op zichzelf oplossingen voor problemen vinden.
Stand van zaken
Momenteel is een groot aantal uitvoerings- en ontwikkelingsprojecten voor machinaal leren te vinden. De subcategorie “deep learning” wijst met name op veel nieuwe ontwikkelingen, bijvoorbeeld op het gebied van gezichtsherkenning of spraakherkenning.
Als u uw eigen ontwikkelingsproject wilt starten, wordt aanbevolen de programmeertaal Python te gebruiken. De open source beschikbaarheid van talrijke programmabibliotheken, zoals Google TensorFlow, scikit-learning of Theano, maakt het mogelijk technieken voor machinaal leren snel te integreren en te benutten.
Het herkennen van patronen in grote hoeveelheden gegevens vereist zowel een hoge opslagcapaciteit als geavanceerde kennis op het gebied van machinaal leren. Aanbieders van clouddiensten (Amazon, IBM, Google, Microsoft, enz.) bieden nu binnen hun platforms modelherkenning aan als “machinaal leren als één dienst”.
Technologie en uitrol
Beschrijving van de technologie
Naarmate de vierde industriële revolutie vordert, worden steeds meer bedrijfs- en procesgerelateerde gegevens verzameld. Daarom wordt het voor mensen steeds moeilijker om ze te interpreteren en te evalueren. Op basis van bestaande gegevens dient machinaal leren om schattingen en patronen binnen de structuren vast te stellen, zodat oplossingen en conclusies kunnen worden ontwikkeld.
De subcategorie “Deep Leaning” beschrijft ook een methode voor de productie van kunstmatige neuronale netten. Zij worden gezien in hun functie en structuur als een menselijke hersenen. Door grote datasets te lezen, kunnen belangrijke functies automatisch worden geëxtraheerd en geclassificeerd. Slimme evaluatie en prognoses zijn dus mogelijk.
Afbeelding: Gebaseerd op “Op weg naar gegevenswetenschap”
Mogelijke gebruiksscenario’s
Er zijn momenteel veel toepassingen in verband met machinaal leren. Machinaal leren kan overal worden gebruikt om grote hoeveelheden gegevens te analyseren en op basis van patronen te doorzoeken.
In alledaagse omgevingen zijn de bekendste toepassingen de aanbevelingsdiensten van Amazon en Netflix, het sorteren van spampost, spraakherkenning (Siri, Cortana) of gezichtsherkenning (Facebook).
In de productieomgeving kunnen kwaliteitsborging, klanttevredenheid, autonome systemen of voorspellend onderhoud ten goede blijven komen aan machinaal leren.
Er zijn ook de eerste toepassingsgebieden in de kantooromgeving. Zo kunnen chatbots worden gebruikt om te communiceren. U kunt vragen stellen en informatie, aanbevelingen voor maatregelen of voorgestelde oplossingen ontvangen.
Geleidelijke invoering
Salarisstap 1: Definitie van het toepassingsscenario
Salarisstap 2: Ml-mapping
Salarisstap 3: Gegevens bewerken
Een cruciale stap is het waarborgen van de juiste gegevensstructuur. Verzamelt u momenteel de juiste gegevens/kenmerken?
Gegevensverkenning:
Op basis van uw ervaring de gegevens evalueren om na te gaan of de gegevens op zodanige wijze zijn verwerkt dat ze kunnen worden geanalyseerd. Deze stap is met name van belang om te begrijpen welke categorisering van de gegevens zij moeten uitvoeren of welke inputvariabelen nodig zijn voor de algoritmen. Indien nodig kunt u voorbereidende studies uitvoeren naar de veranderingen die het gevolg zijn van de variatie van individuele gegevens.
Vierde stap: Modellering
Salarisstap 6: Evaluatie
Toename van de hoeveelheid gegevens
Duidelijke categorisering
Minder complexiteit
Verbetering van de gegevenskwaliteit
Kansen voor het MKB
Contact
Gebruik onze technologieradar om de belangrijkste technologieën die van belang zijn voor kleine en middelgrote ondernemingen te blijven bekijken!