Machinaal leren
Maak big data beheersbaar!
Machinaal leren (ML) is een tak van kunstmatige intelligentie. Door patronen in bestaande databanken op te nemen, kunnen IT-systemen zelfstandig oplossingen voor problemen vinden.
De huidige status
Momenteel is een groot aantal uitvoerings- en ontwikkelingsprojecten voor machinaal leren te vinden. Met name de subcategorie deep learning brengt tal van nieuwe ontwikkelingen met zich mee, bijvoorbeeld op het gebied van gezichtsherkenning en spraakherkenning.
Als u uw eigen ontwikkelingsproject wilt starten, raden wij aan de programmeertaal Python te gebruiken. De open source beschikbaarheid van talrijke programmabibliotheken zoals TensorFlow van Google, scikit-learning of Theano maakt het mogelijk technieken voor machinaal leren snel te integreren en te gebruiken.
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 patroonherkenning aan als “machinaal leren als dienst” binnen hun platforms.
Technologie en gebruik
Beschrijving van de technologie
Naarmate de vierde industriële revolutie vordert, worden steeds meer bedrijfs- en procesgerelateerde gegevens verzameld. De evaluatie en beoordeling hiervan wordt dan ook steeds moeilijker voor mensen. Op basis van bestaande databanken wordt machinaal leren gebruikt om de regulaliteiten en patronen binnen de structuren in kaart te brengen en zo oplossingen en conclusies te kunnen ontwikkelen.
De subcategorie “deep leaning” beschrijft derhalve een methode voor het genereren van kunstmatige neurale netwerken. De thema’s zijn gemodelleerd op een menselijke hersenen wat hun functie en structuur betreft. Door grote datasets te lezen, kunnen belangrijke kenmerken automatisch worden geëxtraheerd en geclassificeerd. Intelligente evaluatie en voorspellingen zijn dan ook mogelijk.
Afbeelding: Gebaseerd op “Op weg naar gegevenswetenschap”
Mogelijke toepassingsscenario’s
Er zijn momenteel talrijke toepassingen op het gebied van machinaal leren. Machinaal leren kan worden gebruikt wanneer grote hoeveelheden gegevens moeten worden geanalyseerd en op patronen moeten worden gezocht.
In het dagelijks leven zijn de bekendste toepassingen waarschijnlijk de aanbevelingsdiensten van Amazon en Netflix, het sorteren van spame-mails, spraakherkenning (Siri, Cortana) of gezichtsherkenning (Facebook).
In de productieomgeving kan machinaal leren worden gebruikt op het gebied van kwaliteitsborging, klanttevredenheid, autonome systemen en voorspellend onderhoud.
Er zijn dus initiële toepassingsgebieden in de kantooromgeving. Met Chatbots kunt u bijvoorbeeld communiceren. U kunt vragen stellen en de nodige informatie, aanbevelingen voor actie of voorgestelde oplossingen ontvangen.
Stapsgewijze inleiding
STEP1 Definitie van het toepassingsscenario
Salarisstap 2: ML-kartering
Salarisstap 3: Verwerking van gegevens
Een cruciale stap is ervoor te zorgen dat de gegevensstructuur geschikt is. Registreert u momenteel de juiste gegevens/kenmerken?
Gegevensverkenning:
Maak op basis van uw ervaring een beoordeling van de gegevens om na te gaan of de gegevens op zodanige wijze zijn verwerkt dat ze kunnen worden geanalyseerd. Deze stap is van bijzonder belang om inzicht te krijgen in welke categorieën gegevens u moet invoeren en welke inputvariabelen nodig zijn voor de algoritmen. Zo nodig kunt u een eerste onderzoek uitvoeren om te bepalen welke wijzigingen het gevolg zijn van de variatie van individuele gegevens.
Salarisstap 4: Modellering
Salarisstap 5: Evaluatie
Toename van het gegevensvolume
Duidelijke categorisering
Minder complexiteit
Verbetering van de gegevenskwaliteit
Kansen voor het MKB
Contact opnemen
Houd met onze technologische radar de belangrijkste voor kmo’s relevante technologieën in de gaten!