Wat is machine learning

Waarom is machine learning belangrijk?

Machine learning neemt ons veel werk uit handen, omdat het op grote schaal gegevens en data kan analyseren en verbeteren. Bedrijven en wetenschappers die afhankelijk zijn van grote hoeveelheden data – en een systeem nodig hebben om deze efficiënt en accuraat te analyseren – maken gebruik van machine learning als de beste manier om modellen te bouwen, strategieën uit te stippelen en plannen te maken.

Wie gebruikt machine learning

Machine learning wordt gebruikt in internetzoekmachines, e-mailfilters om spam te sorteren, websites om gepersonaliseerde aanbevelingen te doen, banksoftware om ongebruikelijke transacties te detecteren en veel apps op onze telefoons, zoals spraakherkenning. Bedrijven en instanties die gebruikmaken van machine learning zijn bijvoorbeeld financiële dienstverleners, overheden, ziekenhuizen en de retail-, transport en olie- en gasindustrie.

Hoe werkt machine learning?

Machine learning is een vorm van kunstmatige intelligentie (AI) die computers leert te denken op een manier die vergelijkbaar is met hoe mensen denken: door van ervaringen te leren en zichzelf te verbeteren. Een computer doet dit door gegevens te analyseren en met behulp van wiskundige berekeningen patronen te identificeren. Het vereist minimale menselijke tussenkomst.

Bijna elke taak die kan worden uitgevoerd met een door gegevens gedefinieerd patroon of een reeks regels kan worden geautomatiseerd met machine learning. Dit stelt bedrijven in staat processen te transformeren die eerder alleen door mensen konden worden uitgevoerd, zoals het beantwoorden van telefoontjes van de klantenservice en het bijhouden van boekhoudingen. Commerciële bedrijven gebruiken machine learning ook voor het marketen van hun producten. Omdat machine learning-software zo goed als zelfstandig functioneert, kan deze technologie ons veel werk uit handen nemen.

Verschillende toepassingen van machine learning

Dit zijn een aantal voorbeelden van hoe machine learning in ons dagelijks leven wordt toegepast:

• Aanbevolen video’s op streamingplatforms. Streamingdiensten analyseren wat je kijkt en suggereren soortgelijke video’s, waardoor ze hopen dat je op hun website blijft.
• De autocorrectiefunctie. Veel verschillende applicaties en apparaten bieden een autocorrectiefunctie, die analyseert wat je typt en correcties voorstelt.
• Fraudedetectie bij online bankieren. Machine learning kan fraude detecteren en identiteitsfraude voorkomen. Wanneer er een verdachte activiteit wordt gedetecteerd, kunnen banken rekeningen bevriezen. Dit doen ze bijvoorbeeld als je via een ander land op je rekening inlogt of aankopen doet die de bank als verdacht aanmerkt.
• Chatbots, zoals ChatGPT, DeepSeek en Meta AI gebruiken machine learning om gesprekken te begrijpen, antwoorden te genereren op basis van eerdere interacties, en te leren van nieuwe gegevens om gebruikers beter van dienst te zijn.
• Virtuele persoonlijke assistenten. Virtuele assistenten zoals Siri of Alexa analyseren de informatie waarmee gebruikers ze voeden, vergelijken deze met eerdere gegevens en voeren verschillende taken uit.
• Routeplanners. Google Maps, Waze en andere vergelijkbare apps analyseren verkeersgegevens en stellen de snelste route voor.
• Voorgestelde vrienden op sociale netwerken. Het algoritme analyseert je locatie, vrienden, interesses, leeftijd en meer en toont je een lijst aan de hand hiervan een lijst met mensen die je mogelijk toe wilt voegen.
• Spamfilters. Kunstmatige intelligentie wordt ook veel in cybersecurity toegepast. Door machine learning-software met voorbeelden van spam of phishing-e-mails te voeden, kan dit voorkomen dat deze e-mails je inbox bereiken.
• Gezichtsherkenning. Machine learning kan biometrische gegevens analyseren en mensen identificeren door hun gezichten in een database te vergelijken.

Soorten machine learning

Elk machine learning-model maakt gebruikt van leren en zelfcorrectie wanneer het met nieuwe gegevens gevoed wordt. We onderscheiden verschillende types:

Supervised learning

Bij supervised learning wordt een algoritme met bepaalde gegevens gevoed, zodat het aan de hand hiervan voorspellingen kan doen. Hiervoor is menselijke input nodig. Het algoritme leert door gegevens te analyseren en patronen te ontdekken.

Unsupervised learning

Unsupervised learning-algoritmen hebben geen menselijke tussenkomst nodig omdat ze zelf patronen in data kunnen vinden. Dit vermogen stelt hen in staat om complexere en veelzijdigere taken uit te voeren dan supervised learning. Deze algoritmen zijn echter wel minder nauwkeurig.

Semi-supervised learning

Zoals de naam al doet vermoeden, zit semi-supervised learning tussen supervised en unsupervised learning in. Het maakt gebruik van gelabelde en niet-gelabelde gegevens, zodat een model kan leren en voorspellingen kan doen.

Semi-supervised learning wordt vaak gebruikt wanneer er niet genoeg gegevens zijn om een algoritme te laten leren. Dit gebrek aan gegevens kan wel tot minder betrouwbare resultaten leiden.

Reinforcement learning

Bij reinforcement learning wordt een computermodel beloont of gestraft op basis van zijn acties. Het model moet er zelf achter komen hoe het meer beloningen kan krijgen en zijn taken kan vervullen. Reinforcement learning-algoritmen lossen complexe problemen op en worden niet voor eenvoudige taken gebruikt. Door verschillende methoden uit te proberen om een probleem op te lossen, vindt een model er uiteindelijk een die zijn beloning maximaliseert

Machine learning vs. deep learning vs. kunstmatige intelligentie (AI)

Hoewel de termen machine learning en AI (kunstmatige intelligentie) vaak door elkaar worden gebruikt, zijn het geen synoniemen. AI is een concept dat machines definieert die een menselijke manier van denken en gedrag kunnen simuleren. Machine learning is een subset van AI waarmee machines verschillende patronen kunnen leren en problemen kunnen oplossen.

Deep learning probeert het netwerk van menselijke neuronen na te bootsen, waardoor het een zeer geavanceerd systeem is dat zelf beslissingen kan nemen. Deep learning is een subset van machine learning, maar wordt als geavanceerder beschouwd.

Voor machine learning is menselijke tussenkomst nodig, terwijl deep learning de resultaten zelf kan evalueren en beslissen of ze goed zijn. Omdat deep learning van haar eigen fouten kan leren, wordt het vaak vergeleken met het menselijk brein.

Ethische uitdagingen van machine learning

De ethische kwesties rond machine learning betreffen niet zozeer de algoritmen voor machinaal leren zelf, als de manier waarop de gegevens worden gebruikt.

Surveillance

Hoewel machine learning de gebruikerservaring kan verbeteren, kan het ook worden gebruikt voor controversiële doeleinden, zoals surveillance. Veel steden gebruiken gezichtsherkenningssoftware om openbare ruimtes te bewaken en criminelen te identificeren en de techniek wordt gebruikt voor de verbetering van biometrische systemen met biometrische gegevens.

Gebrek aan transparantie

AI mist nog steeds degelijke regelgeving en internationale wetten. We weten niet zeker hoe AI-technologieën worden gebruikt en wie onze privégegevens verzamelt. Misschien wordt het zelfs voor slechte doeleinden gebruikt.

Oneerlijke machtsverdeling

Grote bedrijven hebben meer middelen om AI machine learning toe te passen en hun concurrenten uit de markt te duwen. Experts zijn het erover eens dat bedrijven die AI-technologie bezitten anderen een grote stap voor.

Privacy

Bedrijven verzamelen veel gegevens over ons, van ons surfgedrag tot onze locatie. Hoewel ze beweren dat deze informatie nodig is om gebruikers de best mogelijke ervaring te bieden, roept het ook ethische dilemma’s op. We weten niet zeker hoe onze gegevens worden opgeslagen en wie er toegang tot heeft. Aangezien datalekken elke dag plaatsvinden, maakt het verzamelen en bewaren van gegevens ons kwetsbaar.