Wat is machine learning?
Machine learning, definitie
Machine learning (ML) is een vorm van kunstmatige intelligentie (AI) die gericht is op het bouwen van systemen die van de verwerkte data kunnen leren of data gebruiken om beter te presteren. Kunstmatige intelligentie is een overkoepelende term voor systemen of machines die de menselijke intelligentie nabootsen. Ook al worden machine learning en AI vaak in één adem genoemd en worden de termen soms door elkaar gebruikt, ze betekenen niet hetzelfde. Een belangrijk verschil is dat terwijl machine learning altijd onder AI valt, AI niet altijd onder machine learning valt.
Tegenwoordig wordt machine learning overal om ons heen toegepast. Bij de communicatie met banken, het online winkelen of het gebruik van sociale media draagt machine learning ertoe bij dat onze ervaringen efficiënt, soepel en veilig verlopen. Machine learning en de technologie eromheen ontwikkelen zich snel, maar we beginnen pas net te begrijpen welke mogelijkheden ze allemaal te bieden hebben.
Soorten machine learning: twee manieren van leren
Algoritmen fungeren als de motor voor machine learning. Vandaag de dag worden globaal twee soorten algoritmen gebruikt voor machine learning: supervised learning en unsupervised learning (leren met en zonder toezicht). Het verschil tussen de twee soorten zit hem in de manier waarop data worden verwerkt om ervan te leren of er voorspellingen mee te maken.
| Supervised machine learning | Algoritmen voor supervised machine learning worden het vaakst gebruikt. Bij dit model fungeert een datawetenschapper als tussenpersoon die het algoritme 'leert' welke conclusies moeten worden getrokken. Net zoals een kind over verschillende soorten fruit leert door ze aangewezen te krijgen in een prentenboek, wordt het algoritme bij supervised learning 'getraind' aan de hand van een dataset die vooraf is gelabeld en een bekende output heeft. Voorbeelden van supervised machine learning zijn algoritmen voor lineaire en logistische regressie, multiclass-indelingen en support vector machines. |
| Unsupervised machine learning | Unsupervised machine learning verloopt op een meer onafhankelijke manier, waarbij een computer leert om complexe processen en patronen te identificeren zonder dat een mens direct en continu begeleiding biedt. Bij unsupervised machine learning vindt training plaats op basis van data die geen labels of een specifieke, vooraf gedefinieerde output hebben. Om bij de analogie van 'het lerende kind' te blijven, kan unsupervised machine learning worden vergeleken met een kind dat leert fruit te herkennen door kleuren en patronen te observeren, in plaats van de namen te onthouden die de begeleider voorzegt. Het kind zoekt naar overeenkomsten tussen afbeeldingen en wijst die toe aan verschillende groepen, waarbij elke groep een eigen nieuw label krijgt. Voorbeelden van algoritmen voor unsupervised machine learning zijn k-means-clustering, principal- en onafhankelijke componentanalyse en associatieregels. |
| Een methode kiezen | Welke methode sluit nu het beste aan op uw behoeften? De keuze voor een algoritme voor supervised of unsupervised machine learning is meestal afhankelijk van factoren die te maken hebben met de structuur en omvang van uw data, en het gebruiksscenario waarvoor u het wilt gebruiken. Machine learning neemt aan populariteit toe in verscheidene sectoren en biedt ondersteuning aan diverse bedrijfsdoelen en gebruiksscenario's, waaronder:
|
Machine learning en ontwikkelaars
Wanneer ze aan de slag gaan met machine learning, vertrouwen ontwikkelaars op hun kennis van statistieken, waarschijnlijkheid en rekenen om de meest succesvolle modellen te maken die in de loop van de tijd leren. Met hun scherpe vaardigheden op deze gebieden moeten ontwikkelaars zonder problemen de tools kunnen leren die veel andere ontwikkelaars gebruiken om moderne ML-algoritmen te trainen. Ontwikkelaars kunnen ook kiezen of hun algoritmen gebruikmaken van supervised of unsupervised machine learning. Een ontwikkelaar kan al in een vroeg stadium van een project beslissingen nemen en een model opzetten, en het model vervolgens laten leren zonder veel betrokkenheid van de ontwikkelaar.
Het onderscheid tussen ontwikkelaar en datawetenschapper is vaak vaag. Soms zullen ontwikkelaars data synthetiseren uit een machine learning-model, terwijl datawetenschappers bijdragen aan het ontwikkelen van oplossingen voor de eindgebruiker. Samenwerking tussen deze twee disciplines kan ML-projecten waardevoller en nuttiger maken.
Machine learning, bedrijfsdoel: waarde van klantlevensduur modelleren
Het modelleren van de levenslange klantwaarde is niet alleen voor e-commercebedrijven van belang, er zijn nog veel meer sectoren waar dit wordt toegepast. In dit type model wordt met machine learning-algoritmen geprobeerd de meest waardevolle klanten voor een bedrijf te identificeren, doorgronden en behouden. Via deze waardemodellen worden enorme hoeveelheden klantdata uitgezocht om de mensen die het meest uitgeven, de meest loyale voorstanders van een merk of combinaties van dit type kenmerken te kunnen vaststellen.
Modellen voor de levenslange klantwaarde zijn vooral effectief bij het voorspellen van de toekomstige omzet die een individuele klant in een bepaalde periode voor een bedrijf zal genereren. Met deze informatie zijn organisaties in staat om hun marketingactiviteiten specifiek te richten op klanten die veel waarde inbrengen om hen aan te moedigen vaker voor hun merk te kiezen. Modellen voor de levenslange klantwaarde helpen organisaties ook hun acquisitie-uitgaven gerichter af te stemmen op het aantrekken van nieuwe klanten die sterk lijken op deze bestaande 'waardegenererende' klanten.
Klantverloop modelleren via machine learning
Het werven van nieuwe klanten kost meer tijd en geld dan het tevreden stellen en behouden van bestaande klanten. Door het klantverloop te modelleren kunnen organisaties vaststellen welke klanten geneigd zijn het bedrijf de rug toe te keren, en waarom.
Een effectief verloopmodel maakt gebruik van machine learning-algoritmen om inzicht te geven in allerlei zaken, van risicoscores voor het afhaken van individuele klanten tot de veroorzakers van het klantverloop, op volgorde van importantie. Deze outputs zijn essentieel voor het ontwikkelen van een algoritmische retentiestrategie.
Door meer inzicht te krijgen in het klantverloop kunnen bedrijven kortingsacties, e-mailcampagnes en andere gerichte marketinginitiatieven beter toespitsen zodat hun waardevolle klanten bij hen willen kopen en dit blijven doen.
Consumenten hebben tegenwoordig meer keuze dan ooit, waarbij ze prijzen binnen een mum van tijd via een groot aantal kanalen kunnen vergelijken. Dankzij dynamische prijsbepaling, ook wel vraagprijsbepaling genoemd, zijn bedrijven in staat gelijke tred te houden met de snel veranderende markt. Het stelt bedrijven in staat om artikelen flexibel te prijzen op basis van factoren zoals de mate waarin een bepaalde klant geïnteresseerd is, de vraag op het moment van aankoop en of de klant via een marketingcampagne is binnengekomen.
Om zo flexibel te kunnen zijn, heeft een bedrijf een sterke machine learning-strategie nodig en een hele hoop data over de manier waarop de betalingsbereidheid van klanten voor een artikel of service verandert in uiteenlopende situaties. Hoewel dynamische prijsmodellen complex kunnen zijn, hebben bedrijven zoals luchtvaartmaatschappijen en gedeelde-taxidiensten dynamische strategieën voor prijsoptimalisatie met succes ingezet om hun omzet te maximaliseren.
Machine learning, bedrijfsdoel: klanten benaderen met klantsegmentatie
Bij een succesvolle marketing gaat het er altijd om het juiste product aan te bieden, aan de juiste persoon, op het juiste moment. Tot voor kort gingen marketeers vooral op hun eigen intuïtie af bij klantensegmentatie, waarbij ze klanten voor gerichte campagnes in groepen indeelden.
Tegenwoordig kunnen datawetenschappers dankzij machine learning clustering- en classificatie-algoritmen gebruiken om klanten op basis van specifieke verschillen in persona's in te delen. Bij deze verdeling wordt rekening gehouden met verschillen tussen klanten op meerdere vlakken, zoals demografie, online zoekgedrag en affiniteit. Door deze eigenschappen te koppelen aan patronen in koopgedrag kunnen bedrijven slim gebruikmaken van hun data en uiterst gepersonaliseerde marketingcampagnes opzetten die de verkoop op veel effectievere wijze stimuleren dan gegeneraliseerde campagnes dat zouden doen.
Met de steeds grotere hoeveelheden data waarover bedrijven beschikken en de steeds geavanceerder wordende algoritmen nemen ook de mogelijkheden voor personalisatie toe. Bedrijven hebben hierdoor het ideale, eenduidige klantsegment nu binnen handbereik.
Machine learning, bedrijfsdoel: de kracht van beeldclassificatie benutten
Machine learning kan behalve in de retail, financiële dienstverlening en e-commerce in diverse andere gebruiksscenario's worden toegepast. Maar ook voor toepassing in de wetenschap, de gezondheidszorg, de bouw of de energiesector biedt machine learning geweldige mogelijkheden. Zo worden machine learning-algoritmen bij beeldclassificatie bijvoorbeeld ingezet om aan elke beeldopname een label toe te wijzen uit een bepaalde reeks categorieën. Hierdoor zijn bedrijven bijvoorbeeld in staat om 3D-bouwplannen te creëren op basis van een 2D-ontwerp, het taggen van foto's op sociale media mogelijk te maken of beter onderbouwde medische diagnoses te stellen.
Deep learning-methoden, zoals methoden waarbij het neurale stelsel wordt nagebootst, worden vaak gebruikt voor beeldclassificatie omdat hiermee het meest effectief de relevante kenmerken van een beeld in aanwezigheid van mogelijke complicaties kunnen worden geïdentificeerd. Zo kunnen bij deze methoden variaties in het gezichtspunt, de belichting, de schaal of de omvang van een massa op het beeld worden meegenomen, waarbij deze afwijkingen zo kunnen worden aangepast dat het de meest relevante en kwalitatief beste informatie oplevert.
Aanbevelingsengines
Aanbevelingsengines zijn onmisbaar bij cross-selling- en up-selling-activiteiten voor consumenten en om klanten een betere ervaring te kunnen bieden.
Netflix schat de waarde van haar aanbevelingsengine die kijktips geeft in op 1 miljard dollar per jaar en Amazon geeft aan dat ze met hun systeem de jaarlijkse omzet met 20 tot 35 procent verhogen.
Aanbevelingsengines gebruiken machine learning-algoritmen om grote hoeveelheden data te doorzoeken zodat kan worden voorspeld hoe waarschijnlijk het is dat een klant een artikel aanschaft of aangeboden content tot zich neemt, om de gebruiker vervolgens advies op maat te geven. Het resultaat is een persoonlijkere, relevante ervaring die een betere betrokkenheid bevordert en het verloop vermindert.
Machine learning, praktische toepassingen
Machine learning biedt tal van belangrijke zakelijke gebruiksscenario's. Maar hoe levert het een concurrentievoordeel op? Een van de meest aantrekkelijke eigenschappen van machine learning is het vermogen om het besluitvormingsproces te automatiseren en verkorten, en sneller waarde te creëren. Dit begint bij een betere zichtbaarheid van het bedrijf en het verbeteren van de samenwerking.
"In het verleden zagen we dat mensen niet in staat waren om samen te werken", zegt Rich Clayton, vice-president productstrategie voor Oracle Analytics. "Door machine learning toe te voegen aan Oracle Analytics Cloud kunnen mensen hun werkzaamheden nu beter organiseren en is het mogelijk om deze datamodellen te ontwikkelen, aan te leren en te implementeren. Het is een tool voor samenwerking met als meerwaarde dat processen sneller gaan en verschillende afdelingen kunnen samenwerken zodat de prestaties verbeteren en u betere modellen krijgt om te implementeren."
Zo wordt bijvoorbeeld de afdeling Finance vaak en herhaaldelijk belast met steeds hetzelfde proces voor het doen van variantieanalyses, waarbij prognoses worden vergeleken met het daadwerkelijke resultaat. Dit is een toepassing die weinig cognitief vermogen vereist en veel baat kan hebben bij machine learning.
"Door machine learning te integreren, kan Finance sneller en slimmer werken, en voortbouwen op wat de tool heeft afgeleverd", zegt Clayton.
De kracht van voorspellingen
Een andere indrukwekkende functie van machine learning is het voorspellende vermogen. Vroeger werden zakelijke beslissingen vaak genomen op basis van resultaten uit het verleden. Tegenwoordig worden met machine learning voorspellingen gedaan op basis van veelzijdige analyses. Organisaties maken nu proactieve, op de toekomst gerichte beslissingen en zijn niet meer afhankelijk van data uit het verleden.
Neem het voorspellen van onderhoud als voorbeeld. Fabrikanten, energiebedrijven en andere soorten bedrijven weten dankzij deze functie vaker het initiatief te nemen en hun bedrijfsprocessen betrouwbaar en geoptimaliseerd te houden. In een olieveld met honderden actieve boorplatforms kunnen met machine learning-modellen apparaten worden opgespoord die in de nabije toekomst een verhoogde kans op een defect hebben. Onderhoudsteams kunnen hiervan dan tijdig op de hoogte worden gebracht. Deze aanpak leidt niet alleen tot een maximale productiviteit, maar verhoogt ook de prestaties, uptime en levensduur. Ook worden hiermee de risico's voor werknemers sterk omlaag gebracht, neemt de aansprakelijkheidsdekking af en kan wetgeving beter worden nageleefd.
Voorspellingen voor onderhoud zijn daarnaast van nut bij het toezicht houden op en beheren van de voorraden. Door voorspellingen voor onderhoud in te voeren en daarmee ongeplande stilstand van apparatuur te voorkomen, kunnen organisaties nauwkeuriger de behoefte aan reserveonderdelen en reparaties voorspellen, waardoor de kapitaal- en bedrijfskosten aanzienlijk worden verlaagd.
Machine learning, potentieel
Machine learning biedt organisaties een uitgelezen kans om de schat aan data die tegenwoordig beschikbaar is om te zetten naar bedrijfswaarde. Inefficiënte workflows kunnen er echter toe leiden dat bedrijven niet het maximale uit machine learning weten te halen.
Om als onderneming te kunnen slagen, moet machine learning deel uitmaken van een uitgebreid platform waarop de onderneming haar bedrijfsprocessen kan vereenvoudigen en modellen op grote schaal kan inzetten. Met de juiste oplossing beheert een bedrijf al zijn data science-activiteiten centraal op één samenwerkingsplatform en kan het open-source tools, frameworks en infrastructuur versneld in gebruik nemen en beheren.