Computers die zichzelf verbeteren zonder dat een programmeur ze stap voor stap vertelt wat ze moeten doen: dat is de kern van machine learning. Het is een tak van kunstmatige intelligentie waarbij een computer leert van data, patronen herkent en steeds beter wordt in een taak door ervaring.
Hoe werkt machine learning precies?
Bij traditioneel programmeren geeft een ontwikkelaar de computer vaste regels mee. De computer volgt die regels op en geeft een uitkomst. Bij machine learning werkt dat anders. Je geeft het systeem grote hoeveelheden voorbeelddata, en het systeem ontdekt zelf de regels en patronen die daarin zitten.
Stel dat je een computer wilt leren wat een spam-e-mail is. In plaats van handmatig alle kenmerken van spam op te schrijven, geef je het systeem duizenden voorbeelden van spam én normale e-mails. Het systeem analyseert die voorbeelden, leert wat spam onderscheidt van gewone berichten, en past die kennis daarna toe op nieuwe e-mails die het nog nooit heeft gezien.
Wat is het verschil tussen machine learning en AI?
Kunstmatige intelligentie, ook wel AI genoemd, is het brede vakgebied waarbij computers taken uitvoeren die normaal menselijke intelligentie vragen. Machine learning is daar een onderdeel van. Je kunt het zien als een cirkel binnen een grotere cirkel: alle machine learning is AI, maar niet alle AI is machine learning.
Binnen machine learning bestaat ook nog een verdere opdeling. Deep learning is een specifieke vorm van machine learning waarbij het systeem werkt met zogenoemde neurale netwerken, geïnspireerd op de manier waarop het menselijke brein informatie verwerkt. Die techniek wordt gebruikt voor complexe taken zoals spraakherkenning en het herkennen van afbeeldingen.
De drie manieren waarop een systeem leert
Er zijn drie veelgebruikte vormen van leren binnen machine learning. Elke aanpak past bij een ander soort probleem.
- Supervised learning (leren met voorbeelden): het systeem krijgt gelabelde data. Dat betekent dat elk voorbeeld al een correct antwoord heeft. De computer leert van die antwoorden en past die kennis later toe. Denk aan het herkennen van foto’s van katten versus honden, waarbij je al hebt aangegeven welke foto bij welk dier hoort.
- Unsupervised learning (leren zonder antwoordsleutel): het systeem krijgt data zonder labels en zoekt zelf naar structuur en groepen. Dit wordt bijvoorbeeld gebruikt om klantgroepen te ontdekken op basis van koopgedrag.
- Reinforcement learning (leren door beloning): het systeem leert door te proberen en te falen. Het krijgt een beloning als het iets goed doet, en een straf als het fout gaat. Zo leert het stap voor stap de beste aanpak. Dit is de techniek waarmee computerprogramma’s schaak en andere spellen op hoog niveau leren spelen.
Waar kom je machine learning in het dagelijks leven tegen?
Machine learning zit in veel meer producten en diensten dan je misschien denkt. Een paar voorbeelden uit het dagelijks leven:
- Je streamingdienst raadt films en series aan op basis van wat je eerder hebt gekeken.
- Je bank detecteert automatisch verdachte transacties door afwijkend betaalgedrag te herkennen.
- Zoekmachines begrijpen wat je bedoelt, ook als je een typefout maakt of een zin anders formuleert.
- Navigatie-apps berekenen de snelste route op basis van actuele verkeersgegevens.
- Spraakassistenten zoals Siri of Google Assistant begrijpen gesproken taal dankzij machine learning.
Al deze systemen hebben één ding gemeen: ze worden beter naarmate ze meer data verwerken en meer ervaring opdoen.
Waarom is machine learning zo belangrijk geworden?
De opkomst van machine learning heeft alles te maken met drie ontwikkelingen die tegelijk plaatsvonden. Ten eerste is er veel meer data beschikbaar dan vroeger, door het gebruik van internet, smartphones en sensoren. Ten tweede is rekenkracht goedkoper en toegankelijker geworden. En ten derde zijn de algoritmen zelf sterk verbeterd.
Door die combinatie kunnen systemen nu taken uitvoeren waarvoor vroeger uitsluitend mensen nodig waren. Denk aan het lezen van een röntgenfoto, het vertalen van teksten of het beoordelen van een kredietaanvraag. Dat maakt machine learning interessant voor bijna elke sector, van de gezondheidszorg tot de logistiek.
Machine learning in de praktijk gebruiken
Wil je als bedrijf of ontwikkelaar aan de slag met machine learning, dan zijn er een aantal stappen die je doorloopt.
- Definieer het probleem: wat wil je precies voorspellen of automatiseren?
- Verzamel data: je hebt voldoende en betrouwbare data nodig om een model te trainen.
- Kies een aanpak: bepaal welke vorm van machine learning past bij jouw probleem.
- Train het model: laat het systeem leren van de data die je hebt verzameld.
- Test en evalueer: controleer hoe goed het model presteert op nieuwe, onbekende data.
- Verbeter en herhaal: machine learning is geen eenmalig proces. Door meer data en betere modellen blijft het systeem verbeteren.
Machine learning is geen magie, maar een slimme manier om computers van ervaring te laten leren. Nu data en rekenkracht breed beschikbaar zijn, speelt deze technologie een grotere rol dan ooit in hoe software werkt en beslissingen worden genomen.
Veelgestelde vragen
Is machine learning hetzelfde als artificial intelligence?
Machine learning en artificial intelligence zijn niet hetzelfde, maar wel nauw verwant. AI is het overkoepelende vakgebied waarbij computers menselijke taken imiteren. Machine learning is een onderdeel van AI, gericht op systemen die leren van data zonder dat je ze voor elke situatie apart programmeert.
Heb je programmeerkennis nodig om met machine learning te werken?
Voor het bouwen van machine learning-modellen is programmeerkennis handig, maar niet altijd verplicht. Er zijn platforms en tools beschikbaar die het toegankelijker maken voor mensen zonder technische achtergrond. Voor geavanceerde toepassingen is kennis van statistiek en programmeren wel een groot voordeel.
Wat is het verschil tussen machine learning en deep learning?
Deep learning is een specifieke vorm van machine learning. Het maakt gebruik van neurale netwerken met meerdere lagen, geïnspireerd op het menselijk brein. Deep learning is bijzonder krachtig voor complexe taken zoals beeldherkenning en spraakverwerking, maar heeft wel veel meer data en rekenkracht nodig dan andere vormen van machine learning.
Kan een machine learning-model ook fouten maken?
Ja, machine learning-modellen kunnen zeker fouten maken. De kwaliteit van een model hangt sterk af van de data waarop het is getraind. Als die data onvolledig, eenzijdig of foutief is, neemt het model die fouten over. Daarom is het testen en bijsturen van modellen een doorlopend onderdeel van het proces.