Machine learning is een relatief nieuwe innovatie die niet alleen tal van industriële en zakelijke processen optimaliseert, maar ook ons dagelijks leven een stuk makkelijker maakt. Deze vorm van kunstmatige intelligentie (AI) is gericht op het bouwen van computersystemen die van informatie in een database kunnen leren, waarbij gebruik wordt gemaakt van statistische technieken.
Computersystemen waarin machine learning is geïntegreerd, kunnen van alles doen met je klantdata. Zo’n systeem werkt op basis van geprogrammeerde code, maar kan zich tegelijkertijd ook aanpassen aan veranderingen of nieuwe omstandigheden. Algoritmen passen zich aan data aan en ontwikkelen gedrag dat niet vooraf is geprogrammeerd.
Als een systeem leert om context te herkennen, kan het bijvoorbeeld e-mails scannen en daar alle essentiële informatie uit halen. Inherent aan dit lerende aspect is het vermogen om klantgedrag te voorspellen. Daardoor weet je beter waar je klanten behoefte aan hebben en kun je je proactief opstellen.
Machine learning wordt nu al binnen een groot aantal sectoren ingezet, en de mogelijkheden van deze technologie nemen alleen maar toe. Hieronder volgen zes praktijkvoorbeelden van hoe machine learning momenteel wordt ingezet.
1. Beeldherkenning
Beeldherkenning is een van de bekendste voorbeelden van machine learning. Deze technologie kan een voorwerp in een digitaal beeld herkennen op basis van de intensiteit van de pixels, en dit werkt zowel in zwart-wit als in kleur.
Praktijkvoorbeelden van beeldherkenning:
- Een röntgenfoto op tumoren scannen
- Een naam aan een gezicht op een foto koppelen (op social media heet dit ’taggen’)
- Handgeschreven tekst herkennen door de afzonderlijke letters in kleinere afbeeldingen te segmenteren
Machine learning wordt ook al veelvuldig gebruikt om gezichten op een foto te herkennen. Daarvoor zoekt het systeem naar specifieke gelaatstrekken en vergelijkt die met de gezichten in een gekoppelde database. De politie maakt hier bijvoorbeeld gebruik van.
2. Spraakherkenning
Machine learning kan spraak naar tekst omzetten. Bepaalde softwareapplicaties kunnen zowel live uitgesproken als opgenomen spraakfragmenten omzetten naar een tekstbestand. Soms wordt de spraak ook in kleinere segmenten opgedeeld door naar de intensiteit op tijd-frequentiebanden te kijken.
Praktijkvoorbeelden van spraakherkenning:
- Gesproken zoekopdracht
- Gesproken opdracht om iemand te bellen
- Gesproken bediening van een apparaat
De Google Home en Alexa van Amazon zijn bekende voorbeelden van apparatuur met spraakherkenningssoftware.
3. Medische diagnostiek
Machine learning kan een rol spelen bij het stellen van een diagnose. Zo gebruiken artsen vaak een chatbot met spraakherkenning om patronen in symptomen op te sporen.
Praktijkvoorbeelden van medische diagnostiek:
- Hulp bij het formuleren van een diagnose of aanbeveling van een behandeling
- Herkennen van tumorweefsel (op de afdelingen oncologie en pathologie)
- Analyse van lichaamsvloeistoffen
Met gezichtsherkenning en machine learning kunnen ook zeldzame aandoeningen worden opgespoord. Daarvoor worden foto’s van patiënten gescand op fenotypen die samenhangen met zeldzame genetische afwijkingen.
4. Statistische arbitrage
Arbitrage is een geautomatiseerde handelsstrategie en wordt in de financiële sector ingezet voor het beheer van grote hoeveelheden effecten. Hierbij wordt een set effecten geanalyseerd met behulp van een handelsalgoritme dat gebruikmaakt van economische variabelen en correlaties.
Praktijkvoorbeelden van statistische arbitrage:
- Handelsalgoritme dat de microstructuur van een markt analyseert
- Analyse van grote datasets
- In realtime arbitrage-opportunities opsporen
Machine learning optimaliseert de arbitragestrategie om betere resultaten te bereiken.
5. Predictive analytics
Machine learning kan beschikbare data in groepen classificeren, die vervolgens worden gedefinieerd op basis van regels die een analist instelt. Als de data eenmaal zijn geclassificeerd, kan de analist de waarschijnlijkheid van een fout berekenen.
Praktijkvoorbeelden van predictive analytics:
- Voorspellen of een transactie bonafide of malafide is
- Verbeteren van voorspellende systemen die de kans op fouten berekenen
Predictive analytics is een van de meest veelbelovende voorbeelden van machine learning. Deze technologie is voor van alles en nog wat inzetbaar, van productontwikkeling tot het vaststellen van huizenprijzen.
6. Extractie
Machine learning kan gestructureerde informatie extraheren uit ongestructureerde data. Bedrijven verzamelen grote hoeveelheden data over hun klanten. Een machine learning-algoritme automatiseert de annotatie van datasets, zodat tools voor predictive analytics daarmee uit de voeten kunnen.
Praktijkvoorbeelden van extractie:
- Een model genereren voor het voorspellen van aandoeningen van de stembanden
- Methodes ontwikkelen voor het diagnosticeren, behandelen en voorkomen van aandoeningen
- Artsen in staat stellen om snel een diagnose te stellen en de aandoening te behandelen
Dit soort processen kosten doorgaans veel tijd en zijn vrij saai, maar machine learning biedt uitkomst. Daarmee kun je uit miljoenen voorbeelddata bruikbare informatie extraheren.
De toekomst
Machine learning is een interessante vorm van kunstmatige intelligentie. Ondanks dat deze technologie nog in de kinderschoenen staat, heeft die ons dagelijks leven toch al een stuk makkelijker gemaakt. Een technologie met veel potentie dus.
Wil je machine learning in je eigen bedrijf toepassen, bijvoorbeeld om je klanten op een persoonlijke manier van dienst te zijn? Kijk dan eens naar de Personalisation Builder. Met behulp van predictive analytics en predictive modeling kun je de voorkeuren van al je klanten leren kennen!
Personalization Builder
Met behulp van predictive analytics en predictive modeling kun je de voorkeuren van al je klanten leren kennen en ze automatisch heel gerichte content aanbieden, zowel per e-mail als online.
