Machine learning

Nuttige dingen doen met data.

Op een vergelijkbare manier kun je algoritmes bedenken die mensen helpen om producten te kopen. Of om spamberichten tegen te houden. Dat heet dan: machine learning.

Hoe dat precies werkt?

De experts leggen het uit.

In deze video kwamen drie soorten machine learning aan bod

Klik op de begrippen voor een korte samenvatting.

Supervised learning

Deze vorm van leren is 'gecontroleerd', omdat mensen aan de computer voorbeelden laat zien. Heeft een systeem bijvoorbeeld als taak om honden van katten te onderscheiden, dan laten mensen eerst veel verschillende voorbeelden zien van zowel honden als katten. Het systeem gaat vervolgens aan de slag en formuleert regels om vast te stellen waarom een afbeelding een hond of een kat laat zien. Door middel van oefening en het ontvangen van feedback scherpt het systeem de regels steeds verder aan.

Reinforcement learning

Anders dan bij supervised learning, ontvangt het systeem bij reinforcement learning pas feedback nadat de taak helemaal is uitgevoerd. Het systeem bepaalt eerst of de afbeelding een hond of een kat laat zien, daarna krijgt het feedback of deze keuze juist was.

Unsupervised learning

Bij unsupervised learning gaat een systeem zelf op zoek naar patronen in data. Dit is een ongecontroleerde manier van leren waarbij er niet wordt gestuurd door middel van juiste voorbeelden. Tijdens het leren verdeelt het systeem de honden en katten zelf in categorieën.

Oké, ben je klaar om dieper in machine learning te duiken?

We laten reinforcement learning even buiten beschouwing. Daarvoor in de plaats kijken we naar praktische toepassingen van supervised en unsupervised learning.

Een voorbeeld van supervised learning is classificatie, oftewel: in groepen indelen.

Ook dankzij deze methode wordt jouw leven een stuk makkelijker gemaakt. Een voorbeeld hiervan is een spamfilter. Dankzij dit systeem hoef je niet zelf alle spam uit je inbox te verwijderen, maar wordt dat voor je gedaan.

Achter dit systeem schuilt een algoritme dat door middel van machine learning steeds beter wordt.

Stel je eens voor dat je het algoritme van een spamfilter gaat schrijven. Bij welke van de volgende woorden gaan er bij jou alarmbellen rinkelen? Oftewel: hoe groot schat je de kans dat e-mails met de volgende woorden spam zijn?

Wat je net op je onderbuikgevoel deed, doet een spamfilter op basis van data.

Iedere keer maakt een spamfilter de afweging: is de kans groter dat het spam of geen spam is? Dat doet het systeem door e-mails die als spam gemarkeerd zijn te vergelijken met de binnenkomende e-mails. Helaas worden oplichters ook steeds slimmer en wordt het steeds moeilijk om het verschil te zien.

En dan nu: unsupervised learning.

Hier gaat het computermodel ook groepjes maken, maar zonder dat we 'labels' geven. Het model vormt ze zelf op basis van patronen in de data. Dit heet clusteren en kom je vooral tegen bij suggesties welke instagram-account of welk Youtube-filmpje óók interessant voor jou kan zijn.

”Mensen die dit luisterden, luisteren ook naar ...”

Rianne van den Berg over het verschil tussen supervised en unsupervised.

Maar hoe maken bedrijven zoals Netflix deze aanbevelingen eigenlijk?

(Bekijk de animatie over Netflix)

Die aanbevelingen van Netflix zijn natuurlijk wel handig.

Zo hoef je niet zelf eeuwenlang te scrollen op zoek naar een leuke film of serie.

Maar let op, zulke systemen kunnen ook eenheidsworst creëren. Als je drie keer achter elkaar een romantische film hebt gekeken, raadt Netflix je niet gauw een documentaire over de Tweede Wereldoorlog aan. Hierdoor krijg je alleen informatie voorgeschoteld die past bij jouw voorkeuren.

“Maar is het dan zo erg dat Netflix gepersonaliseerde aanraders geeft?”

Misschien niet, maar hetzelfde mechanisme wordt gebruikt op Facebook en nieuwssites. Je ziet alleen nog informatie die overeenkomt met jouw persoonlijke voorkeuren en standpunten, waardoor je een heel eenzijdig beeld te zien krijgt…

Dit wordt ook wel een filterbubbel of echoput genoemd.

Dat door machine learning algoritmen steeds beter worden.
Dat AI-systemen kunnen leren op verschillende manieren, zoals supervised en unsupervised learning.
Dat zulke systemen de basis vormen voor onder meer spam-filters en aanbevelingen.
Dat ze ook kunnen leiden tot filterbubbels (echoputten).

De ontwikkelingen in AI beloven veel voor de toekomst.

Tot nu toe hebben we vooral gekeken naar relatief overzichtelijke data, zoals surfgedrag of online aankopen. Maar hoe zit het met grote hoeveelheden ongestructureerde data, zoals foto's en video's? Daarvoor heb je deep learning nodig! En daarover gaat het in de volgende track.