Wat is machine learning

Machine learning is een manier om computermodellen patronen uit voorbeelden te laten afleiden. In plaats van voor iedere mogelijke situatie afzonderlijk een regel te schrijven, wordt een model opgebouwd met gegevens. Daarna kan het bij nieuwe invoer een voorspelling of indeling voorstellen. Het woord leren klinkt menselijk, maar het gaat om een technisch proces met een gekozen taak, beschikbare voorbeelden en een manier om resultaten te beoordelen.

Een eenvoudig voorbeeld

Stel dat je afbeeldingen van bladeren wilt indelen bij verschillende plantensoorten. Je verzamelt voorbeelden waarvan de soort bekend is en gebruikt die om een model op te bouwen. Bij een nieuwe afbeelding doet het model een voorstel. De bruikbaarheid hangt onder meer af van de voorbeelden en van de omstandigheden waarin nieuwe foto’s worden gemaakt.

Als de oefenfoto’s steeds een witte achtergrond hebben, weet je nog niet hoe goed de toepassing werkt op bladeren tussen andere planten. Een hoge score op vergelijkbare oefenbeelden is daarom geen volledige beoordeling. Je moet testen met materiaal dat past bij het werkelijke gebruik. Dat maakt duidelijk waarom de selectie van gegevens zo belangrijk is.

Kenmerken en gewenste uitkomsten

De informatie die een model ontvangt, wordt vaak beschreven als kenmerken. Bij een tabel kunnen dat meetwaarden zijn. Bij een afbeelding zijn het gegevens die het beeld vertegenwoordigen. Als bij ieder voorbeeld ook het gewenste antwoord bekend is, spreek je van gelabelde gegevens. Het model probeert een verband te vinden tussen de kenmerken en dat antwoord.

Niet ieder verband is inhoudelijk zinvol. Misschien verschillen de achtergronden toevallig per plantensoort en gebruikt het model vooral dat verschil. Het kan dan goed lijken te werken zonder het bedoelde patroon te herkennen. Bekijk daarom welke omstandigheden in de gegevens samen voorkomen en onderzoek of de toepassing ook buiten die toevallige combinatie bruikbaar blijft.

Trainen en gebruiken zijn verschillende stappen

Tijdens het trainen worden instellingen van het model aangepast op basis van de voorbeelden en het leerdoel. Tijdens gebruik wordt nieuwe invoer verwerkt met het opgebouwde model. Dat betekent niet dat iedere voorspelling het model automatisch verandert. Of en wanneer opnieuw wordt getraind, is een keuze in de toepassing en het beheer ervan.

Die scheiding helpt om veranderingen te begrijpen. Als resultaten later tegenvallen, kan de invoer veranderd zijn terwijl het model gelijk bleef. Misschien worden foto’s met andere camera’s gemaakt of komen nieuwe plantensoorten voor. Een toepassing vraagt daarom aandacht na de eerste oplevering. Het eerdere testresultaat beschrijft niet vanzelf iedere toekomstige situatie.

Niet iedere taak vraagt dezelfde methode

Sommige projecten voorspellen een bekende categorie, andere een getal. Er zijn ook methoden die zonder vooraf ingevulde antwoorden naar structuur zoeken, bijvoorbeeld groepen met vergelijkbare eigenschappen. De keuze hangt af van wat je wilt weten. Een gevonden groep is geen voorspeld label en vraagt daarom een andere vorm van beoordeling.

Begin bij de vraag en bepaal daarna welke methode past. Soms blijkt een eenvoudige berekening of vaste regel voldoende. Machine learning is geen verplicht onderdeel van een modern programma. Een model is vooral zinvol wanneer de voorbeelden bruikbare informatie bevatten over een taak die met eenvoudiger middelen minder goed wordt ondersteund.

Fouten horen bij de beoordeling

Bekijk bij een proef welke voorbeelden verkeerd worden behandeld. Zijn het steeds dezelfde soorten of vooral onduidelijke foto’s? Laat de uitkomst zien naast de oorspronkelijke invoer. Daarmee wordt een fout concreet en kun je nadenken over betere voorbeelden, een aangepaste taak of een andere manier om een gebruiker te laten controleren.

Beoordeel ook de gevolgen van een fout. Een verkeerde suggestie in een oefenprogramma vraagt iets anders dan een uitkomst waarop direct een belangrijke handeling volgt. Maak daarom duidelijk wie beslist en welke controle nodig is. De kwaliteit van een model en de inrichting van het werkproces moeten bij elkaar passen.

Begin met nieuwsgierigheid en duidelijke grenzen

Vraag bij een demonstratie ook om enkele mislukte voorbeelden. Die maken vaak sneller duidelijk welke omstandigheden belangrijk zijn dan een reeks zorgvuldig gekozen successen die allemaal probleemloos verlopen.

Een eerste oefening hoeft geen groot project te zijn. Kies een overzichtelijke taak, beschrijf de voorbeelden en bewaar een aparte controle. Noteer wat het model goed doet en waar het tekortschiet. Machine learning wordt daardoor minder mysterieus: je ziet een concrete werkwijze waarin gegevens, ontwerpkeuzes en beoordeling samen bepalen of een voorspelling werkelijk iets toevoegt.

Sergej Dergatsjev, eigenaar van Online Solutions Group, heeft CompanyGids nieuw leven ingeblazen en het platform verder uitgebouwd tot een moderne bedrijvengids voor België. Bezoek Company Gids en Online Solutions Group.