Sinds de opkomst van mechanisatie aan het begin van de negentiende eeuw heeft de mensheid steeds intelligentere machines ontwikkeld om onze levenskwaliteit te verbeteren. Vanaf de uitvinding van de stoommachine tot aan de ontwikkeling van zelfrijdende auto's, elke fase van de moderne geschiedenis wordt gekenmerkt door technologische doorbraken, en machine learning is daar geen uitzondering op. Maar wat het echt bijzonder maakt, is dat het invloed heeft op vrijwel elk aspect van ons dagelijks leven. Sterker nog, machine learning-algoritmen zijn verantwoordelijk voor de meeste technologische innovaties van de afgelopen vijf jaar.

Of je het nu beseft of niet, de kans is groot dat je al dagelijks met machine learning in aanraking komt. Dit zijn vier gebieden buiten de wereld van sciencefiction waarbij machine learning al voor aanzienlijke veranderingen heeft gezorgd:

  • Genereren van sterk gepersonaliseerde gebruikersaanbevelingen op platforms zoals Spotify, Netflix en Google
  • Identificeren van een persoon of object in een afbeelding voor gebruik in gezichtsherkenning en visuele zoekopdrachten
  • Aansturen van spraakherkenning en dataverwerking achter virtuele persoonlijke assistenten zoals Alexa en Siri
  • Op basis van eerdere gedragspatronen voorspellen of financiële transacties frauduleus zijn

Arthur Samuel, een vroege pionier op het gebied van artificial intelligence (AI), definieerde machine learning al in 1959 als "het vakgebied dat zich richt op het vermogen van computers om te leren zonder expliciet te worden geprogrammeerd". Bijna 70 jaar na dato is die definitie uitgebreid met een breed scala aan verschillende algoritmen en modellen. Lees verder en ontdek wat machine learning is, hoe het verschilt van andere vormen van artificial intelligence en waarom het belangrijk is voor je business.

Wat is machine learning?

Machine learning is een onderdeel van artificial intelligence gericht op het ontwikkelen van computers die op dezelfde manier leren als mensen. Door gebruik te maken van algoritmen die menselijke intelligentie proberen na te bootsen, stelt machine learning AI in staat om resultaten te verbeteren met behulp van iteratie. Dit vermogen om problemen op te lossen en voorspellingen te genereren zonder expliciete programmering maakt machine learning uiterst flexibel.

Hoewel machine learning computers in staat stelt tot op zekere hoogte zelfstandig te leren, hebben computers nog steeds menselijke input nodig. Datawetenschappers voeren trainingsdata in een machine learning-algoritme in om een machine learning-model te creëren. Door live data toe te voegen aan dat model (zodra de training is voltooid), kunnen gebruikers vervolgens nieuwe voorspellingen genereren. De uitkomsten van die voorspellingen worden ten slotte gebruikt als aanvullende trainingsdata, waardoor het model steeds nauwkeuriger wordt. Dit proces wordt het 'vliegwieleffect' genoemd, omdat het de vooruitgang versnelt.

Machine learning (ML) is een onderdeel van artificial intelligence (AI) gericht op het ontwikkelen van computers die op dezelfde manier leren als mensen.

Machine learning vs. artificial intelligence

Artificial intelligence verwijst naar elke technologie die machines in staat stelt menselijke intelligentie te simuleren. AI en machine learning zijn nauw met elkaar verbonden en hebben vergelijkbare doelen. AI omvat echter veel methoden die verder gaan dan ML alleen, zoals zoekalgoritmen, op regels gebaseerde systemen en genetische algoritmen. Daarnaast moet AI in een bredere culturele context worden geplaatst. Er zijn veel discussies en debatten gaande over de theoretische toekomstige ontwikkelingen en richtingen van AI.

AI is een overkoepelend concept, terwijl machine learning een specifieke toepassing van AI is. Elke AI-methodologie heeft hetzelfde algemene doel: een machine helpen een complexe taak effectief uit te voeren. Machine learning bereikt dit doel, als onderdeel van AI, door grote hoeveelheden data te analyseren. De focus van een ML-model is echter beperkter, omdat elk model meestal op één specifieke taak is gericht.

Machine learning vs. deep learning

Deep learning is een vorm van machine learning die neurale netwerken gebruikt om de structuur van het menselijk brein beter na te bootsen. Bij deep learning is er veel meer data en rekenkracht nodig dan bij machine learning, omdat er minder menselijke tussenkomst is vereist. Door meerdere lagen met neurale netwerken te gebruiken, kunnen deep learning-modellen enorme ongestructureerde datasets analyseren en daarvan leren. Net zoals artificial intelligence een breed begrip is, is machine learning een overkoepelende categorie waar deep learning onder valt.

De sleutel tot het begrijpen van deep learning ligt bij neurale netwerken, ook wel bekend als artificial neural networks (ANN's) of simulated neural networks (SNN's). Neurale netwerken bestaan uit duizenden (of zelfs miljoenen) eenvoudige verwerkingsknooppunten die in een gelaagde structuur met elkaar zijn verbonden. Zo kunnen ze complexe niet-lineaire relaties tussen input- en outputdata modelleren en data efficiënter classificeren. Dit komt met name van pas bij computervisie, het proces waarmee machines visuele beelden decoderen zoals mensen dat doen.

Deep learning is een vorm van machine learning waarbij neurale netwerken worden gebruikt om de structuur van het menselijk brein beter na te bootsen.

Hoe werkt machine learning?

Machine learning-modellen kunnen allerlei vormen aannemen (waarover later meer), maar de basisprincipes blijven vrijwel hetzelfde. Volgens UC Berkeley bestaan ML-algoritmen doorgaans uit drie componenten:

  1. Patroonherkenning en voorspelling: ML-modellen worden meestal gebruikt om data te classificeren of uitkomsten te voorspellen. Elk nieuw beslissingsproces begint met een aanvankelijke schatting. Nadat de data zijn ingevoerd, probeert het algoritme te 'raden' welk type patroon het moet zoeken.
  2. Foutberekening: het algoritme moet de schatting vervolgens vergelijken met bestaande voorbeelden (indien beschikbaar). Door te kwantificeren hoe dicht het bij de eerste voorspelling zat, kan de foutmarge worden bepaald.
  3. Optimalisatie: tot slot analyseert het algoritme het beslissingsproces dat is gebruikt om tot de schatting te komen, en maakt het aanpassingen voor toekomstige iteraties. Door de 'gewichten' die aan elke parameter worden toegekend te veranderen, worden de verschillen verkleind tussen de gegeven voorbeelden en de eigen schattingen. Dankzij dit voortdurende proces van itereren, evalueren en optimaliseren levert het uiteindelijke model steeds nauwkeurigere resultaten op.

Om bijvoorbeeld een beeldherkenningssysteem te trainen, voorziet een datawetenschapper het algoritme van een gelabelde set honden- en kattenfoto's. Het algoritme gebruikt die inputdata om de verschillen tussen honden en katten te leren herkennen. Hierbij let het op kenmerken zoals de grootte en de vorm van de dieren, de verschillende soorten vacht en de verhouding van hun gelaatstrekken.

Het algoritme kent vervolgens aan elk van deze parameters een gewicht toe, afhankelijk van hoe nuttig en relevant ze worden geacht. Als het algoritme een kat correct herkent, blijven de gewichten onveranderd. Maar als het een fout maakt, krijgen de parameters die tot die conclusie hebben geleid een lager gewicht. Op deze manier verkleint het model geleidelijk de kans op verdere fouten.

ML-modellen worden meestal gebruikt om data te classificeren of uitkomsten te voorspellen.

Wat zijn de vier soorten machine learning?

Machine learning-modellen worden doorgaans gegroepeerd op basis van de manier waarop ze leren. De vier meest voorkomende vormen van machine learning zijn supervised learning, unsupervised learning, semi-supervised learning en reinforcement learning. Deze indeling is echter breed van opzet, en veel modellen bevatten elementen uit meerdere categorieën. Zo kunnen deep learning-modellen onder elk van deze vier categorieën vallen.

Wat het juiste type machine learning voor een taak is, hangt grotendeels af van het specifieke doel en de dataset waarmee een datawetenschapper werkt. Vaak worden algoritmen aangepast aan de specifieke uitdagingen die datawetenschappers (of hun gebruikers) tegenkomen. Om te bepalen welk machine learning-model het beste aansluit op jouw behoeften, is het belangrijk om te begrijpen hoe elk algoritme functioneert.

Hoe werkt supervised learning?

Supervised machine learning (of kortweg supervised learning) werkt met gelabelde trainingsdata. Datawetenschappers voorzien gelabelde data van één of meerdere tags om het algoritme nuttige context te bieden, zoals specifieke categorieën of numerieke waarden. Zo kan een verzameling e-mails bijvoorbeeld worden gelabeld als 'spam' of 'geen spam', zodat het machine learning-algoritme een gestructureerde richtlijn krijgt om van te leren.

Door de relatie tussen de input (data) en de output (labels) te analyseren, leert het algoritme de data aan de juiste labels te koppelen. Zodra de training is voltooid en de gewichten correct zijn ingesteld, kan het model voorspellingen doen voor nieuwe data. Door de relatieve eenvoud is dit momenteel de meest gebruikte vorm van machine learning. Technieken die bij supervised learning worden gebruikt, zijn onder andere:

  • Lineaire regressie: legt een lineaire relatie tussen een afhankelijke variabele (de input, bijvoorbeeld advertentie-uitgaven) en een onafhankelijke variabele (de output, bijvoorbeeld totale omzet) om toekomstige resultaten te voorspellen. Deze techniek wordt gebruikt om te schatten hoe sterk de relatie tussen variabelen is en wat de waarde van de afhankelijke variabele is bij een specifieke waarde van de onafhankelijke variabele. Bijvoorbeeld hoe de tevredenheid van werknemers door salaris wordt beïnvloed.
  • Logistische regressie: voorspelt de waarschijnlijkheid van een binaire uitkomst op basis van een of meer onafhankelijke variabelen. De uitkomsten zijn altijd binair, zoals ja/nee, 1/0, of waar/onwaar. Dit wordt voornamelijk gebruikt voor voorspellings- en classificatietaken, zoals het identificeren van het risico op personeelsverloop.
  • Beslisbomen: modelleren toekomstige resultaten en voorspellingen door middel van vertakkende beslissingen, die samen een boomstructuur vormen. Deze vertakkingen categoriseren complexe datasets en identificeren manieren om data te groeperen en te visualiseren. Dit is handig bij het ontwikkelen van strategieën voor, bijvoorbeeld, het opstellen van een budget of het bepalen van de impact die de aanschaf van een nieuwe oplossing zal hebben.

Hoe werkt unsupervised learning?

Unsupervised machine learning (of kortweg unsupervised learning) werkt uitsluitend met ongelabelde datasets. Unsupervised ML-algoritmen analyseren datasets op trends en clusteren datapunten daarbij in verschillende sets. Deze algoritmen werken met minder menselijke tussenkomst en ontdekken vaak patronen in data die normaal verborgen zouden blijven.

Hoewel unsupervised learning voornamelijk wordt gebruikt voor het clusteren van data, zijn er veel gebieden waarbij het van pas komt. Veelgebruikte toepassingen van unsupervised learning-algoritmen zijn onder andere:

  • K-means clustering: verdeelt data in sets op basis van de overeenkomsten en ontdekt onderliggende patronen. K-means clustering-algoritmen zoeken naar een vast aantal clusters (K), bepaald door de datawetenschapper. Vanwege de eenvoud en doeltreffendheid is dit een van de populairste soorten clusteralgoritmen. Aanbevelingsengines, zoals die van socialmediaplatforms, gebruiken K-means clustering vaak om content voor te stellen op basis van eerder gedrag van gebruikers.
  • Associatieregel: bepaalt de sterkte van relaties tussen data-items door te tellen hoe vaak ze samen voorkomen. Bedrijven kunnen hun strategie afstemmen door associaties te ontdekken die veel vaker voorkomen dan bij een willekeurige steekproef. Dit is met name nuttig voor het identificeren van kooptrends bij klanten, zoals producten die vaak samen worden gekocht.
  • Reductie van dimensionaliteit: vereenvoudigt een dataset door overbodige kenmerken en ruis te verwijderen, terwijl essentiële dimensies behouden blijven. Bij grote datasets met veel verspreide of irrelevante data wordt de analyse veel eenvoudiger als er minder variabelen zijn. Een voorbeeld hiervan is technologie voor natuurlijke taalverwerking, waarbij vaak alleen de nuttige vocale kenmerken voor spraakherkenning worden uitgelicht.

Hoe werkt semi-supervised learning?

De naam zegt het al: semi-supervised machine learning (of kortweg semi-supervised learning) overbrugt de kloof tussen supervised en unsupervised learning. Semi-supervised learning-modellen gebruiken zowel gelabelde als ongelabelde data tijdens het trainingsproces. Door kleine hoeveelheden gelabelde data in een algoritme in te voeren, kan het de opgedane kennis toepassen op de volledige set ongelabelde data. Semi-supervised learning is vaak een efficiënte oplossing omdat het labelen van data soms een vervelend en kostbaar proces is.

Omdat semi-supervised learning een middenweg is tussen de twee eerder genoemde methoden, blijven de toepassingen vergelijkbaar. Hier volgen drie situaties waarbij semi-supervised learning waardevol kan zijn:

  • Fraudeopsporing: wanneer een financieel team slechts enkele bevestigde gevallen van fraude heeft, kunnen semi-supervised learning-systemen leren van deze kleinere dataset. Fraude is niet alleen ongewoon, maar ook moeilijk op te sporen, en met deze aanpak hoeven accountants niet langer duizenden transacties door te spitten.
  • Classificatie van content: het doorlezen en annoteren van grote hoeveelheden content kan mensen ongelooflijk veel tijd kosten. Met semi-supervised learning hoeven menselijke annotators slechts een kleine set handmatig gelabelde voorbeelden te verzamelen. Dit kan worden toegepast op alles van het classificeren van webpagina's voor zoekmachines tot het indelen van inkomende e-mails voor e-mailprogramma's.
  • Spraakherkenning: het vastleggen van de diversiteit en variatie in menselijke spraak, inclusief accenten en stemverschillen, vormt een grote uitdaging. Semi-supervised learning begint met een kleine trainingsset van door mensen geannoteerde audio en voert vervolgens zelflerende processen uit. In zelftrainingstests van Meta daalde het aantal woordfouten met 33,9%.

Hoe werkt reinforcement learning?

Reinforcement machine learning(of kortweg reinforcement learning) werkt op basis van 'vallen en opstaan'. In tegenstelling tot andere methoden is een reinforcement learning-algoritme geprogrammeerd met een specifiek doel en een duidelijke set regels die moeten worden gevolgd. De datawetenschapper voegt daar ook een puntensysteem aan toe: positieve resultaten leveren punten op en negatieve resultaten kosten juist punten. Deze feedbackloop helpt om resultaten op den duur te verbeteren.

Reinforcement machine learning-algoritmen zijn het nuttigst in scenario's waarin beslissingen in een bepaalde volgorde moeten worden genomen, zoals bij games, robotica of projectmanagement. Door de efficiëntste route naar maximale beloning te vinden, kan reinforcement learning dienen als een krachtig instrument voor besluitvorming.

Volgens onderzoek van Workday vindt 80% van de besluitvormers dat bedrijven AI nodig hebben om concurrerend te blijven.

Hoe gebruiken bedrijven machine learning?

Data zijn in de digitale wereld van werk uitgegroeid tot de meest waardevolle asset van een bedrijf. Machine learning biedt bedrijven de kans historische data te benutten om een betere strategie voor de toekomst te ontwikkelen. Naarmate augmented workforces de norm worden, zullen bedrijven die blijven vertrouwen op handmatige processen en hun data niet volledig benutten, achterop raken.

Volgens onderzoek van Workday vindt 80% van de besluitvormers dat bedrijven AI nodig hebben om concurrerend te blijven. Toch geeft 76% aan onvoldoende kennis te hebben over de toepassingen van AI en ML. Om succesvol te zijn, moeten businessleaders begrijpen op welk gebied machine learning de meeste waarde voor hun business oplevert.

Dit zijn enkele voorbeelden die laten zien hoe Workday-klanten onze geïntegreerde machine learning al gebruiken:

  • De beste kandidaat werven: het handmatig beoordelen van grote hoeveelheden sollicitaties kan een enorme klus zijn. Machine learning helpt recruiters om vacatures snel aan potentiële kandidaten te koppelen door hen in te delen op basis van hun geschiktheid voor de functie. Een grote multinationale autofabrikant zag de efficiëntie van hun kandidaatscreening met 70% toenemen dankzij HiredScore AI for Recruiting.* 
  • Vaardigheden identificeren en bijhouden: het volledig doorgronden van het talent in je workforce is geen eenvoudige opgave. In plaats van een simpele lijst met vaardigheden, biedt machine learning een veelzijdig overzicht. Of het nu gaat om het bieden van inzichten over skills gaps of het clusteren van vaardigheden op basis van een branche, regio en bekwaamheid, ML is cruciaal voor het ontwikkelen van een competentiegerichte talentstrategie.
  • Interne mobiliteit verbeteren: als talent niet regelmatig de kans krijgt om zich te ontwikkelen en te groeien, loop je het risico dat ze vertrekken. Machine learning kan persoonlijke learningaanbevelingen en vacatures bieden op basis van iemands vaardigheden, functie en dienstjaren. Dankzij onze ML-gegenereerde functieaanbevelingen zag een groot internationaal vastgoedbedrijf hun interne mobiliteitsbetrokkenheid met 10% toenemen. 
  • Processen efficiënter beheren voor managers: people leaders besteden veel kostbare tijd aan handmatige processen. ML helpt hen om hun planning te stroomlijnen, inzichten uit werknemersfeedback te verkrijgen en onregelmatigheden in werktijden aan te pakken. Een corporate venturing-onderneming slaagde erin een selfservicepercentage voor managers van 50% te bereiken voor HR-processen, waardoor toezicht en accountability aanzienlijk zijn verbeterd. 
  • Finance intelligent automatiseren: hoewel veel onderdelen van de financefunctie al zijn geautomatiseerd, worden te veel processen toch nog handmatig uitgevoerd. Machine learning faciliteert slimme automatisering, zoals het scannen van leveranciersfacturen, het verwerken van onkostendeclaraties en het matchen van klantbetalingen.
  • Data-afwijkingen opsporen: een bedrijf is slechts zo goed als de kwaliteit van zijn financiële data. Machine learning signaleert afwijkingen in het grootboek al vroeg in de cyclus, zodat forecasts nauwkeuriger worden. Op die manier kunnen jouw financeprofessionals zich op strategischer en waardevoller werk richten.

Uit onderzoek van Workday blijkt dat 98% van de CEO's gelooft dat implementatie van AI en ML direct bedrijfsvoordeel oplevert.

De volgende stap zetten met Workday

Uit internationaal AI-onderzoek van Workday onder de C-suite blijkt dat 98% van de CEO's gelooft dat implementatie van AI direct bedrijfsvoordeel oplevert. Slechts 1% ziet hun adoptie echter als volwaardig. Het potentiële concurrentievoordeel voor bedrijven die AI in hun organisatie integreren is dan ook enorm.

Een van de voornaamste hindernissen voor businessleaders is vertrouwen. Bij Workday geloven we in verantwoorde AI die transparant, verklaarbaar, privé en veilig is. Dat betekent dat onze klanten profiteren van AI-technologieën die zijn ontworpen met verantwoorde AI als uitgangspunt. We documenteren onze afstemming op huidige en opkomende regelgeving en best-practice frameworks. Daarnaast voorzien we onze klanten van factsheets waarin we beschrijven hoe onze oplossingen worden ontwikkeld, beoordeeld en onderhouden.

Bovendien is Workday AI ingebouwd in de kern van ons platform. Dit helpt om snel nieuwe AI-mogelijkheden te leveren die zinvolle bedrijfswaarde bieden. Onze AI is getraind met de grootste en schoonste set finance- en HR-data in de branche, en is dus goed verankerd in de werkelijkheid. Met meer dan 65 miljoen gebruikers die allemaal dezelfde versie van Workday gebruiken, beschikken alleen onze klanten over de benodigde betrouwbare data om zich te blijven ontwikkelen met machine learning.

Meer weten over hoe Workday ondersteuning biedt bij de implementatie van AI en ML? Bekijk onze technologiepagina.

*HiredScore is een bedrijf van Workday.

Ontdek hoe we organisaties helpen hun HR- en financemanagement te transformeren en hoe we internationale merken met vertrouwen naar een AI-gedreven toekomst leiden.

Meer om te lezen