abonneren

De grootste uitdagingen van machine learning

machine learning
Machine learning en kunstmatige intelligentie worden qua termen vaak door elkaar gebruikt, maar dat klopt niet helemaal. Machine learning is alleen een vorm van kunstmatige intelligentie. Hierbij wordt er heel veel data verwerkt om het systeem te leren mensen te helpen. En er komt veel meer bij kijken dan je wellicht denkt.

Ten eerste heb je goede data nodig. Het klinkt voor de hand liggend, maar vaak gaat het hier mis met machine learning. Je kunstmatige intelligentie kan er helemaal klaar voor zijn, maar als jij het de verkeerde informatie voedt, dan kan het eindresultaat alsnog slecht uitpakken.

Als jij het kijkgedrag van Game of Thrones vergelijkt met het aantal geweldsincidenten in een land waar Game of Thrones niet eens kan worden bekeken, dan kun je moeilijk beweren dat in dat land het kijken van Game of Thrones mensen aldaar gewelddadig maakt.

Nu is dat logisch, maar een computer zal - als deze zo is geprogrammeerd - moeiteloos die connectie maken. Want het veralgemeniseerd data en kent geen context.

Je hebt goede mensen nodig

En dan is er nog iets, namelijk de feedbackloop. Een bekend voorbeeld is dat van criminaliteitspreventie in Californië. Het programma gaf aan dat het slim was als meer politie-agenten zouden rondlopen in Afro-Amerikaanse wijken, gebaseerd op de criminaliteitspercentages. Deze werden uiteindelijk echter hoger, omdat de aanwezigheid van politie ervoor zorgde dat burgers eerder criminele activiteiten aangaven. De machine heeft zijn werk goed gedaan, maar soms pakt dat in de realiteit anders uit.

Bovendien heeft een systeem heel veel foto’s van eenzelfde ding nodig om het feilloos te kunnen herkennen. Nu kun je daarvoor wel op Google Images gaan zoeken, maar die database zal niet helemaal accuraat zijn. Zoek bijvoorbeeld eens op ‘tand’. Binnen twintig afbeeldingen heb je al een foto van een kind met een kapotte lip, zonder dat hierop een tand te zien is (tand door de lip).

machine learning

Die data is niet fantastisch en het kost veel tijd om zelf uit te zoeken wat er allemaal echt is wat je nodig hebt. Kortom, je moet dan waarschijnlijk databases met foto’s gaan aanschaffen en dat is een dure exercitie. Houd hier rekening mee, want zoals de bovenstaande voorbeelden al aantonen moet je data in orde zijn en goed worden gecombineerd.

Het is geen nieuws dat bedrijven op dit moment vechten om goede it’ers binnen te halen en dat geldt ook voor machine learning-experts. Vaak hebben data scientists veel met het analyseren en het werken met data, maar niet zozeer met software ontwerpen. Daarom zijn er speciale machine learning-engineers, maar hieraan hangt wederom een flink prijskaartje. Schaarste op de markt betekent hogere salarissen of interessante secundaire arbeidsvoorwaarden om die experts toch binnen te halen.

Je moet geduld hebben

Zelfs als je heel veel geld hebt, dan is er toch nog iets anders van je nodig. Het optimaliseren van je kunstmatige intelligentie kost veel planwerk, programmeerwerk, trainwerk, uitvoerwerk en analyseerwerk. Het is ook moeilijk in te schatten hoeveel tijd een machine learning-project in beslag zal nemen. Je weet immers niet hoe de deep learning-netwerken reageren op je data en op je programmeerwerk.

Als je niet het resultaat krijgt waar je op uit bent, dan moet je weer terug naar tekentafel en begint het allemaal weer van voor af aan. Het is bovendien op dit moment vooral maatwerk, waardoor je niet een standaard pakket kunt aanschaffen. Je weet met machine learning op dit moment dus niet helemaal waar je aan toe bent qua tijd. Maar als het goed is zal machine learning je uiteindelijk ook een heleboel tijd (en hopelijk geld) opleveren.

machine learning

Je moet verwachtingen managen

Voordat je dat laatste echter enthousiast aan je collega’s vertelt, kun je beter de verwachtingen niet al te hooggespannen houden. Net als kunstmatige intelligentie is machine learning een term waarbij mensen de wildste iRobot-achtige ideeën bij krijgen. Hoewel veel mensen verrast zullen zijn door hoeveel er met machine learning kan, vergeten anderen soms dat nog niet alles kan. Kijk bijvoorbeeld naar het verschil in hoe kunstmatige intelligentie zich ontwikkeld op het gebied van foto’s ten op zichte van tekst. Dat bewijst dat het een moeilijke puzzel is.

Juist omdat in de media de wildste verhalen de ronde doen, denk aan IBM’s Watson die het tv-programma Jeopardy! wint, willen mensen snel zulke magische resultaten zien bij andere moderne IT. Men denkt bovendien vaak dat machine learning alles voor ze gaat oplossen, terwijl dus heel wat mensenwerk aan vooraf gaat. Wees duidelijk over wat het plan is met machine learning, ook al weet je mogelijk nog niet hoe veel tijd dat plan in beslag zal nemen voor je eruit kunt gaan halen wat je verlangt.

Geschreven door: Laura Kempenaar op

Category: Nieuws, Algemeen

Tags: AI

Laatste Vacatures