Innovatie & Strategie

Dit is een bijdrage van SAS Nederland
Zakelijke software
ML SAS

Aan de slag met machine learning? Doe het agile

31 juli 2017
Door: SAS Nederland, partner

Machine learning bevindt zich momenteel op de top van de Gartner Hype Cycle. Bij zo’n positie hoort dat er veel over wordt gepraat, maar dat er nog maar weinig toepassingen zijn die tot de verbeelding spreken. Ook wordt het woord te pas en te onpas gebruikt. Daarom starten wij deze blog met een definitie: Machine learning betekent dat ‘een computer’ (liever gezegd: een machine learning algoritme) statistische/wiskundige technieken gebruikt en zodoende leert zonder daar specifiek voor geprogrammeerd te zijn. Geef een computer een grote dataset, stel een relevante businessvraag en het algoritme vindt zelf patronen die een aanwijzing geven voor de plaats waar je het antwoord moet zoeken. Zo’n eerste algoritme zal bij lange na niet perfect zijn, maar door een continue feedback loop in te bouwen en het algoritme voortdurend nieuwe data te geven, wordt het steeds slimmer.

Machine learning is een onderdeel van kunstmatige intelligentie. Een toepassing die populair wordt nu de opslag van data steeds goedkoper wordt, computers steeds krachtiger worden en gedistribueerde verwerking het niet langer noodzakelijk maakt om alle analytische capaciteit in je eigen datacenter neer te zetten.

De toepassingen van deze technologie zijn groot. Welke klanten staan op het punt afscheid te nemen van onze organisatie? Welke patiënten gaan waarschijnlijk goed op deze therapie reageren? Welke online aanbeveling wakkert de koopbehoefte het meest aan? Welke transacties maken een grote kans om frauduleus te zijn? Welke machines hebben het eerst onderhoud nodig? En welke onderdelen hebben dan waarschijnlijk de meeste slijtage?

Als je met machine learning begint, maak je er dan voor op dat op verschillende niveaus in de organisatie de behoefte snel groeit. Dat betekent dat je verschillende user interfaces nodig hebt. Data scientists begrijpen de achterliggende technologie en datasets, zij zullen met een vrij technische interface die veel extra mogelijkheden biedt prima uit de voeten kunnen. Maar zakelijke gebruikers moeten vrij simpel hun eigen datasets bij elkaar kunnen klikken en hun eigen vragen kunnen stellen zonder zelf te hoeven programmeren. Zorg er ook voor dat je omgeving schaalbaar is, zeker als je die gebruiksvriendelijke interfaces ter beschikking gaat stellen van grote groepen medewerkers.

Het belangrijkste advies is misschien wel: begin er gewoon mee. Blijf niet te lang droogzwemmen en wees niet te kritisch op je de eerste algoritmen die de computer voor je maakt. Zoals ik al schreef: natuurlijk is dat niet perfect. Dat is niet erg, als het maar goed genoeg is. Lees hier de blog ´AI draait niet om accuratesse´. Door een constante feedback loop zal het algoritme zichzelf verbeteren. Dat is juist het mooie van machine learning. Het valt daarom naadloos samen met het principe van design thinking ('Vruchten plukken van IoT'). Je kunt wachten tot je algoritme nagenoeg perfect is, maar je weet nooit wanneer je dat stadium bereikt. Pak het dus agile aan en ga aan de slag.

Ontdek hoe jouw organisatie kan profiteren van machine learning? Bekijk deze video.

Rens Feenstra, Technology Solution Consultant bij SAS

Reactie toevoegen