Innovatie & Strategie

Dit is een bijdrage van SAS Nederland
Zakelijke software
AI SAS

Machine learning draait niet om nauwkeurigheid, maar om snel toegevoegde waarde halen

 

 

20 oktober 2017
Door: SAS Nederland, partner

 

 

Veel mensen denken dat de waarde van AI staat of valt met de accuratesse van het algoritme. Maar dat is allerminst waar. Ook een onnauwkeurig algoritme kan al zorgen voor een forse kostenverlaging of omzetverhoging.

Stel dat je het next best offer wilt voorspellen voor de agents in je call center. Zelfs als het zelflerende algoritme slechts 10% beter voorspelt dan een niet-zelflerend algoritme, zul je heel veel meer verkopen. Of neem het voorspellen wanneer een machine onderhoud nodig heeft aan de hand van met sensoren gemeten slijtage. Als je het reactieve onderhoud hierdoor met 25% kunt beperken, dan heb je al een ijzersterke businesscase.

Zelfs bij toepassingen die draaien om leven of dood is een lagere accuratesse niet erg. Neem de apps die huidkanker kunnen herkennen op basis van een foto. De belangrijkste taak van het zelflerende algoritme dat hierachter zit is om geen false negatives te genereren. Dan zou je immers iemand geruststellen, terwijl het wel huidkanker betreft. False positives zijn veel minder erg. Natuurlijk, als je aangeeft dat iemand door een arts naar het plekje moet laten kijken bezorg je die persoon een hoop stress. Maar dit zorgt er wel voor dat iemand meteen zijn huisarts belt en het niet nog even aanziet. Bij de bevolkingsonderzoeken naar darmkanker, baarmoederhalskanker en borstkanker werkt het niet anders. Deze methoden zijn erop gericht de mogelijke kankergevallen eruit te filteren. Ze mogen geen false negatives genereren, maar er zitten best veel false positives tussen.

Ik kan eigenlijk zo snel maar één case bedenken waar een accuratesse van 99,999%  vereist is: de zelfrijdende auto. Het zou slecht aflopen als het algoritme een verkeerslicht verkeerd interpreteert of het niet herkent als een kind de straat op rent.  Maar in alle andere gevallen denk ik: heb je een aardig presterend eerste model van je zelflerende algoritme, breng het naar productie en zorg dat je zo snel mogelijk een feedback loop creëert. Des te sneller wordt je algoritme vanzelf beter.

Meer weten over machine learning? Bekijk dan hier onze video.

Erwin Huizenga, data scientist bij SAS

Reactie toevoegen