Machine learning gedemystificeerd

Machine Learning (ML) kan ondoordringbaar lijken voor iedereen die er niet bekend mee is. Een gebrek aan begrip van wat ML is en wat het betekent voor de fabrikant...

Machine Learning (ML) kan ondoordringbaar lijken voor iedereen die er niet bekend mee is. Een gebrek aan begrip van wat ML is en wat het betekent voor de maakindustrie, leidt soms tot bizarre ideeën over intelligente machines die klaar staan ​​om de mensheid over te nemen. Maar ML is in feite een belangrijke stap vooruit in de ontwikkeling van informatietechnologie (IT). De manier waarop het werkt en de beperkingen ervan moeten volledig worden begrepen door degenen die het willen gebruiken ten behoeve van hun organisatie.

Toegegeven, ML vereist het gebruik van specifieke statistische en IT-vaardigheden die maar weinig mensen hebben of nodig hadden in de productie. Maar de principes zijn vrij eenvoudig - en zelfs intuïtief te begrijpen. Voor mij was het wat ik ooit beschouwde als een nogal alledaagse online vertaaldienst – namelijk Google Translate – die me hielp het transformatieve potentieel van ML te realiseren.

Simpel gezegd, taalvertaalsoftware is al lang gebaseerd op programmeerwoordenboeken, grammaticale regels en hun talrijke uitzonderingen. Deze aanpak kost veel moeite.

Van ‘rule-based’ naar ‘data-driven’ processen

·  De nieuwe methodologie kwam voort uit een eenvoudiger idee:probeer niet om regels en lexicale tabellen helemaal opnieuw te definiëren, maar laat de software ze 'ontdekken'. Miljoenen reeds vertaalde pagina's worden verzameld bij internationale organisaties.

·  Als een gebruiker een tekst indient voor vertaling, verdeelt de software deze in basiselementen en zoekt vervolgens naar identieke of vergelijkbare teksten in dezelfde taal op de vertaalde pagina's.

·  De meest waarschijnlijke vertaling wordt geëxtraheerd om aan de gebruiker te worden voorgesteld.

Relevante statistische patronen die in de gegevens worden gevonden, vervangen daarom vertaalregels. In plaats van moeizaam geprogrammeerd te worden, worden ze automatisch ‘geleerd’ door de software. Het is gemakkelijk om de kostenbesparende waarde van deze aanpak te zien in vergelijking met de traditionele, vooral omdat de kwaliteit van de resulterende vertaling er meestal mee overeenkomt.

In de productie worden de productiviteitswinsten verergerd door een substantiële kwaliteitsverbetering. Iedereen die ooit automatiseringsprocessen heeft gespecificeerd, weet hoe complex het kan zijn om te anticiperen op alle mogelijke situaties waarmee de software te maken krijgt als deze eenmaal in productie is. Dit is zelfs als er functionele domeinexperts bij betrokken zijn. De functionele regels van de software zijn gebaseerd op aannames die zelf op een beperkt aantal waarnemingen berusten. Maar de realiteit blijkt vaak veel complexer dan verwacht, waardoor de automatisering uiteindelijk niet optimaal is of dat de software dure correcties vereist.

Machine Learning daarentegen absorbeert en ontwikkelt zichzelf met behulp van alle beschikbare data, ongeacht het volume. Dat betekent dat het risico dat patronen of een use case buiten beeld blijven, beperkt is.

Mensen moeten de baas blijven

De machine vermijdt ook de 'cognitieve vooroordelen' van menselijke intelligentie die zich vertalen in onvolmaakte selecties van beschikbare gegevens en ongepaste besluitvorming.

Een goed voorbeeld is de geautomatiseerde verwerking van kredietaanvragen die banken ontvangen. Een algoritme bekijkt de belangrijkste informatie van een lener samen met informatie over terugbetalingen. Vervolgens wordt de waarschijnlijke relatie tussen een lenersprofiel en een wanbetalingsrisico benadrukt. Toegepast op een nieuw leenverzoek, zal het algoritme, met een nauwkeurigheidsniveau dat als voldoende wordt beschouwd, voorspellen of de lener zal terugbetalen. Dit betekent dat het risico op een slechte beslissing, veroorzaakt door vooroordelen of de stemming van de bankmedewerker, wordt weggenomen.

Desalniettemin is het cruciaal dat de mens de uiteindelijke beslisser blijft.

Ten eerste omdat de software duidelijk niet perfect is. Het wordt bestuurd door instellingen die door mensen zijn gemaakt. Het kan bijvoorbeeld zijn geoptimaliseerd om 'false-positives' te voorkomen (waarbij de lening wordt toegekend aan een lener die in gebreke blijft) en zal dus geneigd zijn om bepaalde leningaanvragen af ​​te wijzen. Daarom moet een gebruiker controleren of de aanbevelingen van het systeem legitiem zijn en deze zo nodig afwijzen. Hierdoor kan het systeem nieuwe criteria leren, zodat het algoritme de volgende keer aanvragen van vergelijkbare profielen accepteert.

Een andere belangrijke reden is dat alleen mensen ervoor moeten zorgen dat aan ethische normen wordt voldaan, vooral wanneer een beslissing betrekking heeft op de rechten van een persoon.

Data über alles

Het is essentieel om een ​​algoritmisch model te kiezen en op te zetten dat past bij het fabricageproces in kwestie en het type gegevens dat het ondersteunt. De automatiseringsprestaties zijn afhankelijk van het voldoen aan twee vereisten:gegevenskwaliteit en representativiteit van de trainingsset, wat betekent dat de automatisering efficiënter zal zijn wanneer ML wordt uitgevoerd op basis van onbevooroordeelde observaties.

Toegang tot gegevens is cruciaal voor ML-succes, omdat uiteindelijk geen enkel niveau van algoritmische verfijning ooit een slechte dataset kan compenseren.

Met de groeiende kracht van computers en digitalisering is het mogelijk en waarschijnlijk essentieel geworden om een ​​datagestuurde benadering te gebruiken om efficiëntere geautomatiseerde productieprocessen te ontwerpen. Naast de vereiste wetenschappelijke vaardigheden, ligt het succes van deze oplossingen in het verzamelen van relevante gegevens en het monitoren van hun activiteiten door mensen. Machine Learning heeft de neiging om willekeurig gedrag af te wijzen. Het is aan ons om ervoor te zorgen dat deze niet worden vervangen door ongepaste overgeneralisaties.

Door Jean-Cyril Schütterlé, ‎VP Product &Data Science bij Sidetrade