Wat is machine learning? (toepassingen en voordelen)

Vóór machine learning waren computers beperkt tot het uitvoeren van vaste instructies en konden ze zichzelf niet vanzelf verbeteren. Tegenwoordig kunnen ze worden getraind om data te analyseren, patronen te herkennen, voorspellingen te doen, zelfstandig te werken en al deze taken continu te verfijnen. Hierdoor kunnen medewerkers productiever zijn en klanten beter bedienen.

Ontwikkelingen in machine learning, een belangrijk onderdeel van kunstmatige intelligentie (AI), hebben tot enorme kansen voor bedrijven geleid. Taken zoals data-analyse, voorspellende analytics, leadscores en gepersonaliseerde aanbevelingen zijn nu veel eenvoudiger en efficiënter dankzij AI-agents die samenwerken met mensen.

We nemen onder de loep wat machine learning is en hoe het werkt. We gaan ook in op de relatie met AI-processen zoals deep learning, de voor- en nadelen, en hoe jouw bedrijf er zijn voordeel mee kan doen.

Wat we zullen bespreken:

• Wat is machine learning?
• Hoe werkt machine learning?
• Machine learning vs. deep learning vs. neurale netwerken: wat is het verschil?
• Machine learning-methoden
• Veelgebruikte machine learning-algoritmen
• Voordelen en nadelen van machine learning-algoritmen
• Hoe AI-agents machine learning inzetten
• Ga aan de slag met machine learning via gratis cursussen
• Profiteer met jouw bedrijf optimaal van machine learning

Machine learning (ML) is een onderdeel van AI waarmee systemen voortdurend leren van nieuwe resultaten en informatie, waardoor ze steeds slimmer en capabeler worden. Dit is mogelijk dankzij de ontwikkeling van modellen en het gebruik van algoritmen waarmee computers patronen in data kunnen herkennen, voorspellingen kunnen doen, deze voorspellingen kunnen verfijnen en taken zelfstandig kunnen uitvoeren.

Machine learning is ontworpen om na te bootsen hoe mensen leren en getraind worden. Het proces begint met het toevoegen van informatie, het interpreteren van die gegevens, het controleren of die interpretatie klopt, het verfijnen en het toepassen van de opgedane kennis.

Afhankelijk van het gebruik kan machine learning uit verschillende elementen bestaan. Maar dit zijn de belangrijkste stappen:

1. Data verzamelen: Data vormen de basis van machine learning. Het model moet patronen uit het verleden herkennen om voorspellingen te kunnen doen. Daarvoor verzamel je hoogwaardige data uit relevante bronnen. Dit kan vrijwel elk type content zijn: gestructureerd (content die je al hebt opgeslagen in een CRM-systeem (customer relationship management) of ongestructureerd (data uit e-mails, chatlogboeken van klanten, profielen van potentiële klanten, financiële spreadsheets, enzovoort).
2. Data vooraf verwerken: De verzamelde data voor training moeten in een bruikbare indeling worden ondergebracht. De informatie wordt gecombineerd en georganiseerd zodat AI er eenvoudig toegang toe heeft en die kan interpreteren.
3. Een algoritme en model kiezen: Bij machine learning wordt een algoritme op data uitgevoerd om een model te ontwikkelen dat bepaalde taken aankan (de verschillende typen ML-algoritmen en -modellen komen later aan bod). Welk algoritme en model je kiest, hangt af van het zakelijke vraagstuk dat je wilt oplossen.
4. Training: In deze fase van machine learning gebruikt de AI het algoritme om de aangeleverde informatie te doorzoeken op patronen. Het zoekt naar input die gekoppeld is aan specifieke resultaten (ook wel ‘targets’ genoemd), zoals de acties die worden ondernomen wanneer een potentiële klant een e-mail ontvangt. Zodra het patronen herkent, maakt de AI een model dat voorspellingen kan doen.
5. Evaluatie: Jouw team beoordeelt hoe nauwkeurig of waarschijnlijk de voorspellingen van het model zijn. Dit gebeurt vaak met data waarvan jij de target kent maar het model niet (ook wel ‘hold-out data’ genoemd). Hierna worden de prestaties in kaart gebracht aan de hand van diverse meetgegevens.
6. Het model verfijnen: Zodra je de zwakke punten van het machine learning-model kent, kun je de data, het algoritme of andere instellingen aanpassen om het nauwkeuriger te maken.
7. Voorspellingen: Training, evaluatie en verfijning zijn een iteratief onderdeel van het proces. Je voert deze processen herhaaldelijk uit totdat je tevreden bent met de kwaliteit van de output. Op dat moment is het model klaar om echte voorspellingen te doen: betrouwbare prognoses op basis van onbekende data.
8. Implementatie: Integreer de machine learning met AI in een omgeving waar het data kan verwerken en nieuwe voorspellingen kan doen. Houd er rekening mee dat implementatie niet het einde van het proces is, want het model kan en moet waarschijnlijk steeds verder worden verfijnd.

Als je deep learning en machine learning met elkaar vergelijkt, is het belangrijk op te merken dat beide vallen onder de overkoepelende term 'kunstmatige intelligentie'. Deep learning is een onderdeel van machine learning dat gebaseerd is op hoe het menselijke brein werkt.

Ook tussen machine learning en neurale netwerken is er geen sprake van een verschil, want ze zijn met elkaar verbonden. Deep learning maakt gebruik van 'artificial neural networks' (ANN's). Dat zijn lagen van onderling verbonden knopen (ook wel 'neurons' genoemd) die samenwerken om hiërarchische representaties van data te extraheren, die dan weer de machine learning voeden.

Deep learning onderscheidt zich van traditionele machine learning doordat het zelfstandig kan werken met ongestructureerde data, waardoor minder menselijke tussenkomst nodig is. Modellen voor machine learning kunnen echter vaak getraind worden op kleinere datasets en zijn op te schalen met minder rekenkracht dan modellen voor deep learning.

Net zoals mensen op verschillende manieren leren, geldt dat ook voor computers. Je kunt machine learning op verschillende manieren aanpakken. We noemen er een paar:

Dit model leert van een omvangrijke set supervised data die specifiek, gelabeld, verwerkt en/of georganiseerd zijn. Door de informatie waarop het getraind wordt te labelen, leert het de verbanden tussen de data die het ontvangt en de bijbehorende output. Het doet voorspellingen op basis van de trainingsdata, die vervolgens vergeleken kunnen worden met testdata.

In plaats van getraind te worden op een grote hoeveelheid vooraf ingestelde data, is dit model opgezet om patronen te herkennen in ongestructureerde of ruwe data met behulp van algoritmen. Dit alles gebeurt zonder menselijke tussenkomst. De algoritmen helpen bij het ontdekken van patronen of groeperingen in de data.

Dimensionaliteitsreductie is een onderdeel van unsupervised learning. Bij deze methode wordt het aantal kenmerken in een dataset aangeduid als de dimensies. Het model vermindert dit aantal zelfstandig. Het doel is om het aantal variabelen te verlagen, zodat de nauwkeurigheid verbetert en er minder resources nodig zijn om het model te draaien.

In dit hybride model van machine learning wordt het model getraind met een combinatie van supervised en unsupervised data. Het model gebruikt daarvoor een kleinere gelabelde dataset als leidraad, aangevuld met een grotere ongelabelde dataset. Het leert dan van beide varianten.

Dit model krijgt geen trainingsdata. Het bereikt nauwkeurigheid of succes via een systeem van beloningen en straffen, ook wel reinforcement genoemd.

Net als bij modelmethoden zijn er heel wat machine learning-algoritmen om uit te kiezen voor jouw machine learning-AI. De meest gebruikte algoritmen zijn:

Een formule berekent de relatie tussen variabelen en onbekende factoren om tot een waarde te komen. Een voorbeeld in sales is het voorspellen van een leadscore op basis van historische data.

Het algoritme gebruikt kansberekening om te voorspellen of iets al dan niet tot een bepaalde klasse behoort. Het kan bijvoorbeeld worden ingezet op commerce-websites om te voorspellen of een bezoeker waarschijnlijk iets wil kopen of niet.

De AI zoekt naar patronen in data om groepen te vormen. Een voorbeeld in de context van marketing is het analyseren van doelgroepdata om te voorspellen welke segmenten het beste reageren op een bepaald type boodschap.

De voorspellingen en dataclassificaties van de AI zijn het resultaat van een reeks gemaakte keuzes. Dit proces is gemakkelijk lineair te volgen, zodat je organisatie de logica achter de beslissingen begrijpt. Dit is handig bij het evalueren van service-interacties: je ziet precies hoe een AI-agent besloot te reageren op een klant en wanneer het ervoor koos om door te schakelen naar een medewerker of juist niet.

Hierbij worden de uitkomsten van meerdere beslisbomen samengevoegd. Elke boom krijgt een willekeurige subset van alle data en de voorspelling wordt gebaseerd op de gecombineerde resultaten.

Deze worden gebruikt voor deep learning en bootsen de manier na waarop het menselijk brein verbanden legt. Ze zijn bijzonder nuttig voor taken waarbij complexe datasets worden geanalyseerd, zoals spraakherkenning. Ze vormen de basis van de grote taalmodellen (LLM's) waarop de tools voor generatieve AI draaien.

Net als bij alle technologie heeft AI voor- en nadelen. Die gelden zowel voor machine learning in het algemeen als voor specifieke algoritmen en modellen.

Enkele belangrijke voordelen van machine learning zijn:

• Krachtige data-analyse door het herkennen van patronen en trends
• Voorspellingen gebaseerd op de verzamelde data van een bedrijf
• Gepersonaliseerde ervaringen voor zowel medewerkers als klanten
• Voortdurende verbetering door doorlopende aanpassingen in de training

Enkele uitdagingen van machine learning zijn de behoefte aan:

• Grote trainingsdatasets om ML-modellen nauwkeurig te maken
• Rekenkracht om het leerproces te ondersteunen
• Gespecialiseerde medewerkers, zoals Data Scientists en Machine Learning Engineers
• De noodzaak om vooroordelen of hallucinaties te beoordelen en corrigeren wanneer deze optreden

Je kunt deze uitdagingen overwinnen met een platform dat je data integreert met machine learning en het eenvoudig maakt om AI-oplossingen te implementeren, zoals autonome agents. Een geïntegreerd systeem geeft je naadloze toegang tot je data en vermindert de behoefte aan extra middelen en externe input.

Met machine learning kan je bedrijf optimaal profiteren van het volledige potentieel van zijn data als motor achter een AI-strategie die elk onderdeel van de organisatie ten goede komt en de relaties met klanten versterkt.

Een goed voorbeeld zijn AI-agents, een subset van virtuele agents die zelfstandig kunnen handelen. AI-agents gebruiken machine learning, natuurlijke taalverwerking en conversational AI om je data te raadplegen, patronen te herkennen, beslissingen te nemen en antwoorden te geven. Het zijn geen gewone chatbots. Er zijn zelfs grote verschillen tussen AI-agents en chatbots, onder meer wat betreft hun autonome mogelijkheden en de brede inzetbaarheid.

Door AI-agents te combineren met je CRM, creëer je een team van krachtige assistenten die zijn afgestemd op de behoeften van elke afdeling en die worden aangestuurd door jouw data. Zo kan service AI vragen beantwoorden op basis van je kennisbank, kan sales AI kwartaaldoelen voorspellen, kan commerce AI fungeren als persoonlijke shopper en kan marketing AI campagnebriefings genereren.

Machine learning klinkt misschien wel ingewikkeld. Maar als je eenmaal de basis begrijpt en het zelf uitprobeert, valt het vaak erg mee. Trailhead , het gratis online trainingsplatform van Salesforce, biedt diverse cursussen om je op weg te helpen met praktische oefeningen, waaronder deze:

• Voorspellingen van machine learning verkennen : Leer meer over wat machine learning kan doen en hoe je ML-voorspellingen inzet
• Basisbeginselen van Artificial Intelligence : Krijg inzicht in de basis van kunstmatige intelligentie en leer hoe je ermee aan de slag gaat
• Ai-technieken en -toepassingen ontdekken: Verdiep je in de verschillende soorten AI-technologieën en machine learning-benaderingen

Door jouw data te combineren met kunstmatige intelligentie die dankzij machine learning alleen maar beter wordt, versterk je de strategische besluitvorming en stimuleer je innovatie en efficiëntie.

Met Agentforce, de agentische laag van het Salesforce-platform, zet je eenvoudig en kosteneffectief machine learning optimaal in door krachtige AI-agents in jouw organisatie te implementeren. Ontdek hoe je aan de slag gaat met Agentforce.