Waarom machine learning geen normaal automatiseringsproject is

Dankzij kunstmatige intelligentie en in het bijzonder machine learning veranderen de data-analyses die we kunnen maken van beschrijvend/reactief naar voorschrijvend/proactief. Met meer (big) data en meer rekenkracht kunnen data-analyses niet alleen een beschrijving geven van wat er in het verleden is gebeurd, maar kunnen ze ook worden gebruikt om te voorspellen en te optimaliseren.

Hoe complexer de analyse, hoe groter het concurrentievoordeel dat daarmee kan worden behaald. Deze ontwikkeling is weergegeven in onderstaande figuur, die van beneden naar boven moet worden gelezen.

Descriptive analytics

Descriptive analytics is de meest basale vorm van data-analyse. Het doel is te beschrijven wat er eerder is gebeurd en daarmee de oorzaken van succes en falen in het verleden te achterhalen. Dat verleden kan gaan over gebeurtenissen van jaren of maanden geleden, maar ook over een minuut geleden. Ook als data in realtime worden geanalyseerd, spreken we van descriptive analytics. Een alternatieve benaming is business intelligence. Vaak kom je met eenvoudige wiskunde en Excel al een heel eind. Voor geavanceerdere toepassingen zijn er methoden op basis van machine learning zoals Principal Component Analysis, bedoeld om het aantal variabelen te beperken door middel van dimensiereductie en K-means clustering, bedoeld om data in groepen of clusters in te delen.

Predictive analytics

Bij predictive analytics worden op basis van trends en patronen in de data voorspellingen voor de toekomst gegenereerd, zodat je kunt anticiperen op wat er – met een zekere waarschijnlijkheid – kan gaan gebeuren. Dit wordt ook wel forecasting genoemd. Enkele veelvoorkomende toepassingen zijn het voorspellen van toekomstige verkopen aan de hand van trends in consumentengedrag of het voorspellen van de waarschijnlijkheid dat iemand zijn lening zal terugbetalen. Machine learning kan worden ingezet voor classificatie en regressie, dat wil zeggen voor het voorspellen van een categorie respectievelijke een numerieke waarde.

Prescriptive analytics

Prescriptive analytics is de laatste stap en levert aanbevelingen op over wat je als organisatie te doen staat om een zeker doel te realiseren. Hoe kom je van A naar B? Dit kan door middel van simulaties of optimalisaties worden geanalyseerd. Toepassingen zijn bijvoorbeeld: de productieplanning vaststellen, de optimale voorraadniveaus berekenen in de diverse schakels in het productieproces en de logistiek of de timing van marketingcampagnes optimaliseren.

Verschil automatisering en machine learning

In deze context is een veel gestelde vraag wat het verschil is tussen automatisering en machine learning. In onderstaande figuur is dit geïllustreerd. Bij automatisering worden door mensen regels in systemen geprogrammeerd die bepalen hoe inputdata moeten worden verwerkt tot een antwoord. Bij machine learning maak je gebruik van een analysemethode die op zoek gaat naar de relatie tussen de inputdata en het gewenste resultaat. De output is niet steeds hetzelfde antwoord, maar een (lerend) algoritme. Dit betekent dat machine learning vraagt om een hele andere vorm van risicomanagement. Bij traditionele automatisering kun je de werking van een systeem uitvoerig testen voordat je het systeem in gebruik neemt. Bij machine learning kan de uitkomst van vandaag een andere zijn dan de uitkomst van volgende week als het algoritme weer beter is geworden omdat er meer data zijn verwerkt. De vraag is of en hoe wij als mensen systemen met machine learning kunnen begrijpen en beheersen. Hoe realiseer je ‘human-in-command’? Hoe manage je een black box? Hier kom ik in het volgende blog op terug. Door: Willem Peter de Ridder Willem Peter de Ridder is directeur van Futures Studies, een strategisch adviesbureau dat organisaties ondersteunt bij het verkennen van de toekomst en het formuleren van een toekomstbestendige strategie. Hij verzorgt keynotes op congressen en medewerkersbijeenkomsten, geeft strategieworkshops voor managementteams en doceert in executive programma’s van onder andere de Erasmus Universiteit Rotterdam en TIAS.

• Dit blog is gebaseerd op het boek Winnen met kunstmatige intelligentie van Willem Peter de Ridder.