De definitie van Machine Learning, en hoe het de zakenwereld beïnvloedt

About

Technologie evolueert met een exponentieel tempo en de afgelopen jaren is een overvloed aan nieuwe termen in de volkstaal van de sector gekomen. Een daarvan is ‘Machine Learning’ – maar wat betekent het en hoe beïnvloedt het de zakenwereld?

De term ‘Machine Learning’ wordt gedefinieerd door de studie van computeralgoritmen die automatisch de gebruikerservaring kunnen verbeteren door het gebruik van gegevens. Het bereikt dit door het gebruik van innovatieve kunstmatige intelligentie (AI).

Naarmate het gebruik van AI toeneemt, kan het helpen bij het voorspellen van resultaten op basis van de informatie die het verzamelt – het kan worden toegepast op bijna elke branche die de technologie gebruikt.

De voordelen van cyberbeveiliging met machine learning

Kunstmatige intelligentie (AI) wordt gedefinieerd als “de theorie en ontwikkeling van computersystemen die taken kunnen uitvoeren die normaal gesproken menselijke intelligentie vereisen”. Machine learning (ML) is een subveld van AI. De pionier Arthur Samuel bedacht de term ML in 1959 en promootte het als “een studiegebied dat computers de mogelijkheid geeft om te leren zonder expliciet te worden geprogrammeerd”.

In de Cambridge Dictionary wordt ML aangeduid als ‘Het proces van computers die de manier waarop ze taken uitvoeren veranderen door te leren van nieuwe gegevens, zonder dat een mens instructies hoeft te geven in de vorm van een programma’. En in de Oxford Lexico wordt het gebruikt om te beschrijven ‘Het gebruik en de ontwikkeling van computersystemen die kunnen leren en zich aanpassen zonder expliciete instructies te volgen, door algoritmen en statistische modellen te gebruiken om conclusies te analyseren en conclusies te trekken uit patronen in gegevens’.

Over het algemeen vertrouwt ML op wiskundige modellen die worden gebouwd door patronen in datasets te analyseren. Deze patronen worden vervolgens gebruikt om voorspellingen te doen over nieuwe invoergegevens. Vergelijkbaar met de manier waarop Netflix aanbevelingen doet voor nieuwe tv-series, gebaseerd op eerdere kijkervaringen, is ML een van de vele benaderingen van AI die een systeem gebruikt dat kan leren van ervaring en voortbouwt op wat is geleerd.

Misvattingen

Mensen maken zich meestal zorgen over wat ze niet begrijpen. Hoewel ML geen nieuw concept is voor experts in het veld, beginnen veel mensen pas te begrijpen wat het is en hoe het te gebruiken. Omdat de term ML wordt geassocieerd met de afbeeldingen die in de media worden afgebeeld van machtsbeluste robots die verlangen naar de menselijke vernietiging, vermijden veel mensen het idee om het voor commerciële of privédoeleinden te gebruiken. Maar de waarheid is dat deze afbeeldingen geen nauwkeurige weergaven zijn, en de meesten van ons gebruiken ML elke dag zonder zelfs maar volledig op de hoogte te zijn van hoe of waar.

Voorbeelden van dagelijkse ML in actie zijn onder meer het gebruik van de portretmodus op uw smartphone, feeds van sociale media op applicaties zoals Facebook of Instagram, muziek- en mediastreaming inclusief BBC iPlayer of Netflix, online advertenties afgestemd op de reis van de gebruiker, vrijwel elke online game, bank-apps, slimme apparaten … de lijst is eindeloos.

Van bekrachtigingsleren, semi-begeleid leren, zelfstudie, feature learning, spaarzaam woordenboekleren, anomaliedetectie en robotleren, er zijn veel verschillende benaderingen en technieken die worden gebruikt. Maar over het algemeen kan machine learning grofweg worden onderverdeeld in twee klassen, bekend als onder toezicht en onbewaakt leren.

Leren onder toezicht

Supervised Learning is waar een machine leert van trainingsgegevens, en inputs en outputs in kaart brengt, op basis van regels die in genoemde trainingsgegevens worden verstrekt, en van afgeleide functies. In Supervised Learning wordt de dataset gelabeld, waarin er een doelvariabele is. De waarde waarvan het ML-model leert voorspellen, met behulp van verschillende algoritmen. Het kan dit bijvoorbeeld doen op basis van de locatie van het IP-adres, de frequentie van webverzoeken enzovoort. Hieruit kan een ML-model vervolgens voorspellen of het IP deel uitmaakte van bijvoorbeeld een Distributed Denial-of-service (DDoS) -aanval, en meer.

Het belangrijkste doel is dat de machine de informatie extraheert uit de niet-gelabelde datasets, wat de prestaties zou kunnen verbeteren en de productiviteit zou kunnen verhogen.

De coronacrisis versnelt het gebruik van Machine Learning

Appsbroker, de grootste Google Cloud-only Managed Services Provider in EMEA, heeft een uitgebreid rapport gepubliceerd over de gezondheid van machine learning in de Britse particuliere sector.

Op basis van een uitgebreide enquête onder IT-leiders en besluitvormers van bedrijven in het VK, is het rapport de meest uitgebreide nationale analyse van de staat van Machine Learning (ML) in het VK. Het inzicht dat het rapport biedt, is overweldigend positief en wijst op aanzienlijke technische en commerciële vooruitgang, terwijl het ook de uitdagingen onderstreept die moeten worden overwonnen als ML moet worden gevalideerd als een van de meest transformatieve technologieën voor een generatie.

Uit de onderzoeksgegevens zijn vier belangrijke bevindingen naar voren gekomen:

In eerste instantie is ML voor bedrijven in het VK niet langer een hypothetische mogelijkheid; meer bedrijven valideren ML nu of passen het toe in een actieve zakelijke context dan het aantal bedrijven dat de verdiensten en toepasbaarheid ervan nog beoordeelt. 69% van de Britse bedrijven geeft aan dat ML in de komende 36 maanden relevant zal zijn voor hun organisatie; precies een kwart zegt dat het nu relevant is en nog eens 17% binnen 12 maanden. Om deze reden heeft het rapport ML genoemd als een ‘nu-ding’ voor het bedrijfsleven, wat de toenemende volwassenheid en het commerciële potentieel ervan weerspiegelt.
39% van de ondervraagde organisaties versnelt hun ML-initiatieven als reactie op de Covid-19-pandemie. Slechts 11% gaf aan dat ze op enigerlei wijze de prioriteit van ML-activiteiten verlieten, terwijl voor de helft van de respondenten hun ML-plannen ongewijzigd bleven door de pandemie.
Terwijl de investeringsniveaus die bedrijven bereid zijn zich in te zetten voor ML-oplossingen, stijgen, met 57% van de bedrijven die verwacht meer dan £ 1 miljoen te investeren in de komende 24 maanden, bevat het rapport ook een opvallend inzicht dat het gemiddelde Britse bedrijf dat ML overneemt, verwacht te zien. een 10x terugverdientijd . Indien dit wordt gerealiseerd, zal ML een van de meest productieve bijdragen aan de winstgevendheid van ondernemingen van de afgelopen tijd worden.
De grootste belemmering voor het leveren van ML is het gebrek aan interne vaardigheden(genoemd door 44% van de bedrijven).
Het rapport verwerpt de conventionele wijsheid dat ML voorbestemd is om banen te verslinden en menselijke inspanningen te vervangen. In feite zagen twee keer zoveel bedrijven (40%) ML als een verbetering van de menselijke rol in het bedrijfsleven dan degenen die de technologie beschouwden als centraal in automatisering en kostenbesparing (20%).

Ondanks de overweldigend positieve vooruitzichten geeft het rapport het bedrijfsleven echter een duidelijke waarschuwing dat ML constructief moet verschuiven van het domein van analisten en technici naar een positie in het hart van het bedrijf. 68% van de bedrijven meldde dat ML binnen hun IT- of datacapaciteit zat, terwijl slechts 16% van de bedrijven bevestigde dat de capaciteit vollediger was geïntegreerd in commerciële activiteiten.

Veel respondenten noemden een gebrek aan begrip en leiderschap voor ML van senior executives als een belangrijk potentieel blokkeerpunt voor de technologie en iets dat moet worden overwonnen om de succesvolle evolutie van ML als een primaire toolset in Britse bedrijven te verzekeren.

Henry Brown, Head of Data & Machine Learning bij Appsbroker zei: “Het rapport schetst een zeer positief beeld van de acceptatie en waarde van Machine Learning in een divers spectrum van grote ondernemingen in Groot-Brittannië. Dit beeld is duidelijk aan het veranderen, maar het is goed om op te merken dat veel van de indicatoren wijzen op groei, toenemende volwassenheid en een verwachting van zeer positieve waarde, wat consistent is met de ervaring die we hebben bij Appsbroker bij het begeleiden van bedrijven door het ML-proces. adoptie.”

Hoogtepunten uit de sector zijn onder meer:

Financiële dienstverleners zien ML het meest waarschijnlijk als relevant voor hun bedrijf nu of in de komende 12 maanden (57%), gevolgd door Gezondheidszorg (50%), Detailhandel (48%) en Productie en industrie (46%).
De investeringskampioenen zijn ongetwijfeld financiële dienstverleners – bijna een kwart (24%) van de bedrijven bevestigde de intentie om de komende twee jaar meer dan £ 5 miljoen aan ML te besteden, gevolgd door de technologiesector met 21% van de bedrijven die op zoek zijn naar een vergelijkbare investeringsniveau.
Meer dan de helft van de brancheorganisaties in de detailhandel (57%) en de financiële dienstverlening (52%) gebruikt ML voor fraudedetectie om hoge financiële risico’s en criminaliteit te verminderen.
Het gebruik van ML voor klantsegmentatie en marketing wordt het meest toegepast bij Professional Services-organisaties (65%), vóór de detailhandel die op de tweede plaats komt (met 52%).
Een gebrek aan interne vaardigheden om machine learning te omarmen is het meest uitgesproken in de gezondheidszorg (30%) en het minst bezorgd over de productie- (13%) en technologie (14%) industrieën.
Van de derde plus bedrijven die ervoor kiezen hun focus op ML te versnellen vanwege de pandemie, zijn bedrijven in de gezondheidszorg en technologie de meest prominente sectoren met
45% van de bedrijven in beide categorieën is van plan hun investering in ML te versnellen.