“Deze mogelijkheden heeft het jouw IA-organisatie te bieden”
Machine Learning is een term die je ongetwijfeld al wel eens voorbij hebt horen komen. Maar wat houdt het nu precies in en welke vormen en toepassingen van Machine Learning zijn er? Collega Vincent de Gelder besloot zich hierin te verdiepen. Vincent: “Ik wilde beter begrijpen wat Machine Learning inhoudt, om beter mee te kunnen denken met klanten op dit gebied.” Zo gezegd, zo gedaan. In dit artikel deelt Vincent zijn bevindingen met jou.
Vincent de Gelder is drie jaar werkzaam bij KienIA. Als architect en adviseur helpt hij onder meer verschillende waterschappen om hun techniek beter op orde te krijgen. Daarbij houdt hij zich onder meer bezig met ‘advanced monitoring and control’, oftewel het verder optimaliseren van processen via een slimme sturing. Hiervoor wordt onder andere gebruik gemaakt van Machine Learning. Vincent vertelt: “Machine Learning wordt nog wel eens verward met Artificial Intelligence, oftewel AI of kunstmatige intelligentie. Maar het zijn twee heel verschillende dingen. Artificial Intelligence is eenvoudig gezegd een artefact dat een cognitieve functie uitvoert. Dat kan heel ingewikkeld, maar het kan ook een ‘if then else’-functie zijn zoals: ‘als het 20 graden Celsius is, schakelt de verwarming uit’. In deze vorm bestaat en gebruiken we Artificial Intelligence al heel lang en is het helemaal niet moeilijk.”
Data om van te leren en keuzes te maken
Machine Learning is een onderdeel van Artificial Intelligence. “Machine Learning wil zeggen dat een computer data gebruikt om van te leren en op basis daarvan keuzes te maken”, legt Vincent uit. “Een vorm van Machine Learning is classificatie. Deze methode houdt in dat je een set data classificeert en bijvoorbeeld aangeeft: dit is een appel, dit is een peer. Of om in ons werkgebied te blijven: deze sensorwaarde is valide en deze is niet valide. Door data te classificeren leer je de computer gedrag aan op basis van de data. Zo kan deze hier in de toekomst naar handelen en zelf keuzes maken.”
Machine Learning gebeurt op basis van, vaak eenvoudige maar krachtige, wiskunde. “Stel je voor: je wilt een computer laten bepalen wanneer een autorit wel of niet comfortabel is. Dit doe je op basis van de hobbeligheid van de weg en de snelheid van de auto. Heel snel en hobbelig is oncomfortabel, langzaam en niet-hobbelig is comfortabel. Wanneer je de snelheid in een grafiek afzet tegen de hobbeligheid, kun je een lijn trekken op de grens waar de rit wel of niet comfortabel is. Op basis van deze grafiek weet de computer bij een volgende rit zelf of deze wel of niet comfortabel is. Dat is Machine Learning. Dit voorbeeld met een tweedimensionaal plot is voor ons makkelijk te begrijpen. Machine Learning kun je echter ook toepassen op heel veel meer attributen, wel duizenden. Een 1000-dimensionaal plot is voor ons niet voor te stellen. Dat geeft Machine Learning het magische randje. Maar hier gaat nog steeds dezelfde, eenvoudige, wiskunde achter schuil.”
Drie vormen van Machine Learning
Binnen Machine Learning zijn er drie categorieën:
- De eerste, hierboven uitgelegde vorm (classificatie) is supervised learning. In dit geval ben je zelf de leermeester en leer je de computer wat bijvoorbeeld wel of niet valide is.
- De tweede vorm is unsupervised learning. Hierbij laat je een computer niet-gelabelde data verwerken, dus zonder leermeester. Een voorbeeld hiervan is clustering. De computer maakt dan clusters op basis van de gevonden verschillen, maar kent hier geen betekenis aan toe.
- De derde vorm is reinforcement learning. Hierbij kun je bijvoorbeeld denken aan een schaakcomputer die van elke zet onthoudt wat het gevolg was en beloond wordt zodra hij een wedstrijd heeft gewonnen. Door heel veel potjes te spelen, leert de computer welke zet achteraf leidde tot winst of verlies. Op basis van deze kennis kiest de computer de zet waarbij de verwachting om te winnen het hoogst is. Hoe meer gespeelde potjes, hoe beter de zet. Hierbij weet de computer niet waarom, maar wel dat iets een goede zet is.
Een bijzondere mogelijkheid van Machine Learning is de toepassing van een kunstmatig neuraal netwerk op supervised learning of reinforcement learning. Vincent: “Hierbij heb je een bepaalde input en output. Hier tussen bevinden zich allerlei knooppunten waar formules worden uitgevoerd. Deze formules worden net zolang aangepast tot ze de output opleveren die jij met jouw input wilt verkrijgen. Heb je meerdere ‘lagen’ van deze knooppunten, dan heet dit ‘deep learning’, een veelgehoorde term. Het nadeel van een kunstmatig neuraal netwerk is dat je dit niet kunt doorgronden: het doet wat je wilt, maar je hebt geen idee wat je gedaan hebt. Zoals de naam al aangeeft is een kunstmatig neuraal netwerk een soort kunstmatige versie van onze hersenen. Hierdoor is het met name interessant voor zaken die moeilijk te vatten zijn voor computers, maar waar wij mensen vaak goed in zijn, zoals gezichtsherkenning.”
Heel veel toepassingen
Machine Learning biedt veel mogelijkheden voor organisaties binnen de Industriële Automatisering. Zo werken steeds meer organisaties datagedreven, waarbij men door data leert begrijpen wat het systeem doet. Vincent: “Hierbij is bijna altijd sprake van Machine Learning. Veel van onze klanten genereren grote hoeveelheden data. Met Machine Learning kun je deze zo goed mogelijk benutten.” Een aantal toepassingen op een rij:
- Je kunt data gebruiken om je systeem te leren kennen. Dit kan al door middel van unsupervised learning, door alle data bij elkaar te gooien en daar verbanden uit te trekken. Hier kun je als organisatie veel van leren.
- Organisaties die sturen op kwaliteit, maar te maken hebben met een complex proces kunnen Machine Learning gebruiken om een balans tussen verschillende drijvers te vinden. Waterzuiveringen gebruiken bijvoorbeeld grondstoffen en energie om de juiste waterkwaliteit te bereiken. Bij dit biologische proces is het heel lastig om hier de juiste balans in te vinden. Door datagestuurd werken kun je, met een goed model, balanceren tussen alle verschillende drijvers en zo een optimaal resultaat bereiken.
- Door middel van unsupervised learning kun je werken met anomaliedetectie. Hierbij richt je je op de afwijkende punten binnen data, die niet in een bepaalde cluster geplaatst kunnen worden. Deze kunnen bijvoorbeeld wijzen op een defect. Door deze punten te bekijken kun je storingen voorkomen en veel geld en ongemak besparen.
Vincent: “Naast de hierboven genoemde voorbeelden kun je ook aan de slag gaan met reinforcement learning. Dit lijkt een kwestie van instellen, maar schijn bedriegt: je moet hier juist veel naar omkijken. Allereerst moet je als organisatie zelf een beloningssysteem bedenken. Je wilt bijvoorbeeld als organisatie zo min mogelijk grondstoffen gebruiken, zo min mogelijk kosten maken en een zo goed mogelijke kwaliteit behalen. De kans is echter aanwezig dat de computer een methode bedenkt die je beloningssysteem optimaal uitbuit zonder dat je het gewenste resultaat krijgt. Hier moet je scherp op zijn. Ook kan de computer soms opeens een rare zet doen om te kijken of die ook werkt. Die ruimte is er niet bij bijvoorbeeld een waterzuivering. Dan moet je ingrijpen als operator om bijvoorbeeld te voorkomen dat er rioolwater omhoog komt.”
Wij denken graag mee
Als organisatie kun je al sneller aan de slag met Machine Learning dan je zelf misschien denkt. “Veel bedrijven denken dat hiervoor eerst hun data op orde moet zijn”, vertelt Vincent. “Maar ook met onvolledige data kun je al goede analyses maken. Sterker nog: met Machine Learning kun je je data beter op orde krijgen, bijvoorbeeld door anomaliedetectie. Wacht dus niet te lang om deze stap te maken.”
Bij KienIA zijn we geen data scientists, maar we kunnen wél goed met organisaties meedenken. Onze kracht hierbij is dat we productonafhankelijk zijn, kennis van Machine Learning hebben én heel belangrijk: kennis van de branche. Vincent: “Veel data scientists kunnen een model maken dat een systeem goed beschrijft, waardoor je zaken kunt voorspellen en hierop kunt inspelen. Deze bedrijven hebben echter niet altijd verstand van de branche, waardoor alsnog niet het juiste resultaat bereikt wordt. Die domeinkennis is écht nodig. KienIA vormt hierbij de brug tussen data scientist en de klant.”
Wil jouw organisatie aan de slag met Machine Learning of een nieuwe stap zetten op dit gebied? We denken graag met je mee. Neem contact met ons op.