Wat is machine learning?
Machine learning (ML) is een set tools die het mogelijk maken om voorspellingen en beslissingen op basis van data te maken. Gecontroleerd leren beslaat het grootste deel van ML en stelt ons in staat patronen uit eerdere data te generaliseren naar nieuwe data. Met andere woorden: het past eerdere data met bekende waarden toe om voorspellingen te doen wanneer we de waarde van wat we willen voorspellen niet kennen. In zakelijke toepassingen wordt machine learning ook wel predictive analytics genoemd, met use-cases zoals klantverloop, creditcardfraude en e-mailspam.
ML-taken worden geleerd op basis van beschikbare data die zijn waargenomen via ervaringen of instructies, wat op zijn beurt tot beter leren leidt. Het uiteindelijke doel is om het leren zo te verbeteren dat het automatisch wordt, zonder menselijke tussenkomst.
“Machine learning is de wetenschap en kunst om computers het vermogen te geven te leren beslissingen te nemen op basis van data, zonder expliciet geprogrammeerd te zijn.”—Dr. Hugo Bowne-Anderson, Data Scientist en docent bij DataCamp
Waarom machine learning belangrijk is voor bedrijven
Een onderzoek uit 2018 van O’Reilly stelde vast dat 51% van de organisaties al ML gebruikt, waarbij 36% aangeeft vroege ML-adoptanten te zijn en 15% geavanceerde gebruikers. Een kleine minderheid van 49% van de organisaties meldde dat ze ML aan het verkennen waren of er “alleen naar keken” om het te implementeren.
Leer van je data om beter zaken te doen
De groeiende behoefte om inzichten uit data te halen
Bijna elk bedrijf heeft een enorme hoeveelheid data, van betaaltransacties tot klantinformatie en personeelsgegevens, die strategisch benut kan (en moet) worden. Vooroplopende bedrijven integreren ML tegenwoordig in hun dagelijkse processen, van groei stimuleren en efficiënties optimaliseren tot het identificeren van mogelijkheden voor kapitaalbesparing en het verlagen van investeringskosten.
Machine learning biedt een pad naar snellere beslissingen
Beslissers hebben sneller dan ooit toegang nodig tot cruciale data, en ML ondersteunt snelle, geïnformeerde en nauwkeurige beslissingen. Een belangrijk voordeel van ML is het vermogen om sneller onderbouwde beslissingen te nemen, en 50% van de bedrijven die ML hebben geïmplementeerd vond dat ze dat doel hadden bereikt.
Waarom managers basisvaardigheid in machine learning nodig hebben
Managers moeten de basisbegrippen en -termen van machine learning begrijpen. Om productieve gesprekken met data scientists te kunnen voeren, moeten ze begrijpen wat ML is, wat het kan, en waar je op moet letten bij het gebruik ervan.
Vaardigheid in machine learning stelt managers in staat de juiste vragen te stellen, en te weten welke problemen wel en niet met ML kunnen worden opgelost. Ze moeten ook met leveranciers van dataservices en -producten kunnen spreken om een succesvol data-ecosysteem op te bouwen.
Hoe machine learning bedrijfsproblemen kan oplossen
Hier zijn enkele praktische voorbeelden van hoe machine learning bedrijfsproblemen kan oplossen, plus links naar DataCamp-cursussen om deze ML-vaardigheden op te bouwen.
Klantverloop voorspellen
Machine learning kan bedrijven helpen de verschillende kosten te begrijpen voor het werven versus behouden van bestaande klanten, en hoe je de customer lifetime value berekent: de gemiddelde omzet die een klant genereert voordat die afhaakt.
Producten personaliseren voor klanten
Bedrijven die de verschillende gewoonten en behoeften van hun klanten beter willen begrijpen en bedienen, kunnen ML gebruiken voor klantsegmentatie en personalisatie.
Grote hoeveelheden data verwerken en analyseren
Machine learning voor natural language processing heeft brede implicaties en kan interacties tussen mens en machine een persoonlijk tintje geven. Het is wat AI-aangedreven chatbots aanstuurt. Bedrijven kunnen ook bruikbare inzichten halen uit ongestructureerde data met text mining en beeldverwerking en -herkenning. Toepassingen variëren van spamdetectie tot het bouwen van aanbevelingssystemen, en veel meer.
Financiële analyses uitvoeren
De financiële sector gebruikt deep learning voor alles van het classificeren van frauduleuze activiteiten tot algoritmische handel en portefeuillebeheer, tot kredietbeoordeling en veel meer.
Machine learning wordt op grote schaal overgenomen door de financiële sector. Two Sigma, een hedgefonds, gebruikt het om handelsstrategieën te onderbouwen. En een van onze verzekeringsklanten zet machine learning-cursussen op DataCamp in om hun datamoderniseringsinitiatieven te stimuleren.
Betere techproducten en -diensten bouwen
De technologiesector gebruikt ML om producten en diensten te bouwen. Ze adviseren klanten om marketingpersonalisatie, aanbevelingsengines, tekstvertaling, chatbots en meer aan te bieden.
AI en ML toepassen in de gezondheidszorg
De zorgsector evolueert om ML te integreren in medische beeldvorming en diagnose, dataverzameling, medicijnontdekking en veel meer.
De groeiende vraag naar machinelearningscientists
Hoe sterk is het ML-veld gegroeid? International Data Corporation voorspelt dat de uitgaven aan AI en ML zullen groeien van \$12B in 2017 naar \$57,6B in 2021. Deloitte Global voorspelt dat het aantal pilots en implementaties van machine learning in 2018 zal verdubbelen ten opzichte van 2017, en tegen 2020 nog eens zal verdubbelen.
Omdat zoveel organisaties investeren in predictive analytics, is het logisch dat er een enorme vraag is naar ML-scientists. En hoe volwassener een organisatie is in het implementeren van ML en AI, hoe meer rollen ze openstellen. De vraag naar ML-scientists neemt toe en zal naar verwachting de komende tijd hoog blijven.
Verhoog de skills van je team met onze machine learning-tracks
Lees ter verdieping onze machine learning-tutorials in Python en R.
