1. Home
  2. Actueel
  3. Blogs
  4. Wie heeft Jomanda nog nodig?

Wie heeft Jomanda nog nodig?

08 mei 2017

De kracht van machine learning is dat we op basis van beschikbare data gefundeerde voorspellingen kunnen doen. Waar we vroeger afhankelijk waren van Nostradamus, Jomanda en types die na middernacht de televisiezenders bevolkten, kunnen we nu zelf de toekomst inzien. Dat biedt mooie perspectieven.


Machine learning betekent dat computers in principe zelf beslissingen nemen zonder expliciete opdracht. Voer voldoende data in, help de machine die data te categoriseren en interpreteren, train de machine in wat relevant is en wat niet en stuur in het trainingstadium continu bij. Zo leert de computer inzien wat de juiste output is. Er is in eerste instantie dus voldoende relevante data vereist en juist daaraan is geen gebrek. In 2014 schatten onderzoekers de hoeveelheid digitale informatie alleen op internet al op 1024 bytes, oftewel 1.000 zettabytes. Inmiddels zijn we alweer drie jaar en vele zettabytes verder. En dan is er ook nog alle data buiten het internet.

Van zwarte gaten tot zelfrijdende auto’s

Juist de mogelijkheid om krankzinnige hoeveelheden data razendsnel te bekijken en verwerken onderscheidt de machine van de mens en maakt machine learning zo veelbelovend. Wij zijn dan weer beter in het categoriseren en interpreteren van data, maar daarin zijn de machines te trainen. Dat leidt tot spannende en revolutionaire ontwikkelingen. We leren meer over zwarte gaten in het universum dankzij machine learning, terrorisme wordt bestreden door geweld te voorspellen en je hoeft geen Jomanda te zijn om te voorspellen dat binnen enkele jaren zelfrijdende auto’s de norm zijn en dat de medische wetenschap grote stappen zet in voorspellen, behandelen en voorkomen van nu nog ongeneeslijke ziekten.

Maar het hoeft niet allemaal zo wereldschokkend te zijn. Ook op microniveau, bij bedrijven en instellingen, zijn grote stappen te zetten dankzij machine learning. Een heel concreet voorbeeld is een project bij het Zuid-Hollandse drinkwaterbedrijf Oasen. Dat bedrijf beheert ruim 4.000 kilometer leidingen en wordt bijna dagelijks geconfronteerd met lekkages in het leidingnet. Inmiddels is veel data verzameld over omstandigheden (bodemsoort, bodembeweging, werkzaamheden) en leidingeigenschappen (materiaal, waterdruk, etc.) die de kans op een lek vergroten. Dankzij machine learning is nu vrij nauwkeurig te voorspellen waar een lek zal optreden. In een pilot hebben we ruim 90% van de lekken juist kunnen voorspellen.

Heel praktische toepassingen

Een ander voorbeeld is het voorspellen van schooluitval. Bij een grote onderwijsinstelling zijn we bezig om met machine learning uitval te voorspellen en voorkomen. Scholen beschikken over veel data daarvoor. Gegevens uit onderwijsadministratie, uit de digitale leeromgeving, van toegangs- en betaalpasjes, browsegegevens, gegevens van sensoren en WiFi-verbindingen. Als je alles bij elkaar voegt, heb je een redelijk compleet profiel van een student. Via machine learning is het dan mogelijk om continu een uitvalrisicoprofiel bij te houden. De school zelf moet vervolgens in actie komen, door bijvoorbeeld studenten extra ondersteuning te bieden.

Zo beweegt machine learning zich inmiddels van de grote visionaire projecten naar heel praktische toepassingen. Het zijn spannende en veelbelovende ontwikkelingen, die we graag aangrijpen om bedrijven en instellingen beter te laten presteren. “Voorspellen is moeilijk, vooral als het de toekomst betreft”, is een mooie uitspraak van Wim Kan. Hij had alleen niet kunnen voorspellen dat dat wel eens anders zou worden.

Deze blog is ook verschenen op BlogIT en Executive People

Meer weten?

Deel op social media