In wezen is machine learning niet zo nieuw als we denken. Kunstmatige neurale netwerken, waarop de algoritmes in machine learning zijn gebaseerd, worden al decennialang gebruikt. Alleen genereren we nu exponentieel veel meer data en neemt de rekenkracht van machines toe. De vooruitgang van het Internet of Things betekent slimmere systemen die meer informatie bezitten over onze interesses, waardoor een nieuwe generatie van persoonlijke en intelligente toepassingen een feit zijn. Goedkopere diensten, slimmere producten en eenvoudige toepassingen moeten de basis worden voor betere gebruikerservaringen, misschien wel de bottom line van machine learning.
...

In wezen is machine learning niet zo nieuw als we denken. Kunstmatige neurale netwerken, waarop de algoritmes in machine learning zijn gebaseerd, worden al decennialang gebruikt. Alleen genereren we nu exponentieel veel meer data en neemt de rekenkracht van machines toe. De vooruitgang van het Internet of Things betekent slimmere systemen die meer informatie bezitten over onze interesses, waardoor een nieuwe generatie van persoonlijke en intelligente toepassingen een feit zijn. Goedkopere diensten, slimmere producten en eenvoudige toepassingen moeten de basis worden voor betere gebruikerservaringen, misschien wel de bottom line van machine learning. In de industriële sector is er onder meer het Hasseltse TrendMiner, een softwarebedrijf dat een gepatenteerde big data zoektechnologie op poten zette voor de procesindustrie. Gestoeld op patroonherkenning en machine learning, informeert de technologie organisaties over het verloop van het productieproces, stelt ze procesmatige verbeteringen voor en zendt ze alarmsignalen uit wanneer het dreigt fout te lopen. "Onze technologie kan je deels vergelijken met muziekherkenningsdienst Shazam, maar dan voor problemen in het productieproces", vertelt ceo en oprichter Bert Baeck. Faction XYZ, een ai service provider uit Antwerpen, bouwt enerzijds machinelearningtoepassingen waarmee organisaties bijvoorbeeld voorspellend onderhoud kunnen uitvoeren. Daarnaast ondersteunt het chatbots met de eigen ontwikkelde chatlayer.ai. "Op dit moment wordt onze technologie vooral gebruikt om de kost van bestaande bedrijfsprocessen te verlagen", laat vp Operations Tom Schouteden weten. Het in Tervuren gevestigde Lynxcare laat machine learning dan weer voet aan wal zetten in de medische sector. De start-up verwezenlijkte een software die medische data efficiënt registreert en ter beschikking stelt van patiënten en artsen. "Artsen kunnen zo flink wat tijd besparen, maar vooral een kwalitatieve medische zorg bieden aan hun patiënten", klinkt het bij medeoprichter Georges De Feu. Het automatiseren van routinematige processen moet ook flink wat opportuniteiten betekenen voor bedrijven. "Sommige van onze klanten die zich al comfortabel voelen met machine learning, ondernemen stappen om nieuwe producten en diensten te introduceren", vertelt Schouteden. "Verregaande automatisaties gaan nu eenmaal hand in hand met nieuwe en vaak meer schaalbare businessmodellen." "Bedrijven die vroeger producten verkochten, overwegen steeds meer om te pivoteren naar een service-georiënteerd model", stelt Baeck. "Niet de verkoop van een product maar de dienst die het product moet leveren staat centraal. Kijk maar naar Philips, die met Light-as-a-Service een redelijk nieuw, circulair verdienmodel toepast. Klanten betalen niet langer voor een armatuur, wel voor het gebruik ervan. Aan het einde van de levensduur worden de teruggenomen producten weer in omloop gebracht. Die besparing op grondstoffen betekent ook een kostenbesparing voor de eindklant. De focus verschuift naar het leveren van een onberispelijke dienstverlening, waarin persoonlijk contact met de klant op de eerste plaats staat." "Die shift richting een gepersonaliseerde service werpt vooral ook zijn vruchten af voor de gezondheidssector", laat De Feu weten. "Door de administratieve druk te verlagen en om te buigen naar resultaatgericht informatiebeheer, kunnen artsen meer tijd investeren in de effectieve zorgverlening. Volgens mij draaien de ziekenhuizen van de toekomst dan ook eindelijk weer om de patiënt." Allemaal goed en wel, maar onze maatschappij kan het zich niet permitteren te geloven dat machine learning de collectieve grote redder is van tijdrovende processen en gebrekkige gebruikerservaringen. De technologie vereist namelijk nog tig menselijke bijschaving en besturing, waardoor ze misschien een zege en een vloek tegelijk is. Zo moet u weten dat machine learning wordt onderverdeeld in supervised en unsupervised learning. Bij de eerste leertechniek wordt het systeem intelligenter door menselijke input, terwijl unsupervised learning systemen zélf verbanden leggen tussen grote, niet-gelabelde hoeveelheden data. Bij die laatste heerst daarom het risico dat het louter correlaties legt die geen pertinente oorzaak-gevolg-relatie betekenen voor een bedrijf. Nul relevantie dus, laat staan dat de data kan gebruikt worden om waardevolle conclusies te trekken. "Machine learning wordt inderdaad dikwijls zonder meer bestempeld als een 'magic box'", bevestigt Baeck. "Een verkeerde aanpak en foutieve verwachtingen leiden soms tot ontgoocheling en een aversieve houding tegenover technologie an sich." Het bewijs van die stelling werd al geleverd. Denk maar aan de racistische uitlatingen van Microsofts Twitterbot. Wanneer een kwaadwillig persoon ontdekt hoe een bot 'leert', kan hij ook de kennis manipuleren. Manuele bijsturing is dus hoe dan ook nodig opdat een systeem nauwkeuriger en slimmer wordt. "Zeker in onze sector zien we dat de menselijke component noodzakelijk blijft", vult De Feu aan. "Diagnoses en medisch advies zijn gestoeld op veel complexe variabelen - denk maar aan sociale situaties en overheidsreguleringen. Machine learning is nog lang niet in die fase dat het zelfstandig raad kan geven en conclusies formuleert. We mogen niet naïef zijn." "Eigenlijk is de mens de opvoeder van artificiële intelligentie", aldus Schouteden nog. Hoe 'artificieel' is kunstmatige intelligentie dan echt, als de technologie dusdanig menselijke annotaties en handelingen vereist ? Is het gevreesde slagveld in banen dan onterecht ? Ja en nee. Dat de doorsnee jobinhoud drastisch zal veranderen, staat buiten kijf. Zeker voor mensen die routineuze taken uitvoeren, is het aanpassen geblazen. De buschauffeur waarmee u regelmatig een babbeltje slaat, staat binnenkort misschien wel uw rug te masseren terwijl u zich in een zelfrijdend voertuig naar de eindbestemming begeeft. De arbeider die auto's soldeert, zal dat gemakkelijker kunnen doen met behulp van robots. "Ik denk dat vooral de data scientist een prominente job zal zijn", zegt Baeck. "Uit de befaamde 'industry 4.0' spruit duidelijk een nieuw soort jobs voort waaraan men ook in België aandacht moet besteden. Arbeids- en energiekosten rijzen nu al de pan uit en we moeten mensen klaarstomen voor the next gen productivity, waarbij ze ondersteund worden door machine learning." Lang niet iedereen zal in staat zijn om zich zomaar aan te passen, laat staan zich bij te scholen. In België vereist machine learning, net als die legio andere nieuwe technologieën en ontwikkelingen, een aangepast onderwijssysteem met nieuwe domeinen en expertises. "Het onderwijs is inadequaat voor de toekomst", zegt Schouteden ernstig. "Dat wordt keer op keer bevestigd wanneer we mensen aanwerven die in een vorig leven assistent of docent waren. Persoonlijk ben ik een fervent voorstander om meer STEM-vakken (Science, Technology, Engineering, Mathematics, nvdr) te promoten bij de jongeren. Toch hebben we de keuze gemaakt dat het aan de bedrijven is als de onderwijswereld geen actie onderneemt. Zo hebben wij bij Faction XYZ in samenwerking met onze partners een eigen curriculum uitgewerkt om de arbeidsmarkt te voorzien van beter geschoolde professionals. Verder denk ik dat de gesprekken over een universeel basisinkomen op het juiste ogenblik komen." "Ook wij zien het als onze taak om mensen als chemische ingenieurs wat meer analytics bij te brengen", knikt Baeck. "Momenteel vind ik wel dat de algemene opleidingsniveaus dik in orde zijn om die stap al te kunnen zetten." "Toch is er voor de overheid een mooie rol weggelegd om van technologieën als machine learning de nieuwe realiteit te maken", kaart De Feu aan. "En dat begint effectief bij het onderwijs. In de praktijk zien we nog veel tegenstribbelende initiatieven. Als men automatisering in bedrijven extra wil belasten, dan stuurt de regering een verkeerd signaal uit." Een andere kritische noot bij het soms bejubelde machine learning is de privacy van de mens. Hoe meer data er verwerkt wordt door slimme systemen, hoe nauwkeuriger die worden. Kennen bedrijven binnenkort onze meest intieme momenten tot in detail ? "Dat machine learning de mogelijkheid biedt om het gedrag van mensen te sturen, is een ongekende machtsvorm", geeft Schouteden aan. "Ethiek omtrent de omgang met data moet het dna worden van elk bedrijf. Dat moet kenbaar worden gemaakt met een strikte toepassing van richtlijnen inzake databeveiliging en -privacy als het absolute minimum. Een evolutie die van start zal gaan met de implementatie van de GDPR (General Data Protection Regulation, nvdr)." Magali De Reu"Machine learning wordt dikwijls zonder meer bestempeld als een 'magic box'" "Eigenlijk is de mens de opvoeder van artificiële intelligentie" "Het onderwijs is inadequaat voor de toekomst"