Een verbazingwekkend groot deel van die machine learning en AI-projecten worden in Europa gemaakt, een feitje waar het bedrijf best trots op is. "We hebben 25 development centers in Europa", zegt Doug Gurr, de country manager van het Verenigd Koninkrijk, "en we blijven ook investeren. Sinds 2010 hebben we zo'n 27 miljard geïnvesteerd in Europa." Dat gaat dan om teams die onderzoek doen naar stemtechnologie, automatisch vertalen, machine learning en betaaltechnologie, in Polen, het Verenigd Koninkrijk, Luxemburg, Duitsland, Oostenrijk en Frankrijk. Grote afwezige daar is België, waar voorlopig nog vrij weinig ontwikkeld wordt. "We zijn wel mensen aan het aannemen, over heel Europa...

Een verbazingwekkend groot deel van die machine learning en AI-projecten worden in Europa gemaakt, een feitje waar het bedrijf best trots op is. "We hebben 25 development centers in Europa", zegt Doug Gurr, de country manager van het Verenigd Koninkrijk, "en we blijven ook investeren. Sinds 2010 hebben we zo'n 27 miljard geïnvesteerd in Europa." Dat gaat dan om teams die onderzoek doen naar stemtechnologie, automatisch vertalen, machine learning en betaaltechnologie, in Polen, het Verenigd Koninkrijk, Luxemburg, Duitsland, Oostenrijk en Frankrijk. Grote afwezige daar is België, waar voorlopig nog vrij weinig ontwikkeld wordt. "We zijn wel mensen aan het aannemen, over heel Europa", zegt Gurr nog. Het zal niet verbazen dat veel van die Europese projecten draaien om taal. Zo werkt een Duits team aan het automatisch omzetten van catalogi van de ene taal in de andere. "We gaan beginnen met die catalogus zelf te vertalen," legt Ralf Herbrich, director of Machine Learning Science in Berlijn uit. "Onze processen beginnen meestal handmatig. Maar de enige manier om dat te schalen is om technologie te gebruiken, en de beste manier om deze soort technologie te regelen, is machine learning. Zo vertalen we de vele beslissingen die er in het verleden genomen zijn, naar voorspellingen voor de toekomst." Zo heeft het bedrijf een algoritme dat de vele beelden in de catalogus gaat proberen te labelen. In plaats van te kijken naar pakweg duizenden vrouwenschoenen, kan een bezoeker zo filteren op schoenen met een rits, of met veters. Dat algoritme wordt getraind via machine learning. "We hebben hier het voordeel dat we al heel veel beelden hebben van schoenen, we doen dit al jaren", zegt Herbrich. Om te zien of dat algoritme ook weet waar het mee bezig is, ontwikkelden de onderzoekers bovendien een 'heatmap'. Als het algoritme de vele pixels van een foto onderzoekt en een rits ontwaart, moet het via kleuren aangeven welke delen 'rits-achtig' zijn. "Zo konden wij begrijpen wat het herkende", zegt Herbrich. "En zo zien wij ook dat het algoritme weet wat er aan de hand is. Het geeft ons vertrouwen." Extra factor hier is gedragsanalyse, zo zegt Hugo Zaragoza, senior manager Applied Machine Learning bij Amazon in Barcelona. Die wordt onder meer ingezet om beter te reageren op zoekopdrachten. Want taal, zo zegt Zaragoza, is helemaal niet eenduidig. "Als ik 'mac' intik, zoek ik dan een computer, make-up, of een film zoals 'Mac and Me'? We moeten zelf leren wat hier de meest gebruikte betekenis is voor het woord, want dat staat niet in een boek." En daar komt de gedragsanalyse bij kijken. "Mensen tikken iets in, en als ze dat niet vinden, gaan ze iets anders proberen", zegt Zaragoza. "Als iemand bijvoorbeeld op 'Zootopia' zoekt, kan hij of zij het misschien niet vinden omdat die film nog niet uit is. Als het volgende dat er wordt ingetikt 'Inside Out' is, dan weten wij dat die twee semantisch gerelateerd zijn." Dat leidt, zo zegt hij, ook tot vragen. "Neem de iPhone," zegt Zaragoza. "Het meest geklikte resultaat voor 'iPhone' is de smartphone zelf. Maar het meest verkochte iPhone-resultaat is een oplaadkabel voor dat toestel. Dat is logisch, want dat is goedkoper en je hebt gaat die sneller moeten vervangen. Dan moet je beslissen hoeveel gewicht je statistisch gezien geeft aan clicks versus aankopen."