Machine leren

Wat is machinaal leren?

Machine learning is het concept dat een computerprogramma kan leren en zich kan aanpassen aan nieuwe gegevens zonder menselijke tussenkomst. Machine learning is een gebied van kunstmatige intelligentie (AI) dat de ingebouwde algoritmen van een computer actueel houdt, ongeacht veranderingen in de wereldeconomie.

Inzicht in machine learning

Verschillende sectoren van de economie hebben te maken met enorme hoeveelheden gegevens die in verschillende formaten uit verschillende bronnen beschikbaar zijn. De enorme hoeveelheid data, ook wel big data genoemd, wordt steeds gemakkelijker beschikbaar en toegankelijk door het voortschrijdende gebruik van technologie, met name geavanceerde rekenmogelijkheden en cloudopslag. Bedrijven en overheden realiseren zich de enorme inzichten die kunnen worden verkregen door het aanboren van big data, maar missen de middelen en tijd die nodig zijn om de schat aan informatie te doorzoeken. Als zodanig worden kunstmatige-intelligentiemaatregelen door verschillende industrieën gebruikt om nuttige informatie uit datasets te verzamelen, verwerken, communiceren en delen. Een methode van AI die in toenemende mate wordt gebruikt voor de verwerking van big data is machine learning.

De verschillende datatoepassingen van machine learning worden gevormd door een complex algoritme of broncode die in de machine of computer is ingebouwd. Deze programmeercode creëert een model dat de data identificeert en bouwt voorspellingen op rond de data die het identificeert. Het model gebruikt parameters die in het algoritme zijn ingebouwd om patronen te vormen voor het besluitvormingsproces. Als er nieuwe of aanvullende gegevens beschikbaar komen, past het algoritme automatisch de parameters aan om te controleren of er een patroonwijziging is, indien aanwezig. Het model mag echter niet veranderen.

Maakt gebruik van machine learning

Machine learning wordt om verschillende redenen in verschillende sectoren gebruikt. Handelssystemen kunnen worden gekalibreerd om nieuwe investeringsmogelijkheden te identificeren. Marketing- en e-commerceplatforms kunnen worden afgestemd om hun gebruikers nauwkeurige en gepersonaliseerde aanbevelingen te doen op basis van de internetzoekgeschiedenis van de gebruikers of eerdere transacties. Kredietinstellingen kunnen machine learning gebruiken om slechte leningen te voorspellen en een kredietrisicomodel op te bouwen. Informatiehubs kunnen machine learning gebruiken om enorme hoeveelheden nieuwsverhalen uit alle hoeken van de wereld te verslaan. Banken kunnen maken van fraude detectie-instrumenten van machine learning technieken. De integratie van machine learning in het tijdperk van digital savvy is eindeloos naarmate bedrijven en overheden zich meer bewust worden van de kansen die big data bieden.

Toepassing van Machine Learning

Hoe machine learning werkt, kan beter worden uitgelegd aan de hand van een illustratie in de financiële wereld. Traditioneel doorzoeken investeringsspelers op de effectenmarkt, zoals financiële onderzoekers, analisten, vermogensbeheerders en individuele investeerders, veel informatie van verschillende bedrijven over de hele wereld om winstgevende investeringsbeslissingen te nemen. Sommige relevante informatie wordt echter mogelijk niet algemeen bekendgemaakt door de media en is mogelijk alleen beschikbaar voor een select aantal mensen die het voordeel hebben dat ze werknemers zijn van het bedrijf of inwoners zijn van het land waar de informatie vandaan komt. Bovendien is er slechts een beperkte hoeveelheid informatie die mensen kunnen verzamelen en verwerken binnen een bepaald tijdsbestek. Dit is waar machine learning om de hoek komt kijken.

Een vermogensbeheerder kan machine learning gebruiken op het gebied van beleggingsanalyse en onderzoek. Stel dat de vermogensbeheerder alleen in mijnbouwaandelen belegt. Het model dat in het systeem is ingebouwd, scant het web en verzamelt alle soorten nieuwsgebeurtenissen van bedrijven, industrieën, steden en landen, en deze verzamelde informatie vormt de dataset. De vermogensbeheerders en onderzoekers van de firma hadden de informatie in de dataset niet met hun menselijke krachten en intellect kunnen krijgen. De parameters die naast het model zijn gebouwd, halen alleen gegevens over mijnbouwbedrijven, regelgevingsbeleid voor de exploratiesector en politieke gebeurtenissen in geselecteerde landen uit de dataset.

Voorbeeld van machine learning

Stel dat mijnbouwbedrijf XYZ zojuist een diamantmijn heeft ontdekt in een klein stadje in Zuid-Afrika. Een machine learning-tool in de handen van een vermogensbeheerder die zich richt op mijnbouwbedrijven, zou dit als relevante gegevens benadrukken. Het model in de machine learning-tool zou dan een analyse-tool genaamd voorspellende analyse gebruiken om voorspellingen te doen over of de mijnbouw gedurende een bepaalde periode winstgevend zal zijn, of welke mijnbouwaandelen op een bepaald moment in waarde zullen stijgen, op basis van de recente informatie ontdekt, zonder enige input van de vermogensbeheerder. Deze informatie wordt doorgestuurd naar de vermogensbeheerder om zijn portefeuille te analyseren en een beslissing te nemen. De vermogensbeheerder kan dan een beslissing nemen om miljoenen dollars in XYZ-aandelen te investeren.

Na een ongunstige gebeurtenis, zoals Zuid-Afrikaanse mijnwerkers die staken, past het computeralgoritme zijn parameters automatisch aan om een ​​nieuw patroon te creëren. Op deze manier blijft het rekenmodel dat in de machine is ingebouwd actueel, zelfs met veranderingen in wereldgebeurtenissen en zonder dat een mens de code hoeft aan te passen om de veranderingen weer te geven. Doordat de vermogensbeheerder deze nieuwe gegevens op tijd heeft ontvangen, kunnen zij hun verliezen beperken door de voorraad te verlaten.