Waarom is dit belangrijk?
Met een bayesiaans netwerk rekenen overheden door hoe een storm kan leiden tot regen, wateroverlast en uitval van voorzieningen. Het Kennisportaal Klimaatadaptatie gebruikt de methode bij de bescherming van kwetsbare infrastructuur, zoals havens en waterwegen. Planners en beheerders zien zo welke risico’s bij extreem weer toenemen, maar zonder goede gegevens of kennis van deskundigen geeft het model een vertekend beeld.
Zo werkt het in de praktijk
Microsoft en Hewlett-Packard gebruikten een bayesiaans netwerk om printerfouten op te sporen. Het model schat welke oorzaak het waarschijnlijkst is. Voor onderwijsbeleid schatten onderzoekers van de University of Technology Sydney paden naar schoolaanwezigheid, met de Longitudinal Study of Australian Children.
Onderzoek in machinaal leren richt zich op het leren van de structuur uit gegevens. Een methode met geheeltallige optimalisatie (integer programming) kan netwerken met tot 100 variabelen aan. Een deskundige hoeft dan niet elke pijl zelf te zetten.
Bij risicobeheer vullen analisten een bayesiaans netwerk met oordelen van deskundigen, als historische cijfers ontbreken. De London Mathematical Society beschrijft deze werkwijze voor veiligheidsbeoordeling en voor de kwaliteit van software. Nieuwe waarnemingen werken de kansen in het netwerk bij.




