Waarom is dit belangrijk?
Dankzij machinaal leren kunnen computers snel nieuwe vaardigheden aanleren, ook tijdens praktisch gebruik, en specialistisch werk deels van mensen overnemen. In de zorg helpen zulke systemen bij het stellen van diagnoses en in wetenschappelijk onderzoek bij het voorspellen van eiwitfuncties. Voor patiënten en onderzoekers levert dit extra ondersteuning op, maar een getraind model vraagt blijvende controle op vooroordelen en desinformatie.
Zo werkt het in de praktijk
Zelflerende algoritmes gebruiken machinaal leren om patronen te zoeken of te voorspellen. De virtuele assistent Gem traint met gecontroleerd leren op gegevens met een label. Bij verkeerslichten gebruikt I-VRI bekrachtigingsleren, waarbij het model leert via straf en beloning.
Bij bekrachtigend leren is de juiste uitkomst niet van tevoren bekend. Het model krijgt een score en zoekt zo veel mogelijk punten. IBM zette dit in bij het schaakprogramma Deep Blue.
CRISP-DM is een open standaard voor datamining, waarop machinaal leren steunt. De werkwijze telt zes stappen, van de vraag begrijpen tot het model in gebruik nemen. Gecontroleerd, ongecontroleerd en bekrachtigend leren vallen meestal onder de AI-verordening, want het systeem leidt een resultaat af uit nieuwe gegevens.




