Supervised learning
Machine learning op basis van gelabelde data
Supervised learning maakt het mogelijk om machine-learningmodellen te trainen met historische gegevens waarvan de gewenste uitkomst bekend is. APPelit kan supervised learning technisch toepassen binnen maatwerksoftware voor onder meer voorspelling, classificatie en geautomatiseerde gegevensverwerking.
Wat is supervised learning?
Een model leren van bekende voorbeelden
Bij supervised learning wordt een machine-learningmodel getraind met voorbeelden waarbij zowel de invoergegevens als de juiste uitkomst beschikbaar zijn. Het model probeert tijdens de training patronen te herkennen die deze twee met elkaar verbinden.
Een dataset kan bijvoorbeeld historische productgegevens bevatten met daarbij de categorie waartoe ieder product behoort. Een getraind model kan vervolgens bij nieuwe producten voorspellen welke categorie waarschijnlijk van toepassing is.
Wanneer is supervised learning interessant voor een organisatie? Vooral wanneer voldoende historische data beschikbaar is, de gewenste uitkomst duidelijk kan worden vastgelegd en dezelfde soort voorspelling of classificatie regelmatig opnieuw moet worden uitgevoerd.
Classificatie en voorspelling
Twee veelgebruikte toepassingen
Supervised learning wordt vaak toegepast voor classificatie. Hierbij voorspelt een model tot welke vooraf bekende categorie een nieuwe invoer behoort. Denk aan het classificeren van documenten, berichten, afbeeldingen, transacties of aanvragen.
Een andere belangrijke toepassing is regressie. Daarbij voorspelt het model geen categorie, maar een numerieke waarde. Dat kan bijvoorbeeld een verwachte vraag, benodigde capaciteit, doorlooptijd of andere meetbare uitkomst zijn.
Welke techniek passend is, hangt af van het probleem dat de software moet oplossen. Het uitgangspunt is niet het algoritme zelf, maar de uitkomst die binnen het bedrijfsproces bruikbaar moet zijn.
Data voor supervised learning
De kwaliteit van labels is bepalend
Een supervised-learningmodel heeft trainingsdata nodig waarvan de correcte uitkomsten bekend zijn. Deze uitkomsten worden vaak labels genoemd.
Niet alleen de hoeveelheid data is belangrijk. Ook betrouwbaarheid, representativiteit, volledigheid en consistentie hebben invloed op de kwaliteit van een model. Veel foutief gelabelde gegevens kunnen bijvoorbeeld leiden tot een model dat verkeerde patronen aanleert.
Er bestaat daarom geen universeel minimumaantal records dat voor iedere toepassing voldoende is. Hoeveel trainingsdata nodig is, hangt onder andere af van de complexiteit van het probleem, het aantal variabelen, de gewenste nauwkeurigheid en de gebruikte modeltechniek.
Modellen trainen en controleren
Prestaties meten op ongeziene gegevens
Een machine-learningmodel moet niet alleen goede resultaten behalen op gegevens waarmee het is getraind. Belangrijker is dat het ook bruikbare voorspellingen kan doen voor gegevens die het model nog niet eerder heeft gezien.
Daarom wordt data tijdens ontwikkeling doorgaans gescheiden voor training, validatie en testing. De precieze verdeling hiervan verschilt per dataset en toepassing; er is geen vaste verhouding die voor ieder project optimaal is.
Tijdens evaluatie kunnen verschillende meetwaarden worden gebruikt. Bij classificatie kunnen bijvoorbeeld precision, recall of F1-score relevant zijn, terwijl bij regressiemodellen andere foutmaten worden toegepast. Welke maatstaf telt, wordt bepaald door de gevolgen van een juiste of onjuiste voorspelling binnen de toepassing.
Supervised learning in bedrijfssoftware
Van model naar bruikbare functionaliteit
Een machine-learningmodel levert pas praktische waarde wanneer de uitkomst op een bruikbare manier onderdeel wordt van een proces of applicatie.
Een model kan bijvoorbeeld binnen maatwerksoftware automatisch een categorie voorstellen, een kansscore berekenen, patronen herkennen of een verwachte waarde tonen. Een medewerker kan deze uitkomst vervolgens gebruiken als onderdeel van een bestaande workflow.
APPelit kan de technische integratie tussen model, data en applicatie realiseren. Daarbij bepaalt de opdrachtgever voor welk bedrijfsproces de voorspelling wordt gebruikt en welke rol de uitkomst binnen dat proces krijgt.
Modellen blijven controleren
Data en omstandigheden veranderen
Een model dat vandaag goed presteert, hoeft dat niet onbeperkt te blijven doen. Nieuwe producten, veranderend gebruikersgedrag of andere omstandigheden kunnen ervoor zorgen dat toekomstige data afwijkt van de gegevens waarop het model oorspronkelijk is getraind.
Daarom kan monitoring onderdeel zijn van een machine-learningoplossing. Daarmee kan onder meer worden gevolgd hoe voorspellingen zich ontwikkelen en of de kwaliteit van het model aanleiding geeft tot verdere analyse of retraining.
Ook nieuwe gelabelde data kan worden toegevoegd aan toekomstige trainingsrondes. Zo kan een supervised-learningtoepassing technisch worden onderhouden terwijl de onderliggende dataset verder groeit.
Supervised learning laten toepassen
Machine learning geïntegreerd in uw software
Beschikt uw organisatie over historische gegevens waarmee voorspellingen, classificaties of andere terugkerende beslissingen technisch kunnen worden ondersteund? Dan kan supervised learning een interessante bouwsteen zijn binnen een softwareoplossing.
APPelit kan machine-learningfunctionaliteit ontwikkelen en integreren binnen nieuwe of bestaande maatwerksoftware. Daarbij kijken we naar de beschikbare data, technische haalbaarheid, modelintegratie en de manier waarop voorspellingen binnen de applicatie beschikbaar moeten worden gemaakt.
Bespreek uw supervised-learningtoepassing met APPelit en ontdek hoe beschikbare data technisch kan worden ingezet binnen een werkende softwareoplossing.
Ervaar het gemak van onze service!
Wilt u dat wij contact opnemen? Vul het formulier hieronder in en we bellen u terug.
U kunt ook meer informatie achterlaten via onze contactpagina of het offerteformulier
Ervaar het gemak van onze service!
Wilt u dat wij contact opnemen? Vul het formulier hieronder in en we bellen u terug.
U kunt ook meer informatie achterlaten via onze contactpagina of het offerteformulier
Wij werken onder andere met
