Machine learning gaat e-business veranderen

Slimme machines nemen steeds vaker menselijke taken over. Met dank aan de opmars van onder meer machine learning. Nog even en de techniek vertelt ons wat te doen. Een scenario dat volgens experts niet lang meer op zich laat wachten. En grote invloed zal hebben op het online zakendoen.

In de wetenschap is het vakgebied machine learning niet nieuw. Zo wordt er al tientallen jaren gezocht naar manieren en formules om de werking van de menselijke hersenen online na te bootsen. In de afgelopen jaren is het vakgebied in een stroomversnelling geraakt door onder meer de interesse vanuit grote internetbedrijven. Die verzamelen immers bergen aan data, hebben over de hele wereld reken- en datacentra staan en zoeken continu manieren om die technische infrastructuur – en daarmee hun verdienmodellen – te optimaliseren.

Netflix is hiervan een simpel voorbeeld; driekwart van hetgeen een abonnee kijkt, komt voort uit de suggesties die het systeem doet. Welk soort films of series kijkt iemand graag? Hoeveel sterren geeft hij eraan? Waar, wanneer, hoe laat en hoe lang kijkt hij? Allemaal factoren die onderdeel zijn van iemands kijkgedrag.

Nog geen twee jaar geleden besloot de online videodienst deze data middels een groot computercluster inzichtelijk te maken. Om zodoende nieuwe modellen met betrekking tot aanbevelingen te kunnen testen en verbeteren. Het resultaat: de kwaliteit van de kijksuggesties werd met tien procent verbeterd, wat direct leidde tot een omzetstijging van miljoenen dollars.

Humin
Iets complexer wordt het als je machines slimmer laat worden door ze te laten stoeien met data en zelf verbanden te laten leggen. Een dergelijk experiment deed Google eerder dit jaar in een van zijn datacentra, waar techneut Jim Gao zo veel mogelijk data verzamelde over variabelen, zoals serverbelasting, buitentemperatuur, werking van de mechanische en koelingsapparatuur. Deze gegevens werden vervolgens in verband gebracht met het energieverbruik van de hal waarin de duizenden servers staan. Het leverde na enige tijd een model op waarmee Gao kon uitrekenen hoe het energieverbruik zou zijn als het buiten kouder of warmer werd. Maar ook hoe het bedrijf de systemen kon optimaliseren zodra er een servercluster werd gedeactiveerd, voor reparatie, onderhoud of vervanging. Net als bij Netflix leverde de inzet van machine learning een kostenbesparing op.

Een hele andere vorm van machine learning wordt toegepast door Humin, een één jaar oude Amerikaanse startup die het adresboek op je smartphone voorgoed wil veranderen. De app weet behalve je contactgegevens namelijk ook waar en wanneer je iemand voor het eerst hebt ontmoet. Op basis van je agenda. Hij leert met wie je het meest communiceert en houdt bij hoe sterk de relaties met al je contacten zijn. Op basis van dergelijke historische informatie laat de app je bijvoorbeeld weten wanneer het weer tijd is om iemand te bellen. Of te ontmoeten. Sterker nog, dankzij de locatie-informatie kan hij suggereren wie je zou kunnen ontmoeten als je in een andere stad bent. Zelfs als die persoon niet in je contactenlijst voorkomt.

Mars
Het concept achter lerende machines is vrij eenvoudig. Eigenlijk is het vergelijkbaar met hoe baby’s hun omgeving leren waarnemen. Net na hun geboorte weten en kennen ze niets; de ouders geven de kind in de eerste jaren van zijn leven doorlopend impulsen om te leren. Door bij herhaling taal en beeld aan te bieden, leert de kleine langzaamaan beelden en klanken te herkennen. Niet veel later zal hij deze proberen te reproduceren, een langdurig proces van vallen en opstaan. Na de eerste paar levensjaren heeft het kind modellen opgebouwd van hoe de wereld er in beeld en geluid uitziet. Deze zullen voor de rest van zijn leven als referentiepunt fungeren en onderhevig blijven aan correctie, ze worden fijngeslepen en uitgebreid.

Een internetbedrijf dat dit soort mechanismes online al gebruikt voor het uitserveren van internetreclame – middels behavioural targeting – is Rocket Fuel. Volgens Ernest Aberson, Country Manager Benelux van het bedrijf, is het voorspellen van menselijk gedrag niet heel moeilijk. “Na een tijdje kan je bij de meesten wel bepaalde gedragspatronen herkennen. Onze technologie doet dat op grote schaal, binnen een seconde doen we al snel een half miljoen voorspellingen.”

Het bedrijf, opgericht door een voormalig NASA-programmeur die systemen bouwde voor de ruimteauto’s op Mars, voorspelt voor automerken, maar ook sportmerk Adidas of een consument bereid is tot een proefrit dan wel een online aankoop. De achterliggende techniek wordt in eerste instantie ingezet op het gebied van marketing. Rocket Fuel wil het op de lange termijn ook inzetten voor onder meer retail, finance en de gezondheidszorg. “Zo is het voor energiebedrijven waardevol als ze real time de energievraag kunnen voorspellen”, aldus Aberson.

Webwinkeliers, ook in Nederland, zetten momenteel al hun eerste schreden op het gebied van machine learning. Het vele hand- en denkwerk dat het verzamelen en interpreteren van data over in- en verkoopprijzen, voorraad, belevering en de selectie van het assortiment met zich meebrengt, kan namelijk vele malen sneller en beter door computers worden gedaan. Mits de machine over álle relevante data beschikt en dus ook de informatie heeft die op het eerste gezicht niet heel relevant lijkt, zoals het weer, feestdagen enzovoort.

Deep learning
Voorlopers op dit gebied, zoals Google, Microsoft, Facebook en het Chinese Baidu, verschuiven al naar een nieuw terrein, deep learning genaamd. Dit gaat een stap verder dan machine learning, waarbij machines middels kunstmatige intelligentie modellen maken en aanpassen op basis van informatie die ze wel, maar ook niet hebben. Ze herkennen het onbekende door te bekijken hoe de aangeleverde data daarop reageert. Op eenzelfde manier detecteren natuurkundigen vandaag de dag ook zwarte gaten in ons heelal. Want een zwart gat zelf is niet waarneembaar, maar de reactie van de omgeving wel. Door die te bestuderen, verzamelen wetenschappers – zij het indirect – toch informatie over de astronomische alleseters in de ruimte. Waarbij de zelflerende computersystemen net zo lang doorgaan totdat ze alle patronen van de onbekende factor hebben geleerd.

Deep learning is overigens al twee jaar de motor voor spraakdiensten in Apples Siri, maar ook Google Search en Google Translate. Het heeft ook al gezorgd dat het zoeken en analyseren van foto- en videomateriaal mogelijk werd. Zo is Google+ Stories, een onderdeel van het online fotoboek, in staat om, bijvoorbeeld na vakanties, een zeer passend fotoboek te maken, waarin vrijwel alle relevante momenten – van bezienswaardigheden, verrassende situaties tot spontane feestjes – worden herkend. Wat dagelijks een keurig geregisseerd en chronologisch fotoboek oplevert, waarbij niets doet vermoeden dat alleen een computer aan de knoppen heeft gezeten. En dat geheel automatisch.

Na spraak- en beeldherkenning volgt volgens experts de fase van ‘computer vision’, computers die kunnen kijken. En binnen enkele jaren ook natuurlijke taalverwerking, waarbij niet tégen, maar mét de computer kan worden gepraat. Een domein waar de grote internetbedrijven inmiddels in investeren, zodat ze op termijn nog betere gebruikersinterfaces kunnen ontwerpen, of reclame kunnen uitserveren dan wel betere aanbevelingen kunnen doen.

Pong
Wie dieper inzoomt op de markt van deep learning ziet dat er net een eerste golf van overnames is geweest, zowel van bedrijven als mensen. Zo kocht Twitter het bedrijf Madbits voor foto-analyse en organisatie, nam LinkedIn Bright Media over vanwege diens algoritmes voor baanbemiddeling en kocht Pinterest VisualGraph om meer kennis te verwerven over beeldherkenning.

De Chinese zoekmachine Baidu kaapte onder meer Andrew Ng bij Google weg, die zich bezighield met de ‘hersenen’ van de zelfrijdende Google-auto. Facebook verwelkomde topwetenschapper Yann LeCun, de man die in de jaren tachtig de banken leerde hoe de sector automatisch betaalcheques kon lezen. En Google kocht DeepMind voor een half miljard euro, volgens ingewijden vooral om de medewerkers van het bedrijf.

Elk van deze partijen investeert honderden miljoenen dollars in het opbouwen van nieuwe kennis middels zelfdenkende computers. Nu nog ieder met zijn eigen specialisme, maar het aardige van de wiskundige computermodellen van deep learning is dat ze – eenmaal geperfectioneerd – ook eenvoudig op andere domeinen toe te passen zijn.

Het is overigens niet uitgesloten dat de overnames nog even doorgaan. De startups van nu zijn immers de potentiële ontwrichters van de toekomst. Nieuwe spelers op dit toneel zijn bedrijven met nu nog onbekende namen als Kaggle, Clarifai, Ersatz, Skymind, Enlitic, Vicarious en Nervana.

Een van de meest aansprekende overnames is wel die van DeepMind Technologies door Google. De Engelsen hebben namelijk een systeem ontwikkeld dat slechts met een minimum aan basiskennis kan leren wat het ziet en hoe het met de omgeving kan interageren. Voor een toepassing ervan moeten we terug naar de jaren tachtig, toen het Pong-spel – met die twee balkjes en een bal – zeer populair was.

DeepMind liet destijds een computer het Pong-spel spelen op basis van wat basale informatie over de besturing ervan. Vervolgens startte een spelronde, steeds weer opnieuw. Door te verliezen leerde de computer om te winnen. En na een trainingssessie van vier uur wist hij zelfs de beste menselijke speler te verslaan. “De computer vindt de zwakte in het systeem en exploiteert dat”, aldus oprichter Demis Hassabis, zelf meesterschaker en programmeur.

Whirlpool
Hoe en waar Google deze technologie gaat toepassen is nog onbekend, Het is aannemelijk dat we er binnen afzienbare tijd in ons huishouden mee te maken zullen krijgen. Met de overname van Nest Labs verwierf Google zich al een positie in de opkomende markt van de domotica, waarbij huishoudelijke apparatuur met het internet is verbonden. Nest is typisch een bedrijf dat aan machine learning doet, met vooralsnog twee producten: een thermostaat en een rookmelder, aldus Pieter Verhoeven. “Het zijn eigenlijk die dingen in je huis waar al lange tijd geen enkele innovatie op heeft plaatsgevonden. We laten die apparaten zelf leren hoe ze functioneren in hun omgeving”, aldus een van Nests algoritme-engineers. “Er wordt gekeken naar de patronen in een huis, waarbij je kunt aangeven wat je prettig vindt. Onze thermostaat houdt al rekening met de buitentemperatuur. Daarvoor gebruiken we externe databronnen.”

Afgelopen juni publiceerde het bedrijf een API zodat externe ontwikkelaars hun eigen apparatuur kunnen laten samenwerken met die van Nest. Hierdoor kan een Mercedes detecteren wanneer zijn bestuurder naar huis gaat en wordt desgewenst de kachel al voor hem aangezet. Maar ook wasmachines en drogers van Whirlpool weten, dankzij Nest, wanneer het energienet op piekbelasting is. En dus start het was- of droogprogramma pas als die periode is afgelopen en het stroomtarief lager is.

Volgens Verhoeven kan je op termijn systemen trainen op alles wat je maar wilt. “Machines zullen ook emoties gaan begrijpen. Dat is slechts een kwestie van tijd. Net als dat ze zelf een bewustzijn kunnen gaan ontwikkelen. Het is daarom zaak om behoedzaam met deze materie om te gaan.”

Technologiekenner Yuri van Geest waarschuwt ook voor de keerzijde, het verlies van controle. “Dit brengt namelijk ook een ethisch vraagstuk naar voren, want als het zover is, kan het systeem besluiten nemen die je zelf niet begrijpt. Met alle gevolgen van dien. Kijk naar de flitshandel op de financiële markt, die algoritmische beslissingen zijn niet altijd de juiste gebleken.”

Hoe nu verder? Volgens de pessimisten zal de opkomst van zelflerende machines onherroepelijk leiden tot nieuwe klassensystemen (met slechts een kleine groep hele rijke mensen en een massa van minder welvarende arbeiders). De optimisten aan de andere kant zien juist voordelen en verwachten dat het vooral nieuwe banen in de online industrie gaat opleveren…

Overbodig
Ook tekstschrijvers zijn niet meer veilig voor robots. Een aantal nieuwsdiensten zet sinds dit jaar al computers in om automatisch verhalen te schrijven, deels of helemaal. Bij The Associated Press lezen en schrijven robots financiële berichten, waardoor de nieuwsproductie van 300 naar 4400 per dag is gestegen. Bij zakentijdschrift Forbes worden algoritmes van Narrative Science gebruikt om korte nieuwsitems te schrijven over hoe aandelenkoersen van bedrijven zich ontwikkelen. En bij de Los Angeles Times had een machine de primeur toen er een aardbeving was; drie minuten na het incident deed de online editie al melding van een beving en de intensiteit ervan. Met als laatste zin: ‘This post was created by an algorithm written by the author.

Watson
Om zelf te kunnen leren, moeten computers heel veel berekeningen tegelijkertijd doen. Dat kan omdat computerchips steeds sneller worden. Zo demonstreerde IBM vorige maand onder de naam TrueNorth nog een chip met 256 miljoen programmeerbare ‘denkende veldjes’. Oftewel, 256 miljoen minutieuze zelflerende computers.

De komende vijf jaar investeert de R&D-afdeling van het bedrijf maar liefst drie miljard dollar in de ontwikkeling van een nieuwe generatie computerchips. Chips die het fundament moeten leggen voor computersystemen die werken als menselijke hersens. Het gaat hier om quantum computing, een gebied waar enkel het Canadese D-Wave op dit moment commercieel actief in is. Hun twee grote klanten: Google en NASA.

En dan is er nog IBM’s superslimme computer Watson waar het bedrijf veel van verwacht. En hoopt in te kunnen zetten in sectoren als finance, healthcare, retail en de publieke sector.

* Dit artikel verscheen eerder in het oktobernummer van Emerce magazine (#134)



Lees het volledige bericht op Emerce »


Add Your Comment