Machine Learning

Machine learning is een wetenschappelijke discipline die zich bezighoudt met de ontwikkeling van algoritmes die leren van de structuren in de data. De bijbehorende technieken, gecombineerd met een steeds grotere beschikbaarheid van (big) data en beschikbare rekencapaciteit, maken het mogelijk om over te gaan op adaptieve modellen. Adaptieve modellen zijn zelflerende modellen die steeds nauwkeuriger worden in het voorspellen, doordat de uitkomsten van het model direct worden meegenomen bij het optimaliseren van het algoritme. Hierdoor worden veranderingen in de invloed van omgevingsfactoren automatisch opgevangen door het algoritme. Effecten in verband met bijvoorbeeld wetgeving, hoeven zo niet opnieuw gemodelleerd te worden.

Voordelen machine learning

Met machine learning zijn we beter in staat om gedrag te voorspellen dan met traditionele statistische modellen. Het is zelfs zo dat we op individueel niveau nauwkeuriger kunnen voorspellen. Zo kunnen relevante gedragspatronen van klanten op individueel niveau worden geïdentificeerd. Hierbij wordt gebruikgemaakt van supervised learning; in dit geval wordt een model getraind met een van tevoren vastgestelde dataset. Het is ook mogelijk om patronen in data te herkennen zonder een vooraf vastgestelde dataset; in dit geval spreek je van unsupervised learning.

Churn prediction met machine learning

Traditionele statistische modellen worden vaak gebruikt om relevante groepen (cases) te achterhalen, bijvoorbeeld het identificeren van fraudecases. Aan de ene kant zijn er cases die in een risicogroep vallen, maar geen fraude plegen. Aan de andere kant zijn er cases die buiten de risicogroep vallen, maar juist wél fraude plegen. Machine learning is om deze reden een geschikte techniek. Door de verschillende soorten patroonherkenning op individueel niveau, kan het relevante gedragspatroon nauwkeuriger worden geïdentificeerd. Dit zorgt ervoor dat er bij minder individuen actie moet worden ondernomen. Het gevolg hiervan is weer dat er minder individuen gecontroleerd hoeven te worden op fraude en er minder tijd verloren gaat aan het onderzoeken van ‘onterechte’ fraudecases. Daarnaast kunnen er meer relevante individuen worden geïdentificeerd met machine learning algoritmes. Kortom, er komen méér fraudecases naar voren, omdat we ons met machine learning niet beperken tot één specifieke risicogroep.

Machine learning is een snel en relatief jong vakgebied. Op dit moment wordt het vooral toegepast in forensisch onderzoek, vertaalprogramma’s en logistieke optimalisatie. Onze kennispartner, Stichting Neurale Netwerken van de Radboud Universiteit Nijmegen, is toonaangevend op dit gebied. Samen hebben wij de missie om deze krachtige algoritmes toe te passen op commerciële classificatie- en segmentatievraagstukken. Bij onze klanten beoordelen wij altijd eerst de datakwaliteit door middel van een data deep dive. Zodra de data van voldoende kwaliteit is, ontwikkelt één van onze data scientisten een algoritme voor het vraagstuk met de best passende techniek binnen het machine learning domein.

Ben je nieuwsgierig geworden en wil je meer weten over machine learning? Neem dan eens contact op met Jesse Luk.

Ons officiële algoritme-keurmerk

Back to Top