Machine Learning - pieken op late leeftijd

De term ‘Machine Learning’ is helemaal hot. In bijna elke sector wordt Machine Learning geïntroduceerd of liggen er plannen klaar om hiermee aan de slag te gaan. Deze technologie is echter ouder dan je wellicht zou verwachten. De eerste algoritmes voor Machine Learning werden namelijk al in de jaren ’50 bedacht. Hoe komt het dat Machine Learning nu – ruim zestig jaar na het ontwerpen van de eerste algoritmes – pas een begrip is in de technische markten?

Een solide basis

Er bestaan wat vraagtekens over het eerste programma dat in staat was om vergaarde kennis te gebruiken als basis voor het maken van een beslissing. Veel mensen beschouwen het eerste schaakprogramma – dat in 1952 werd ontworpen door Arthur Samuel en van eerdere zetten leerde – als de eerste praktische toepassing van Machine Learning.

MADALINE wordt door velen beschouwd als de eerste praktische toepassing die daadwerkelijk impact had in het dagelijks leven. MADALINE kon echo’s op telefoonlijnen herkennen en elimineren door patronen in een gesprek te herkennen en bits te voorspellen. MADALINE stamt uit 1959 en wordt vandaag de dag – zestig jaar later – nog steeds gebruikt.

Machine Learning is afhankelijk van twee belangrijke factoren: data en de rekenkracht van computers.

Een grote dataverzameling

Door de jaren heen zijn we steeds meer data gaan verzamelen. Bijna alle acties die online worden ondernomen, worden opgeslagen en verwerkt. Daarnaast wordt steeds meer unstructured data gestructureerd om ervoor te zorgen dat programma’s hiermee aan de slag kunnen. Dit is een zeer belangrijke ontwikkeling voor Machine Learning, aangezien er ongeveer vier keer zoveel unstructerd data als structured data bestaat.

Doordat er steeds meer data beschikbaar wordt om mee te werken, is er een grotere basis om beslissingen op te baseren.

Krachtige machines

Computers zijn veel krachtiger dan vroeger. Simpele en vloeiende handelingen die je nu dertig keer per dag uitvoert op je smartphone, zijn ooit complexe vraagstukken geweest voor de meest krachtige computers. De toename van de rekenkracht van computers heeft voor enorme veranderingen in de samenleving gezorgd.

De toegenomen rekenkracht van computers heeft er ook toe geleid dat Machine Learning meer praktische toepassingen kent. Het herkennen van patronen door computers duurde voorheen dusdanig lang dat deze technologie voor particulier gebruik niet relevant was.

Een combinatie van kracht en wijsheid

Voor Machine Learning zijn beiden belangrijk. Data om verbanden te kunnen trekken en rekenkracht om dit snel te kunnen doen. Waar het leggen van verbanden en het adequaat handelen vroeger veel langer duurde, kan dat nu veel sneller. Hierdoor kent Machine Learning tegenwoordig meer praktische toepassingen voor het alledaags leven en is de term uitgegroeid tot een religie binnen de techmarkten.