Machine leren
Machine learning is het concept dat een computerprogramma kan leren en aanpassen aan nieuwe gegevens zonder menselijke tussenkomst. Machine learning is een gebied van kunstmatige intelligentie (AI) dat de ingebouwde algoritmen van een computer actueel houdt, ongeacht veranderingen in de wereldwijde economie.
Machine Learning uitgelegd
Verschillende sectoren van de economie hebben te maken met enorme hoeveelheden gegevens die beschikbaar zijn in verschillende formaten uit verschillende bronnen. De enorme hoeveelheid gegevens, bekend als big data, wordt gemakkelijk beschikbaar en toegankelijk door het progressieve gebruik van technologie. Bedrijven en overheden beseffen de enorme inzichten die kunnen worden verkregen door gebruik te maken van big data, maar missen de middelen en tijd die nodig zijn om de schat aan informatie te doorzoeken. Als zodanig worden kunstmatige intelligentie-maatregelen door verschillende industrieën gebruikt om nuttige informatie uit gegevenssets te verzamelen, verwerken, communiceren en delen. Een methode van AI die in toenemende mate wordt gebruikt voor de verwerking van big data is machine learning.
Machine Learning-toepassingen
De verschillende datatoepassingen van machine learning worden gevormd door een complex algoritme of broncode ingebouwd in de machine of computer. Deze programmeercode maakt een model dat de gegevens identificeert en bouwt voorspellingen rond de gegevens die het identificeert. Het model gebruikt in het algoritme ingebouwde parameters om patronen te vormen voor het besluitvormingsproces. Wanneer nieuwe of aanvullende gegevens beschikbaar komen, past het algoritme automatisch de parameters aan om te controleren of er een patroonverandering is, indien aanwezig. Het model mag echter niet veranderen.
Machine learning wordt om verschillende redenen in verschillende sectoren gebruikt. Handelsystemen kunnen worden gekalibreerd om nieuwe investeringsmogelijkheden te identificeren. Marketing- en e-commerceplatforms kunnen worden afgestemd om nauwkeurige en gepersonaliseerde aanbevelingen aan hun gebruikers te geven op basis van de zoekgeschiedenis van de gebruikers op internet of eerdere transacties. Kredietinstellingen kunnen machine learning opnemen om slechte leningen te voorspellen en een kredietrisicomodel op te bouwen. Informatiehubs kunnen machine learning gebruiken om enorme hoeveelheden nieuwsverhalen uit alle hoeken van de wereld te behandelen. Banken kunnen fraudedetectietools maken op basis van technieken voor machinaal leren. De integratie van machine learning in het tijdperk van digitale savvy is eindeloos naarmate bedrijven en overheden zich meer bewust worden van de kansen die big data biedt.
Hoe machine learning werkt
Hoe machine learning werkt, kan beter worden verklaard door een illustratie in de financiële wereld. Traditioneel speuren beleggingsspelers op de effectenmarkt zoals financiële onderzoekers, analisten, vermogensbeheerders en individuele beleggers door veel informatie van verschillende bedrijven over de hele wereld om winstgevende investeringsbeslissingen te nemen. Sommige relevante informatie wordt echter mogelijk niet op grote schaal gepubliceerd door de media en is mogelijk alleen toegankelijk voor een select aantal mensen die het voordeel hebben dat ze werknemers zijn van het bedrijf of ingezetenen van het land waar de informatie vandaan komt. Bovendien is er slechts zoveel informatie die mensen binnen een bepaald tijdsbestek kunnen verzamelen en verwerken. Dit is waar machine learning van pas komt.
Een bedrijf voor vermogensbeheer kan machine learning inzetten in zijn analyse- en onderzoeksgebied. Stel dat de vermogensbeheerder alleen belegt in mijnbouwvoorraden. Het in het systeem ingebouwde model scant het web en verzamelt alle soorten nieuwsgebeurtenissen van bedrijven, industrieën, steden en landen, en deze verzamelde informatie vormt de dataset. De vermogensbeheerders en onderzoekers van het bedrijf zouden niet in staat zijn geweest om de informatie in de dataset te krijgen met behulp van hun menselijke vermogens en intellect. De parameters die naast het model zijn gebouwd, extraheren alleen gegevens over mijnbouwbedrijven, regelgevingsbeleid in de exploratiesector en politieke gebeurtenissen in geselecteerde landen uit de gegevensset. Stel dat een mijnbedrijf XYZ net een diamantmijn heeft ontdekt in een klein stadje in Zuid-Afrika, de machine learning-app zou dit markeren als relevante gegevens. Het model zou dan een analysetool, voorspellende analyse, kunnen gebruiken om te voorspellen of de mijnindustrie gedurende een bepaalde periode winstgevend zal zijn, of welke mijnbouwvoorraden op een bepaald tijdstip waarschijnlijk in waarde zullen toenemen. Deze informatie wordt doorgegeven aan de vermogensbeheerder om zijn portefeuille te analyseren en een beslissing te nemen. De vermogensbeheerder kan een beslissing nemen om miljoenen dollars in XYZ-aandelen te beleggen.
Na een ongunstige gebeurtenis, zoals Zuid-Afrikaanse mijnwerkers die staken, past het computeralgoritme zijn parameters automatisch aan om een nieuw patroon te creëren. Op deze manier blijft het in de machine ingebouwde computermodel actueel, zelfs bij veranderingen in wereldgebeurtenissen en zonder dat een mens zijn code hoeft aan te passen om de veranderingen weer te geven. Omdat de vermogensbeheerder deze nieuwe gegevens op tijd heeft ontvangen, kunnen ze zijn verliezen beperken door de voorraad te verlaten.
Vergelijk beleggingsrekeningen Aanbieder Naam Beschrijving Adverteerder Openbaarmaking × De aanbiedingen die in deze tabel worden weergegeven, zijn afkomstig van samenwerkingsverbanden waarvan Investopedia een vergoeding ontvangt.