Definitie
Machine learning is een tak van kunstmatige intelligentie waarbij software patronen leert herkennen op basis van voorbeelddata, in plaats van expliciet geprogrammeerd te worden voor elke situatie. Een algoritme krijgt veel voorbeelden te zien, leidt daar regels uit af, en past die toe op nieuwe gevallen.
Typische toepassingen: spam-filtering, klantclassificatie, vraagvoorspelling, fraudedetectie en aanbevelingssystemen. Machine learning ligt onder veel moderne software, vaak zonder dat de gebruiker dat doorheeft. De recente AI-hype (ChatGPT en aanverwanten) is een specifieke vorm van machine learning, maar het veld is veel breder dan dat.
Waarom het ertoe doet voor MKB
Voor MKB is machine learning relevant op specifieke punten: vraagvoorspelling voor voorraadbeheer, klantgedragsanalyse voor marketing, foutdetectie in productieprocessen. Het is geen wondermiddel, en het loont alleen waar er voldoende data en een duidelijke vraag is.
Voor jouw bedrijf is de eerste vraag bij ML: welk probleem moet opgelost worden, en is er genoeg historische data om uit te leren? Zonder duidelijke vraag of voldoende data wordt een ML-project een dure verkenning zonder uitkomst.
Concreet voorbeeld
Een groothandel met 12.000 productartikelen had moeite met voorraadbeheer: bestelhoeveelheden werden geschat door inkopers met veel ervaring, maar bij personeelswisselingen ging die kennis verloren. Soms ontstond grote overschot, soms ernstige tekorten.
Een ML-model werd gebouwd op basis van 5 jaar verkoopgeschiedenis, seizoenspatronen en weersinvloeden. Het model adviseert nu bestelhoeveelheden per artikel per week. Inkopers houden het laatste woord, maar de adviezen blijken in 80% van de gevallen beter dan de oude schattingen. Voorraadkosten zijn met 18% gedaald, leveringsbetrouwbaarheid juist gestegen.
Misverstanden en valkuilen
- “ML lost alles op.” Onjuist. ML is goed voor patroonherkenning, niet voor problemen zonder duidelijke data of zonder duidelijke vraag.
- “Je hebt big data nodig.” Niet altijd. Voor sommige vragen volstaan een paar duizend voorbeelden. Big data is nodig voor brede modellen, niet voor specifieke voorspellingen.
- “ML is objectief.” ML leert van data, en als die data vooroordelen bevat, neemt het model die over. Een wervingstool die leert van historische sollicitatie-uitkomsten kan bestaande discriminatie versterken.
- “Een ML-model blijft werken.” Patronen veranderen. Een model dat na 2 jaar niet opnieuw getraind wordt op verse data, raakt geleidelijk achterhaald. Onderhoud is essentieel.
Wanneer moet je hiervan wakker liggen, wanneer niet
Wakker liggen: als je veel handmatig herhalend werk doet dat patroonherkenning lijkt (offertes inschatten, klanten classificeren, kwaliteitscontrole). Daar kan ML serieus tijd besparen, mits goed ingericht.
Niet wakker liggen: als een leverancier “AI” of “ML” als verkoopargument gebruikt zonder dat duidelijk is welk probleem het oplost. Veel “AI-features” zijn marketing-pluche zonder werkelijke meerwaarde voor jouw situatie.
Gerelateerde termen
- Generative AI: een specifieke tak van ML voor het genereren van inhoud.
- LLM: grote taalmodellen zijn een vorm van ML.
- Big data: soms relevant voor ML, vaak overschat.
- Computer vision: ML toegepast op beeldherkenning.