Machine learning kent verschillende leervormen. De keuze daartussen hangt samen met de beschikbare gegevens en met de vraag die je wilt beantwoorden. Zijn de gewenste uitkomsten al bekend, zoek je nog naar een structuur of moet een systeem leren van opeenvolgende handelingen? Door die situaties apart te bekijken, wordt duidelijker welke aanpak bij een project kan passen en welke beoordeling daarbij nodig is.

Begin bij het soort vraag

Neem een verzameling documenten als voorbeeld. Misschien wil je ieder document aan een bekende categorie koppelen. Misschien wil je juist ontdekken welke onderwerpen terugkeren zonder vooraf categorieën vast te leggen. Beide taken gebruiken tekst, maar vragen om een andere opzet. Het is dus onvoldoende om alleen te zeggen dat je machine learning op documenten wilt toepassen.

Beschrijf in gewone taal wat een bruikbaar resultaat is. Vermeld ook wie dat resultaat zal beoordelen. Als niemand kan uitleggen wanneer de uitkomst goed is, ontbreekt een belangrijk deel van de opdracht. Een technisch experiment kan nog steeds leerzaam zijn, maar moet dan als verkenning worden behandeld en niet als bewezen oplossing voor een concreet werkprobleem.

Supervised learning met labels

Bij supervised learning zijn voorbeelden gekoppeld aan een gewenste uitkomst. Dat kan een categorie zijn, maar ook een getal. Het model onderzoekt het verband tussen kenmerken van de invoer en die uitkomst. Een toepassing kan vervolgens bij een nieuw voorbeeld een voorspelling doen. Of die voorspelling bruikbaar is, moet apart worden onderzocht met geschikte controlevoorbeelden.

Besteed aandacht aan de labels voordat je het model ingewikkelder maakt. Zijn zij consequent toegekend en passen zij nog bij de huidige taak? Een verzameling tegenstrijdige voorbeelden kan niet worden gerepareerd door alleen langer te trainen. Bespreek onduidelijke gevallen en leg de betekenis van iedere categorie vast, zodat een toekomstige uitbreiding op dezelfde afspraken kan voortbouwen.

Unsupervised learning als verkenning

Bij unsupervised learning ontbreekt een vooraf ingevuld doelantwoord per voorbeeld. Je kunt bijvoorbeeld onderzoeken welke documenten op basis van hun kenmerken op elkaar lijken. Een gevonden groep is dan een voorstel voor structuur. De inhoudelijke betekenis daarvan moet nog worden bekeken: lijken de documenten op onderwerp, op lengte of op een andere eigenschap die minder relevant is?

Neem daarom tijd om voorbeelden uit verschillende groepen door te lezen. Geef een groep niet meteen een stellige naam op basis van één opvallend document. Controleer of de benaming ook bij andere leden past en waar uitzonderingen zitten. Zo wordt een technische indeling een aanleiding voor onderzoek, in plaats van een nieuwe categorie die zonder toelichting als feit wordt gebruikt.

Een combinatie van gelabelde en ongelabelde gegevens

Semi-supervised learning combineert voorbeelden met een bekend antwoord en voorbeelden zonder zo’n label. Dat kan interessant zijn wanneer inhoudelijke beoordeling veel tijd kost. De methode neemt die beoordeling niet volledig weg. Je moet nog steeds onderzoeken of de extra gegevens aansluiten bij de taak en of de uiteindelijke uitkomst daadwerkelijk verbetert.

Maak ook duidelijk welke voorbeelden als betrouwbare controle worden gebruikt. Als voorlopige modelvoorspellingen later als onbetwistbare labels worden behandeld, kunnen fouten onzichtbaar worden overgenomen. Houd de herkomst van labels daarom bij. Een menselijke beoordeling, een overgenomen registratie en een automatisch voorstel zijn niet zonder meer gelijkwaardige bronnen voor iedere toepassing.

Leren van acties en gevolgen

Reinforcement learning richt zich op het kiezen van acties in een omgeving en het leren van ontvangen beloningen. Het gaat daarbij vaak om een reeks beslissingen, waarbij een handeling later gevolgen kan hebben. Dat verschilt van een verzameling losse documenten indelen. De omgeving, de toegestane acties en de manier van belonen vormen belangrijke onderdelen van de opzet.

Een beloning moet zorgvuldig aansluiten op het gewenste gedrag. Als alleen snelheid meetelt, kan een andere belangrijke eigenschap buiten beeld raken. Gebruik daarom een beheersbare oefenomgeving en bekijk concrete gedragspatronen. Een hoge score binnen de proef vertelt pas iets nuttigs wanneer duidelijk is wat die score beloont en welke situaties buiten de proef zijn gebleven.

Kies een passende beoordelingswijze

De verschillende leervormen vragen niet om dezelfde controle. Een voorspeld label kun je vergelijken met een vastgesteld antwoord, terwijl een ontdekte groep inhoudelijke interpretatie nodig heeft. Leg die beoordeling vooraf vast. Zo wordt de keuze voor een methode verbonden met de vraag die je wilt beantwoorden en met een resultaat dat anderen kunnen begrijpen, controleren en verantwoord gebruiken.

Sergej Dergatsjev, eigenaar van Online Solutions Group, heeft CompanyGids nieuw leven ingeblazen en het platform verder uitgebouwd tot een moderne bedrijvengids voor België. Bezoek Company Gids en Online Solutions Group.