machine learning

Het verschil tussen Artificial Intelligence, machine learning en deep learning

15 augustus, 2019

Woorden als machine learning, artificial intelligence en deep learning worden door veel marketeers nog altijd beschouwd als buzzwoorden en worden veel door elkaar gebruikt. Ondanks dat ze regelmatig in het nieuws verschijnen, is het voor velen niet duidelijk wat de begrippen precies inhouden en wat de verschillen zijn. In deze blog wordt dit uitgebreid besproken. 

Door de hoeveelheid digitale apparaten in ons leven en door het toenemende gebruik ervan, heeft er de laatste jaren een behoorlijke data-explosie plaatsgevonden. De steeds nieuwere manieren om deze data te verwerken en te gebruiken, dragen bij aan een nieuw innovatief tijdperk. Het breedste begrip om slim met data om te gaan is kunstmatige intelligentie, oftewel Artificial Intelligence (afgekort AI).

Wat is Artificial Intelligence?

Artificial Intelligence is een breed begrip dat er naar streeft om zonder het menselijke brein functionele ontwikkelingen te generen. Het komt erop neer dat machines menselijke taken overnemen en uitvoeren. De begrippen machine learning en deep learning vallen onder het overkoepelende artificial intelligence. 

Een eenvoudig voorbeeld van een AI toepassing bij een website is: alle nieuwe websitebezoekers, een pop-up tonen met een bepaalde boodschap. Terugkerende bezoekers krijgen deze uiting niet te zien. In deze oplossing zorgen de algoritmes ervoor dat bepaalde groepen automatisch worden herkend en iets wel of juist niet te zien krijgen. Andere bekende voorbeeld is het tonen van aanbevelingen via cross of upselling. Een consument voegt bijvoorbeeld een smartphone toe aan zijn winkelmandje. Even later voegt hij ook een smartphone oplader toe. Op basis van ervaring en toegekende regels weet het algoritme dat de smartphone het ‘hoofdproduct’ is en de oplader een accessoire. Het algoritme kan vervolgens dezelfde soort oplader voor een hogere prijs tonen om upsell te realiseren.

Wat is machine learning?

Machine learning is een onderdeel van AI en werkt op basis van wiskundige formules en algoritmes. Dit zorgt ervoor dat deze algoritmes leren van de data die bijvoorbeeld opgeslagen is in een Customer Data Platform (CDP) of Data Management Platform (DMP) en zichzelf verbeteren. Eenvoudig gezegd, de systemen van een bedrijf leren van data op basis van eerdere ervaringen en ontdekken daar nieuwe patronen in en stellen eerdere conclusies bij. Zonder machine learning kunnen computers en andere digitale devices alleen leren door ingewikkelde coderegels te schrijven. Dat kost veel tijd, geld en mankracht in een omgeving met data. Daarnaast is het bijna onmogelijk om voor iedere handeling een taak te definiëren. Een voorbeeld hiervan is het versturen van een persoonlijk nieuwsbrief naar een specifieke ontvanger. Door machine learning toe te passen hoeft er niet voor iedere ontvanger handmatig bepaald te worden. Het algoritme kan dat bepalen en op basis van open rates en clicks bepalen of de ontvanger blij is met de inhoud. 

Verschillende manieren om te leren

Machine learning kan opgedeeld worden in gecontroleerd leren en ongecontroleerd leren. Bij gecontroleerd leren wordt er input geleverd in vorm van voorbeelden waarmee het algoritme nieuwe output produceert. Er worden patronen gevonden op basis van de voorbeelden die zijn gegeven. Bij ongecontroleerd leren werkt het net andersom. Het algoritme gaat zonder voorbeelden op zoek naar patronen en opvallende gegevens in reeksen data. Dit kan bijvoorbeeld ook gedaan worden aan de hand van segmenten.

Allereerst wordt er door programmeurs bepaald op welke manier een computersysteem dingen leert. Op basis van grote hoeveelheden data worden de systemen‘getraind’. Vervolgens kunnen er taken uitgevoerd worden die van de algoritmes worden verwacht. Dit zorgt ervoor dat het systeem razendsnel keuzes kan maken op basis van ervaring en patronen.

Voorbeeld gecontroleerd leren: Op basis van historische data kunnen er voorspelling voor de toekomst worden gedaan. Een bezoeker heeft product X gekocht. Door labels aan product X te koppelen, kan machine learning voorspellen welke andere producten er mogelijk interessant zijn voor de bezoeker. 

Voorbeeld ongecontroleerd leren: Er kunnen razendsnel groepen gemaakt worden op basis van enkele voorbeelden. Hieruit kunnen bijvoorbeeld segmenten voortvloeien. Deze segmenten kunnen weer gebruikt worden bij het personaliseren van een site of in andere mediakanalen. Bezoekers die product X kochten zijn ook geïnteresseerd in product Y. Input (data) wordt onderverdeeld in soortgelijke groepen. 

Neurale netwerken

Deep learning is een onderdeel van machine learning en gaat nog verder dan de bovenstaande uitleg. Deep learning, ook wel diep gestructureerd leren, is een techniek van verschillende algoritmen bij elkaar. Het is dus geen algoritme op zich maar een verzameling van meerdere systemen. Aan de hand van Artificial Neural Network, een nabootsing van het menselijk brein, kan het eigen algoritmes creëren. 

Dit wordt gedaan door fouten te maken. Eigenlijk is het te vergelijken met een mensenleven. Je leert door vallen en opstaan. Door fouten te maken leer je dingen in de toekomst beter te doen. Op deze manier leren systemen ook. Beetje bij beetje wordt het systeem steeds slimmer. 

Een bekend voorbeeld van deep learning is de Google Translate app. Sinds 2014 is het mogelijk om met deze app een tekst te scannen waarna deze vervolgens realtime vertaald wordt naar een gewenste taal. Google maakt gebruik van kansberekeningen die de juiste woorden bij elkaar zetten. Door continue vertalingen uit te voeren en de systemen te voorzien van feedback, worden de vertalingen steeds een beetje beter. Een ander voorbeeld is het herkennen van voertuigen, gezichten of andere elementen op foto’s.

Wat doen wij met machine learning en artificial intelligence?

Wij gebruiken verschillende technieken met betrekking tot Artificial Intelligence om te leren van historische bezoekersgegevens. Deze gegevens worden ondergebracht in een Data Management Platform (DMP). In dit platform wordt de data geordend en onderverdeeld in individuele bezoekersprofielen en segmenten. Door bovenstaande technieken toe te passen is het mogelijk om te ontdekken waar de voorkeuren en interesse van individuele bezoekers liggen. In de retailbranche heeft dit bijvoorbeeld betrekking tot een bepaald product, kleur, maat, smaakprofiel, merk etc. In de reisbranche worden voorkeuren bepaald door algoritmes die te maken hebben met land, vertrekmaand, reisgezelschap, de duur van een reis etc. In de mediabranche worden er weer andere voorkeuren bepaald. Hier wordt bijvoorbeeld gekeken of een bezoeker geïnteresseerd is in een specifieke auteur, onderwerp of labels.

Klantreis

Aan de hand van de bovenstaande bezoekersgegevens kan ook achterhaald worden in welke fase van de klantreis een bezoeker zich bevindt. Bezoeker X bevindt zich bijvoorbeeld nog in de oriënterende fase. Bezoeker Y weet al precies wat hij zoekt en staat op het punt een aankoop te doen. Als dit helder is, kunnen er gepersonaliseerde communicatie, producten en accommodaties getoond worden die aansluiten bij de aankoopfase. 

Er wordt in gepersonaliseerde communicatie zoveel mogelijk rekening gehouden met emotie. Hiervoor maken wij gebruik van de bekende overtuigingsprincipes van Dr. Cialdini. Websitebezoekers zijn in bepaalde fasen van de klantreis gevoelig voor specifieke beïnvloedingsprincipes. Voor iedere bezoeker kan er op deze manier een persoonlijke omgeving gecreëerd worden. Dit zorgt ervoor dat de bezoeker zich eerder aangesproken voelt tot het aanbod. Dit zal resulteren in een aanzienlijke conversiestijging. Meer over de toepassing van aankoopintentie is hier te vinden.


Benieuwd naar wat Shopping Minds voor uw bedrijf kan betekenen?

Vraag een demo aan!