De hype voorbij, klassieke machine learning levert al jaren rendement

McKinsey rapporteert in zijn State of AI onderzoek van eind 2024 dat meer dan 80% van de onderzochte organisaties geen tastbare EBIT impact op enterprise niveau ziet uit het gebruik van generatieve AI. Tegelijkertijd voorspelt Gartner in zijn AI Services Forecast van 2024 dat de groei van de AI markt richting 2028 niet alleen wordt gedreven door generatieve AI, maar nadrukkelijk ook door "traditional AI technologies using predictive analytics and decision making".

Voor het MT betekent dat één ding. Terwijl alle aandacht naar de nieuwe vormen gaat, leveren forecasting, classificatie en segmentatie nog steeds de business waarde waar bedrijven al jaren mee sturen. Niet omdat machine learning beter is dan generatieve AI, maar omdat het matched is op het type probleem. Voor het voorspellen van uitval, het classificeren van transacties of het inschatten van vraag is een goed getraind model vrijwel altijd nauwkeuriger, goedkoper en uitlegbaarder dan een LLM.

De juiste vraag bij een nieuw business probleem is daarom zelden of er een LLM op kan. De juiste vraag is of er een voorspelmodel op past dat over zes maanden nog steeds klopt, en wat de business met die voorspelling gaat doen. Eigen data is de brandstof voor AI, en voor klassieke ML geldt dat dubbel.

‍

Wat machine learning wel en niet is

In de markt lopen de termen door elkaar. Even kort de afbakening, want het maakt uit voor het ontwerp, de kosten en de governance.

Machine learning gaat over modellen die voorspellen, classificeren of patronen herkennen op basis van historische data. Supervised leren voor voorspelling en classificatie, unsupervised voor segmentatie en anomaly detection, tijdreeks methodes voor forecasting. Generatieve AI doet iets anders: tekst, beeld of code genereren. Een AI agent doet weer iets anders: zelfstandig taken uitvoeren in een workflow. Een ML model levert meestal de voorspelling die als input dient voor een besluit of een proces, en stopt daar.

Voor sommige business problemen pakken we eenvoudige modellen die uitlegbaar zijn. Voor andere, met complexe afhankelijkheden of expliciete onzekerheidsmodellering, werken we met Bayesiaanse methodes of Markov Chain Monte Carlo simulaties. De keuze volgt het probleem, niet wat technisch interessant lijkt.

‍

Wat onze machine learning experts bouwen

Onze machine learning aanpak bestaat uit vier samenhangende onderdelen. Soms doen we ze allemaal, soms één. We werken vanaf dag één met jouw mensen mee en dragen kennis over, zodat jullie het straks zelf kunnen.

Use case selectie, want niet alles is een ML probleem

De eerste vraag bij elk traject is of dit überhaupt een machine learning probleem is. Soms is een goed dashboard met de juiste KPI's voldoende. Soms volstaat een eenvoudige statistische regel of een vuistregel die de business al kent. Soms is de data laag eronder zo dun dat elk model overtuigende onzin gaat opleveren. Wij vragen door tot de business case staat. Soms is de uitkomst dat een model het antwoord is, soms dat een gerichte rapportage meer waarde levert tegen lagere kosten. Allebei zeggen we hardop.

Modelontwerp en feature engineering

Welk model past bij welke vraag is een keuze van probleemtype, data omvang, uitlegbaarheid eis en kosten in productie. Soms is een logistic regression precies goed: snel, robuust en uitlegbaar voor compliance. Soms is een gradient boosting model nauwkeuriger en levert het in een classificatie taak het verschil. Soms vraagt de business om Bayesiaanse modellering omdat de onzekerheid expliciet onderdeel van het besluit is. Feature engineering blijft daarbij de grootste hefboom op modelkwaliteit. Een gemiddeld model op goede features verslaat een geavanceerd model op slechte features, vrijwel altijd.

Validatie die ook in productie standhoudt

Een model dat goed scoort op een willekeurige train test split kan in productie meteen onderuit gaan. Daarom valideren we met cross validation én out of time validatie op data uit een latere periode dan de training set, zodat we zien hoe het model zich houdt als de wereld een beetje verschuift. Evaluatie gaat verder dan accuracy of recall: we toetsen op de business KPI die het besluit raakt. Wat kost een vals positief, wat kost een gemiste classificatie? Pas als die vertaling klopt, weet je of het model in productie waarde levert.

Klaar voor productie, niet voor een notebook

Een gevalideerd model in een Jupyter notebook is geen model in productie. Wij leveren modellen die reproduceerbaar zijn, gedocumenteerd en overdraagbaar aan jouw data team. De levenscyclus daaromheen, deployment, monitoring op drift en retraining, behandelen we op onze pagina AI engineering. Daar zit het werk dat het model jaar in jaar uit blijft laten doen wat het beloofde.

Waar onze klanten machine learning voor inzetten

Onze gesprekspartners zijn ondernemers, CEO's, CFO's, CTO's en MT leden bij bedrijven met 100 tot 2.500 medewerkers. Per sector verschillen de patronen, maar de discipline is steeds dezelfde.

- E commerce: vraagvoorspelling per SKU en regio, churn modellen op klantgedrag, productaanbeveling op basis van koop en kijkpatronen

- Retail: voorraad forecasting over winkels en webshop heen, kwaliteitsvoorspelling in supply chain, klantsegmentatie voor gerichte marketing

- Zakelijke dienstverlening: churn modellen op klantgedrag, lead scoring op kans op succes, capaciteit forecasting voor bezetting en planning

- Financiële dienstverlening: fraude detectie op transactieniveau, kredietrisico modellen, anomaly detection op compliance signalen

‍

Wat onderscheidt ons als machine learning experts

Business, organisatie en techniek samen op nr. 1

Een ML model dat technisch elegant is maar geen besluit raakt, levert niets op. Een model dat het juiste besluit raakt maar geen eigenaar heeft in de business, ook niet. Wij vragen door tot de business case staat voordat we modelleren. Onze mensen schakelen tussen MT kamer en data team zonder dat er een vertaler tussen hoeft.

Data scientists met een data hart

Een ML model is zo goed als de features die je het voert. Een geavanceerd algoritme op een wankel data fundament levert overtuigend onderbouwde voorspellingen die feitelijk niet kloppen. Daarom investeren wij eerst in de data laag eronder, en pas dan in het model er bovenop. Klopt je data, dan klopt je voorspelling.

Kennisoverdracht in ons DNA

Een ML model dat alleen wij begrijpen is geen asset, maar een afhankelijkheid. Daarom documenteren we, leiden jouw data scientists en analisten op, en dragen we eigenaarschap over. Zodra jouw team het model zelf kan onderhouden, evalueren en uitbreiden, hebben wij ons werk goed gedaan.

Wanneer een machine learning traject waardevol is

Eerlijk antwoord, lang niet altijd. Soms volstaat een goede rapportage of een eenvoudige regel. Maar in deze situaties zien we dat een machine learning traject wel het verschil maakt.

- Beslissingen op volume worden nu op onderbuik genomen terwijl er ruime historische data ligt om ze te onderbouwen

- Een proof of concept model werkt in een notebook, maar haalt de productie niet en niemand kan er een besluit op bouwen

- Een ouder model draait nog, maar niemand weet meer hoe het werkt of of de voorspellingen nog kloppen

- Anomalieën, fraude of kwaliteitsproblemen kosten geld, en het patroon is te complex om met regels te vatten

- Veel handmatige beslissingen kunnen worden gestandaardiseerd via classificatie, met de mens in de lead voor de uitzonderingen

‍

Herkenbaar? Dan loont een gesprek waarschijnlijk de moeite.

‍

Plan een Data Impact Sessie

Een Data Impact Sessie duurt 90 minuten. Geen verkooppraatje, geen powerpoint van tachtig sliders. We schuiven aan, luisteren naar wat er speelt en laten zien waar machine learning bij jullie het meeste verschil kan maken.

Je gaat naar huis met drie concrete aanknopingspunten:

1. Welke business problemen bij jullie het meest geschikt zijn voor een voorspelmodel of classificatie model

2. Of de data laag eronder klaar is om een model op te bouwen dat over een halfjaar nog steeds klopt

3. Een realistische volgorde naar een eerste ML model in productie, passend bij jullie schaal

‍

Of we daarna samen verder gaan of niet.

Plan een: Data Impact Sessie