IT TrendAlert: waar knutselen toe leidt

Het is een trend, sleutelen aan jezelf. Oogleden liften, vet wegzuigen of een botoxprikje voor een betere vulling, het mag en het is zelfs bespreekbaar bij de kapper. Het zijn slechts cosmetische ingrepen om de tekenen des tijds te verbloemen maar wat tien jaar geleden nog in de taboesfeer zat is langzaamaan heel algemeen geworden.

Waar knutselen toe leidt

 
Een IT TrendAlert is een beschrijving van een ontwikkeling in de markt die gerelateerd is aan Informatie Technologie. Als de verandering een bedrijf raakt kunnen kansen of bedreigingen ontstaan. In beide gevallen moet een organisatie inspelen op de verandering om daar optimaal gebruik van te maken. Deze IT TrendAlert beschrijft de ontwikkeling, de mogelijkheden die ontstaan en doet een suggestie welke stappen moeten worden ondernomen om daar gebruik van te maken. Wij geven u suggesties. Wij adviseren u om zelf verder onderzoek te doen en eigen conclusies te trekken. Onder bronnen staan locaties waar u uw vervolgonderzoek kunt starten.



Het is een trend, sleutelen aan jezelf. Oogleden liften, vet wegzuigen of een botoxprikje voor een betere vulling, het mag en het is zelfs bespreekbaar bij de kapper. Het zijn slechts cosmetische ingrepen om de tekenen des tijds te verbloemen maar wat tien jaar geleden nog in de taboesfeer zat is langzaamaan heel algemeen geworden.

Maar in dat kader is er meer aan de hand, we willen aan méér kunnen sleutelen. Ooit was het taboe om informatie in te winnen over mogelijke genetische afwijkingen waardoor je bijvoorbeeld bevattelijker dan gemiddeld zou zijn voor ziektes. Niet alleen voor onszelf, maar ook voor onze kinderen, geboren of zelfs ongeboren. Er twijfelen nog veel mensen maar met een donderend geweld komen er ongelooflijk veel mogelijkheden binnen ons bereik.

Via het internet krijgen we tegenwoordig voor nog geen tweehonderd dollar (www.23andme.com) een blueprint van onszelf aangeboden, op bestelling een analyse van ons DNA . Nee, niet de ernstige zaken, daar heeft de Amerikaanse overheid nog een stokje voor gestoken, maar je krijgt wel informatie over je voorouders en ook over een selectie van gezondheidspunten. Het meest opvallende is dat je die informatie voor een klein bedrag krijgt terwijl zelfs artsen je die niet konden (en vaak nog steeds niet kunnen) geven. Ik denk dat we het nog gratis gaan krijgen, als de verzekeraars over onze schouder mee mogen kijken.

Maar daar stopt het niet bij, we kunnen door die geweldige voortgang nu zelfs hier en daar stukjes DNA vervangen door andere stukjes. Erg handig om wat schoonheidsfoutjes weg te werken of ons verbeteren. Het gaat echter nog verder, we kunnen straks van scratch af aan ons eigen gewenste DNA opbouwen. Het lijkt er echt op alsof we God kunnen gaan spelen.

Wat is de enabler?

Het knutselen aan DNA is duidelijk een trend te noemen. Maar waarom kunnen we dat nu beter dan vroeger? Machine Learning! Natuurlijk heb je nog een heleboel slimme mensen nodig en goede apparatuur maar Machine Learning helpt ons enorm. En juist omdat deze DNA-markt zo veelbelovend is, is er heel hard gewerkt om Machine Learning toepasbaar te maken. Machine Learning was niet nieuw, maar de recentelijke aandacht voor onze knutselbehoefte aan het DNA, maar ook de zelfrijdende auto, robotisering en projecten zoals AlphaGo hebben er vooral toe geleid dat de software slimmer en de processing power die we beschikbaar hebben betaalbaar is geworden!

Is dat trouwens  nou Artificial Intelligence (AI)? Nee, Machine Learning is slechts een onderdeel van AI. Als we AI ook kunnen gaan toepassen dan zijn de grenzen letterlijk echt zoek. Dan zijn we namelijk over onze eigen grenzen heen gegaan en kijken we zelf tegen een horizon aan waar we niet overheen kunnen kijken, inschatten is dan het beste wat we kunnen.  

Wat kunnen wij met machine learning.

Dus de trend-enabler is Machine Learning en zal zich ook in andere sectoren gaan bewijzen. Laten we kijken naar een eenvoudig voorbeeld, iets simpels als een weerindicator. Is het strandweer, fietsweer, gevaarlijk weer. Natuurlijk kunnen we dat zelf bedenken maar dan moeten we de temperatuur weten, de wind, vochtigheid en in het geval van strandweer ook wat de verwachtingen zijn over een aantal uren enzovoort. Machine Learning heeft geleerd om uit een reeks aan inputgegevens een groen signaal geven als het fietsweer is.  Daar hebben we als mens veel meer aan.

Handschriftherkenning is het meest simpele voorbeeld wat vaak wordt gedemonstreerd, qua standaard vergelijkbaar met de "hello World" voorbeelden. Denk dan ook wat je met een camera kan bij de garage maar mee je jouw nummerplaat kunt herkennen. Maar gezichtsuitdrukkingen herkennen kan ook. We kunnen nu met de computer beter dan mensen zoeken naar afwijkingen op röntgenfoto's van bijvoorbeeld longen maar ook op foto's van lasnaden kunnen we nu met de computer razendsnel de kleinste problemen snel in kaart brengen. En wat denk je van een drone die opnames maakt van verfwerk en door de Machine Learning technologie daar vliegensvlug conclusies uit te trekken, beter dan wat we zelf kunnen concluderen. Maar ook in massamanagement kun je direct dreigingen herkennen uit de kleinste details, kwaliteitsbeoordeling van geproduceerde producten, beoordeling van zaailingen of van vruchten. Kortom de mogelijkheden zijn eindeloos!

En is dat moeilijk?

Natuurlijk is het geen aap noot mies. Maar veel talen zijn er al helemaal klaar voor.  Met bijvoorbeeld een Java of Python programma kun je zo aan de slag want er zijn open source bibliotheken en voorbeelden op het internet beschikbaar. Je moet wel snappen wat je doet, maar vooruitstrevende opleiders hebben in hun lesprogramma naast de toepassingen van zaken zoals de blockchain technologie ook de machine learning al opgenomen of daar speciale bijscholingstrajecten  voor gemaakt.

Advies?

Als je in een sector zit waarbij menselijke beoordeling een onderdeel is van het organisatieproces, dan zou het kunnen zijn dat deze technologie echt kan gaan helpen. Of dat nou beoordeling van cijfers, beeld of geluid is maakt niet uit. Als we er nu nog een mens voor nodig hebben is de kans groot dat we die taak uiteindelijk beter, sneller en goedkoper kunnen laten doen door een machine learning algoritme. Pas op, het is geen gadget. Machine learning vereist echt een leerproces voor de machine, dus ook die heeft daar tijd voor nodig.

Mijn suggestie is dan ook om je eigen lead-developer kennis te laten opdoen en mee te laat denken en adviseren over de mogelijkheden. Als je kansen wilt benutten dan lukt dat tenslotte alleen maar met kennis van zaken.

Voor meer informatie over deze of andere IT TrendAlerts kunt u contact opnemen met:

IT PerformanceHouse | Martin Greefhorst | info@itperformancehouse.nl | www.itperformancehouse.nl