Vaak bestaat er verwarring over de verschillen of overeenkomsten tussen Data Science, Machine Learning en Artificial Intelligence. Daarom bespreken we in deze blogpost kort wat deze drie termen inhouden en hoe ze zich tot elkaar verhouden.

Laten we beginnen met Data Science. Dit veld is ontwikkeld zodat men meer inzicht en kennis uit data kan halen. Hiervoor worden algoritmes ontwikkeld die voornamelijk zijn gebaseerd op wiskunde en statistiek in combinatie met computer science.

Wiskundigen en statistici trachten in hun werk al decennialang hetzelfde doel te bereiken, maar het is juist de combinatie met computer science die heeft geresulteerd in wat wij hedendaags als data science kennen. Vandaag de dag heeft data science steeds vaker een essentiële rol in een onderneming en is de functie van Data Scientist een van de meest begeerde en bestbetaalde banen op de markt.

Twee skills die binnen de data science als zeer waardevol worden gezien, zijn data mining en predictive analytics. Data mining is simpelweg het vinden van patronen in data aan de hand waarvan men meer inzicht en kennis uit data kan halen. Predicitive analytics daarentegen gebruikt data om de statistische kans van bepaalde uitkomsten van een proces te bepalen.

Deze twee termen zijn een belangrijk onderdeel van Artificial Intelligence (AI) – al is de betekenis van AI in de afgelopen jaren sterk veranderd. Van origine refereert AI naar machines die kunnen denken, leren en handelen op een manier die niet te onderscheiden is van de menselijke. Dergelijke intelligente systemen worden geprogrammeerd door mensen en worden vervolgens slimmer door middel van data. Hier is weinig tot geen menselijke interferentie voor nodig.

Maar zoals hierboven vermeld, is de definitie de afgelopen jaren veranderd en hangt deze tegenwoordig af van het doel dat men wil bereiken met AI. Over het algemeen wordt AI ingezet met een van de volgende doelstellingen:

1. Ontwikkelen van een systeem dat focust op het zeer goed uitvoeren van een taak. Het gaat hierbij om het simuleren van menselijk gedrag, zonder dat daarbij het menselijk redeneren centraal staat (“weak AI”).
2. Ontwikkelen van systeem dat kan redeneren als een mens (“strong AI”).
3. Gebruik van menselijk redeneren als model, om zo een ander doel te bereiken.

In de praktijk wordt in de ontwikkeling van AI vooral de eerste en laatste doelstelling nageleefd, waarbij AI ingezet wordt om betere producten of services te creëren. Daarmee wordt de definitie van AI in de huidige tijd voornamelijk bepaald door de set aan problemen die het kan oplossen en de voordelen die dit kan hebben voor de samenleving. Het primaire doel van een AI systeem is niet langer het redeneren als een mens, maar het verbeteren van de wereld om ons heen. Een veelgebruikte vorm van AI die hiervoor gebruikt wordt, is Machine Learning.

Machine Learning (ML) is een onderdeel van AI, en daarmee specifieker dan het overkoepelende concept. In ML ligt de focus dus op het creëren van modellen die kunnen leren van data, zonder dat wij hier continu toezicht op moeten houden. Dit is niet nieuw –halverwege de 20^e eeuw waren onderzoekers hier ook al mee bezig – maar om algoritmes te trainen totdat ze hun taak naar behoren uitvoeren, zijn grote hoeveelheden data, en daardoor veel rekenkracht, nodig. Om deze reden is het dan ook, als gevolg van de komst van het internet en de ontwikkelingen op het gebied van hardware, dat deze technieken door bedrijven pas de laatste jaren echt worden geïmplementeerd en dan met name in de vorm van Deep Learning toepassingen.

Deep Learning (DL) verwijst naar een subset van ML, die in staat is om complexere input te verwerken. Door middel van grotere en diepere neurale netwerken kan DL ook ongestructureerde data zoals afbeeldingen, tekst en audio interpreteren en verwerken tot bruikbare informatie om een probleem mee op te lossen. Dergelijke modellen hebben doorgaans veel data en training nodig, maar na training zijn ze wel in staat om indrukwekkende beslissingen te nemen die in de buurt komen van wat we normaal intuïtie zouden noemen.