Machine learning made easy

Volgens Forrester Research ondervindt 98% van de bedrijven problemen bij het verkrijgen van inzichten uit de data die ze verzamelen. Belangrijkste reden hiervoor is een gebrek aan interne expertise.¹ En hoewel je organisatie op dit moment misschien nog haar concurrentievoordeel kan behouden zonder deze inzichten, kan de gestage opmars van de digitale transformatie daar binnenkort verandering in brengen.

Daarom streven veel organisaties ernaar om data te benutten en gebruik te maken van artificial intelligence (AI) en machine learning (ML) om hun bedrijf te verbeteren. Met ML kun je bedrijfsactiviteiten verbeteren en automatiseren, gebeurtenissen en gedragingen voorspellen en op basis van deze voorspellingen proactief prescriptieve programmatische acties uitvoeren.

Met behulp van ML en predictive analytics kan je organisatie bijvoorbeeld nieuwe kopers identificeren en targeten, of de beste tijdstippen voor een verkoop bepalen door meer inzicht te krijgen in het gedrag en de voorkeuren van consumenten. Zorgorganisaties kunnen gecodeerde diagnoses en data over opnames, overplaatsingen en ontslagen van patiënten analyseren om het aantal heropnames te verlagen. Simpel gezegd kan ML tijd en middelen besparen, voorspellingen verbeteren en je helpen betere beslissingen te nemen en betere resultaten te realiseren.

Dat klinkt geweldig, maar er is één nadeel: het ontwikkelen van ML-modellen is moeilijk en vereist schaarse – en dure – expertise.

Gelukkig werken branche-experts eraan om ML gebruiksvriendelijker te maken door nieuwe tools te ontwikkelen, zoals AutoML en IntegratedML^®.

In deze Technology Brief leggen we het volgende uit:

• Waarom ML essentieel is voor het succes van je bedrijf;
• Hoe een tekort aan talent het voor organisaties moeilijk maakt om gebruik te maken van ML;
• Wat AutoML is en hoe deze technologie je helpt de strijd om AI-talent te winnen;
• Wat InterSystems IntegratedML® is en hoe het is ontwikkeld om:
  
  • je huidige softwareontwikkelaars in staat te stellen ML-modellen en ML-gebaseerde applicaties te ontwikkelen;
  • de productiviteit van ervaren datawetenschappers te verhogen;
  • operationele en analytische processen te stroomlijnen om de klantervaring, de operationele efficiëntie en de productiviteit te verbeteren;
  • de nauwkeurigheid van voorspellingen te verbeteren, betere bedrijfsresultaten te realiseren en je in staat te stellen je te onderscheiden van de concurrentie.

Deze Technology Brief is bedoeld voor line-of-business executives, managers en IT-professionals die de productiviteit van hun ML-team willen verbeteren of die aan de slag willen met ML zonder meteen een ML-expert aan te nemen.

Download de Technology Brief

ML traint machines met behulp van AI om te leren over data op basis van ervaring en gevolgtrekking. De resultaten worden steeds beter zonder dat dit specifiek zo is geprogrammeerd.

ML kan allerlei soorten data analyseren en modellen maken die worden gebruikt om te voldoen aan een breed scala aan analytische en operationele vereisten. Offline kunnen ML-modellen zakelijke gebruikers helpen inzicht te krijgen in zaken als klantgedrag of problemen op het gebied van procesefficiëntie. Wanneer ML online of in de operationele flow van een bedrijf wordt ingezet, kan dit heel duidelijk betere resultaten opleveren, bijvoorbeeld bij het aanbevelen van producten of diensten aan klanten tijdens het browsen, het proactief waarschuwen voordat een verkoop wordt gesloten als er een groot risico bestaat dat de leverancier niet kan leveren, of het bepalen of een transactie mogelijk frauduleus is voordat deze wordt goedgekeurd. Afdelingen binnen de gehele organisatie kunnen profiteren van ML, waaronder sales & marketing, research & development, juridische zaken, human resources, klantsupport, productontwikkeling en zelfs finance. Feit is dat ML in bijna elke sector waarde biedt en een vaste waarde belooft te worden naarmate meer en meer organisaties het omarmen.

Iedereen komt in zijn dagelijks leven in aanraking met ML. Denk bijvoorbeeld aan virtuele persoonlijke assistenten zoals Amazon Alexa en Siri van Apple, spamfilters, malwaredetectors, de manier waarop Facebook nieuwe vrienden en nieuwe groepen voorstelt, chatbots die online klantsupport bieden en zelfrijdende auto's.

Machine learning biedt veel voordelen, maar waarom wordt het dan niet door meer bedrijven gebruikt? Een belangrijke reden is dat ML moeilijk te gebruiken is en een hoge mate van expertise vereist.

Je hebt ML-deskundigen nodig die de theorie, de technologie, de methoden en de tools begrijpen. Daar zijn er op dit moment maar weinig van, terwijl er veel vraag naar is. Volgens de nieuwste gegevens van het Amerikaanse Bureau of Labor Statistics zijn er in de VS in totaal nog geen 32.000 datawetenschappers.² En het tekort aan AI-specialisten en datawetenschappers wordt nog verder verergerd door het feit dat veel van het beschikbare talent wordt ingehuurd door digitale giganten als Amazon, Facebook, Google en Microsoft, die duizelingwekkend hoge salarissen betalen. Dit maakt het voor andere organisaties moeilijk om deze toch al schaarse specialisten aan te trekken.

Automated Machine Learning (AutoML) is een opkomende nieuwe technologie voor organisaties die de mogelijkheden van hun huidige ML-medewerkers willen vergroten en voor organisaties die net beginnen met ML.

AutoML is een relatief nieuwe benadering van datawetenschap die het maken van ML-modellen automatiseert en vereenvoudigt. Hierbij wordt gebruik gemaakt van feature engineering om het omzetten van ruwe data naar een voor ML-modellen geschikte indeling te automatiseren. Modelselectie, training en resultatenanalyse worden geautomatiseerd en er worden verschillende ML-algoritmen met variërende parameters getest om het nauwkeurigste model voor een probleem te creëren. Teams van datawetenschappers kunnen AutoML inzetten om veel van de handmatige en 'trial and error'-processen die worden gebruikt voor het bouwen van ML-modellen te automatiseren en hun productiviteit aanzienlijk te verhogen, waardoor ze tijd en moeite besparen.

Als je nog geen ML-specialisten in dienst hebt, kan het uitvoeren van feature engineering en het maken en trainen van modellen een uitdaging zijn. Maar met AutoML is je organisatie niet meer afhankelijk van datawetenschappers om bruikbare ML-modellen te maken. In plaats daarvan kun je beginnen met eenvoudige use cases en AutoML, terwijl je tegelijkertijd je ontwikkelaars traint om het analyse- en ML-ontwikkelingsproces meer op zich te nemen.

Veel van de huidige AutoML-tools zijn echter beperkt. Je kunt er wel ML-modellen mee maken, maar je kunt die modellen niet binnen realtime bedrijfsprocessen uitvoeren. Dit is een belangrijk punt waarmee Intersystems IntegratedML zich onderscheidt.

InterSystems IntegratedML maakt deel uit van het InterSystems IRIS® Data Platform, een complete softwareomgeving voor datamanagement. IntegratedML biedt alle functies en voordelen van traditionele AutoML. Maar doordat het deel uitmaakt van InterSystems IRIS, kun je er geavanceerde applicaties mee ontwikkelen en implementeren die deze modellen naadloos dynamisch uitvoeren in reactie op realtime gebeurtenissen en transacties, zonder modellen of data te extraheren of te verplaatsen.

Denk bijvoorbeeld aan een bank die creditcards uitgeeft en voorafgaand aan elke transactie het frauderisico moet bepalen. De bank voert een krachtige realtime creditcardapplicatie uit die is ontwikkeld met InterSystems IRIS, waarin alle demografische en financiële data van alle klanten en creditcardtransacties worden opgeslagen. Deze applicatie kan honderden data-elementen bevatten voor elke creditcardtransactie, onder andere over of de transactie frauduleus of geldig was.

Met IntegratedML kunnen de applicatieontwikkelaars die bij de bank werken automatisch een ML-model maken om risicovolle transacties te identificeren op basis van transacties uit het verleden, door simpelweg het gewenste veld te selecteren (bijvoorbeeld "is_fraudulent") en IntegratedML het meest geschikte model en de meest geschikte parameters te laten maken.

Maar in tegenstelling tot bij traditionele AutoML kan het op InterSystems IntegratedML gebaseerde model naadloos in de creditcardapplicatie worden geïntegreerd en in realtime bij elke inkomende transactie worden uitgevoerd. De applicatie kan dan de juiste programmatische acties ondernemen als er
een hoog frauderisico wordt vastgesteld, zoals de transactie tegenhouden en de eigenaar van de creditcard bellen en sms'en.

IntegratedML maakt het ook eenvoudiger om modellen in de loop van de tijd up-to-date te houden als de applicaties in productie worden uitgevoerd en er nieuwe data wordt gegenereerd. In het geval van creditcardfraude zullen criminelen steeds nieuwe technieken gaan gebruiken als een eerdere vorm van fraude door de applicatie wordt opgespoord en voorkomen. Aangezien alle data, ook de meest recente, binnen het dataplatform wordt opgeslagen, is het niet nodig handmatige extracten te maken en data naar verschillende omgevingen te verplaatsen. In plaats daarvan kan de bank de modellen voortdurend verfijnen met behulp van de meest recente data om nieuwe aanvalspatronen snel te detecteren en voorkomen.

Met InterSystems IRIS en IntegratedML kun je applicaties ontwikkelen die intelligente prescriptieve programmatische acties uitvoeren in reactie op realtime gebeurtenissen en zo cruciale concurrentie- en zakelijke voordelen realiseren. Zo kun je als eerste met een nieuw product of een nieuwe dienst op de markt komen, als eerste met een nieuw initiatief komen en als eerste reageren op een verandering in het gedrag van klanten.

Met IntegratedML kan een ontwikkelaar – met weinig tot geen kennis van ML – SQL gebruiken om geavanceerde ML-modellen te ontwikkelen.

Daarmee willen we echter niet zeggen dat je nooit een datawetenschapper in dienst moet nemen. Voor grote organisaties die een team van datawetenschappers in dienst hebben, kan IntegratedML hun data-engineers en datawetenschappers veel tijd besparen. Uit een onderzoek uit 2018 van Kaggle ML and Data Science³ bleek bijvoorbeeld dat datawetenschappers bijna 40% van hun tijd besteedden aan het verzamelen en opschonen van data⁴ (zie figuur 1 hieronder). Door IntegratedML te gebruiken voor datavoorbereiding en feature engineering kunnen je datawetenschappers zich richten op belangrijkere taken met een hogere waarde, zoals het optimaliseren van modellen.

Voor organisaties die net beginnen met ML, biedt InterSystems IntegratedML de softwareontwikkelaars en analisten die je bedrijfsapplicaties bouwen en de data kennen, de mogelijkheid om zelf aan de slag te gaan met ML. IntegratedML automatiseert de basisactiviteiten, zoals het bepalen van de meest geschikte modellen, het instellen van parameters en het bouwen en trainen van modellen. Ook kunnen ML-modellen sneller worden geïntegreerd in productieapplicaties. Naarmate je ontwikkelaars meer ervaring krijgen en het proces en de resultaten beginnen te begrijpen, kunnen ze optionele parameters gaan wijzigen en zelf de waarden gaan instellen. Datawetenschappers worden productiever met IntegratedML, omdat ze hun tijd kunnen besteden aan de optimalisatie van het model in plaats van aan data wrangling, feature engineering en selectie.

Met IntegratedML wordt zowel het trainen van modellen, inclusief het identificeren van de juiste invoerkenmerken uit brondata, als het afstemmen van modelparameters en de uitvoering uitgevoerd via enkele SQL-opdrachten.

CREATE MODEL WillSurvive PREDICTING (Survived) FROM Titanic

Met het commando CREATE MODEL wordt de metadata van het machine learning-model ingesteld. Ontwikkelaars specificeren de naam van het model (WillSurvive), het doelveld dat voorspeld moet worden (Survived) en een dataset waar het doelveld en alle invoervelden van het model uit worden gehaald (Titanic). De FROM-syntaxis is volledig algemeen en kan elke subquery-expressie specificeren. De metadata van deze dataset wordt ook gebruikt om het datatype van het doel- en invoerveld uit af te leiden, om een volledig beeld te krijgen van het probleem dat het model moet oplossen.

TRAIN MODEL WillSurvive FROM Titanic

Het TRAIN MODEL-commando specificeert de data die voor training moet worden gebruikt en voert de AutoML-engine uit, die als invoer een reeks relationele data krijgt. Aangezien de FROM-syntaxis algemeen is, kan eenzelfde model meerdere keren worden getraind met verschillende datareeksen. Je kunt een marketingcampagnemodel bijvoorbeeld trainen op verschillende klantsegmenten of je model regelmatig opnieuw trainen als er nieuwe trainingsdata beschikbaar is.

De AutoML-engine voert alle vereiste machine learning-taken automatisch uit. De engine identificeert relevante kandidaat-kenmerken uit de geselecteerde data, overweegt toepasbare modeltypen op basis van de data en probleemstelling en stemt de hyperparameters af om een of meer uitvoerbare modellen te produceren.

Ontwikkelaars kunnen kiezen uit verschillende AutoML-engines, waaronder InterSystems AutoML, H2O en DataRobot Enterprise AI Platform. Alle AutoML-engineopties zijn naadloos geïntegreerd in InterSystems IRIS en zijn transparant voor ontwikkelaars.

SELECT PREDICT(WillSurvive) As Predicted FROM Titanic
SELECT PROBABILITY(WillSurvive FOR 1) FROM Titanic

Zodra het model is getraind, levert het resultaten via een van de twee scalaire functies PREDICT() en PROBABILITY(). PREDICT() resulteert in de meest waarschijnlijke of geschatte waarde voor de gespecificeerde kolom, zoals bepaald door het getrainde model. Bij categorisatieproblemen geeft PROBABILITY() de door het getrainde model berekende waarschijnlijkheid terug dat het doelveld van het model gelijk zal zijn aan een door de gebruiker gedefinieerde waarde. Deze eenvoudige scalaire functies kunnen overal in een query worden gebruikt en kunnen worden gecombineerd met andere velden en functies. Een van de belangrijkste innovaties van IntegratedML is dat de beschikbare velden in de gegeven querycontext op transparante wijze worden toegewezen aan de invoervelden die nodig zijn om het model uit te voeren.

IntegratedML biedt ontwikkelaars extra flexibiliteit, bijvoorbeeld bij het toewijzen aan andere databronnen dan de specifieke tabel of query die is gebruikt om het model te maken of te trainen, zoals wordt geïllustreerd door het volgende voorbeeld.

SELECT Name, PREDICT(WillSurvive WITH Sex = Geschlecht, Age = DATEDIFF(year, NOW(), Geburtsdatum), Fare = TicketPreise, Cabin = Kabine) FROM Hindenburg

De meeste AutoML-oplossingen werken in een standalone omgeving met een losse low-throughput koppeling met externe dataplatforms en -applicaties, maar IntegratedML is anders. IntegratedML werkt naadloos binnen het InterSystems IRIS Data Platform om ML-modellen sneller en eenvoudiger te trainen en uit te voeren, en maakt het mogelijk de ML-modellen naadloos te integreren binnen InterSystems IRIS-applicaties zonder de data of modellen te verplaatsen. Deze operationalisering van ML-modellen wordt beschouwd als een van de grootste belemmeringen voor een snelle adoptie van ML in zakelijke applicaties.

InterSystems-technologie wordt wereldwijd in 150.000 organisaties in uiteenlopende sectoren gebruikt. Het InterSystems IRIS Data Platform is een compleet softwareplatform voor datamanagement dat speciaal is gebouwd om de ontwikkeling van realtime, datagestuurde applicaties te versnellen en te vereenvoudigen. InterSystems IRIS stelt ontwikkelaars in staat om geavanceerde analytics – waaronder business intelligence, AI, ML, natuurlijke-taalverwerking en predictive analytics – te integreren in realtime, bedrijfskritische bedrijfsprocessen. De geïntegreerde krachtige transactioneel-analytische database-engine ondersteunt tegelijkertijd zowel operationele als analytische workloads op zeer grote schaal.

Naast de geïntegreerde ML-ontwikkelings- en runtime-mogelijkheden biedt InterSystems IRIS ook de volgende mogelijkheden:

Data- en applicatie-integratie: InterSystems IRIS biedt een complete set integratie- en interoperabiliteitsmogelijkheden om data op te schonen, te transformeren en te normaliseren, en om geavanceerde integraties te ondersteunen. Het platform biedt gebruiksklare connectiviteit en datatransformaties voor een breed scala aan pakketapplicaties, databases, industriestandaarden, protocollen en technologieën om het integreren en analyseren van data en het bouwen van voorspellende en prescriptieve modellen te vereenvoudigen.

Bovendien kun je analytische verwerking, zoals SQL-query's, predictive analytics, ML en natuurlijke-taalverwerking (NLP), integreren in samengestelde bedrijfsprocessen die ongelijksoortige databronnen en applicaties met elkaar verbinden. Deze samengestelde processen kunnen activiteiten stroomlijnen, alerts triggeren en dat zonder in te leveren op de prestaties van de applicatie.

Schaalbaarheid: InterSystems IRIS is verticaal en horizontaal schaalbaar en uiterst resource-efficiënt. Daardoor is het platform ideaal voor applicaties die ondersteuning bieden voor zeer grote opnamevolumes, hoge analytische workloads, veel gelijktijdige bedrijfsprocessen en de mogelijkheid om zeer grote datasets op een kosteneffectieve manier te verwerken, op te slaan en te analyseren.

Rapportage en traceerbaarheid: Alle data (inclusief in-flight data, metadata en data die verband houdt met langlopende asynchrone transacties) wordt automatisch opgeslagen in de geïntegreerde database en is beschikbaar voor realtime rapportage en analyse. Visuele traceermogelijkheden maken het eenvoudiger om het gedrag van integraties en processen te visualiseren en diagnosticeren.

Grafische ontwikkeling: Grafische low-code tooling stelt ontwikkelaars in staat om processen, transformaties, regels en workflows visueel te diagrammen, zodat ze zich kunnen concentreren op de logische interacties tussen systemen in plaats van op het coderen. De grafische modellen bevorderen de samenwerking tussen de line-of-business en IT, zodat je sneller nieuwe oplossingen kunt ontwikkelen of bestaande applicaties kunt aanpassen.

Implementatie: InterSystems IRIS ondersteunt een breed scala aan implementatiemogelijkheden, waaronder alle belangrijke publieke clouds, particuliere clouds en on premises- en hybride implementaties.

Of je je klanten nu realtime gepersonaliseerde ervaringen wilt bieden, klinische uitkomsten voor patiënten wilt verbeteren, proactief onderhoudsbehoeften wilt voorspellen voordat er storingen optreden of fraude in realtime wilt opsporen en voorkomen, InterSystems IRIS en IntegratedML kunnen je helpen deze en andere doelstellingen te realiseren.

Meer informatie over InterSystems IRIS

Machine learning heeft de toekomst en elke organisatie die concurrerend wil blijven, zal ermee aan de slag moeten. Helaas zijn datawetenschappers schaars en onbetaalbaar, waardoor grote organisaties moeite hebben om meer met ML te gaan doen en kleine organisaties er niet in slagen om met ML aan de slag te gaan. Innovaties zoals AutoML helpen daarbij, maar AutoML alleen is niet voldoende.

InterSystems IntegratedML biedt geavanceerde AutoML-mogelijkheden via een intuïtieve SQL-interface die volledig is geïntegreerd in een uitgebreid dataplatform. Met IntegratedML kun je ML-modellen inzetten in realtime, bedrijfskritische applicaties zonder dat data of modellen hoeven te worden verplaatst en zonder dat je datawetenschappers in dienst hoeft te hebben. InterSystems IRIS in combinatie met IntegratedML stelt je in staat een opwaartse spiraal van verbeteringen te creëren, waarbij ML-modellen voortdurend en zonder vertraging worden verfijnd in reactie op de meest recente productiedata.

Als je een team van datawetenschappers hebt, zal IntegratedML je team productiever maken.

Als je net met AI begint, kan IntegratedML je op weg helpen met ML zonder dat je dure ML-experts hoeft in te huren.

In beide gevallen kan IntegratedML je helpen:

• sneller en eenvoudiger ML-modellen te maken;
• in realtime intelligente programmatische acties uit te voeren;
• processen te stroomlijnen om de klantervaring, de operationele efficiëntie en de productiviteit te verbeteren;
• de nauwkeurigheid van voorspellingen te verbeteren, sneller betere bedrijfsresultaten te realiseren en de concurrentie voor te zijn;
• sneller en eenvoudiger slimmere apps te ontwikkelen met minder middelen;
• de strijd om AI-talent te winnen.

Meer informatie over InterSystems IRIS

---

^{1 - Forrester Opportunity Snapshot. (2019) Data Insights Are Key to Differentiated Customer Experience: A Unified Data Analytics Platform Enables Timely and Contextually Relevant CX
2 -} https://www.bls.gov/ooh/computer-and-information-technology/computer-and-information-research-scientists.htm
^{3 -} https://www.kaggle.com/headsortails/what-we-do-in-the-kernels-a-kaggle-survey-story
^{4 -} https://businessoverbroadway.com/2019/02/19/how-do-data-professionals-spend-their-time-on-data-science-projects/