Machine learning (ML) helpt bij het oplossen van allerlei problemen, maar het klinkt gewoon nogal ontoegankelijk. De meeste mensen hebben de term gehoord, en velen weten niet precies wat het betekent. Hoe kan het helpen bij het oplossen van problemen in de nutsbedrijven? <\/SPAN>Later in deze blogpost bekijken we drie woorden die iedereen zullen helpen om wat een collega van mij noemt buzzword compliant te worden in machine learning.<\/STRONG><\/P>Gezien de toename van data en analytics verschijnt de term "machine learning" overal. Het is een onderdeel van het vakgebied artificial intelligence. Dat doet het een beetje klinken als sciencefiction, maar dat is het niet. Moderne cloud dataopslag en rekenkracht hebben een verbluffende capaciteit om echte zakelijke problemen aan te pakken, vooral met ML-technieken. Machine learning gebruikt generieke programma's in plaats van specifieke programma's te maken voor elke nieuwe zakelijke uitdaging. Deze programma's evalueren data om patronen te identificeren en gebruiken die patronen vervolgens om voorspellingen te doen. In zekere zin leert de machine, of computer, van data over eerdere ervaringen en past die kennis toe op het probleem dat voorligt.<\/STRONG><\/P>Machines leren op dezelfde manier als wij mensen. Iemand vertelt ons vaak wat we kunnen verwachten (algorithm), we hebben ervaringen (data), we doen observaties en vormen onze eigen ideeën over patronen (training), en dan passen we die patronen toe op toekomstige ervaringen. Mijn vrouw heeft geleerd mijn stemming te lezen aan mijn gezichtsuitdrukking en locatie. Hoewel ze geen directe kennis heeft van mijn innerlijke gedachten, wanneer ik "dat gezicht" trek in de keuken, heeft ze geleerd dat ik ongelukkig ben omdat de kinderen hun borden in de gootsteen hebben achtergelaten. Ze heeft een patroon waargenomen en maakt daarom nauwkeurige voorspellingen.<\/P>1. Model<\/STRONG><\/P>In het vakgebied ML heeft "model" nog geen standaarddefinitie. <\/SPAN>Denk aan het model als het systeem dat de technieken, programma's en data belichaamt.<\/STRONG> <\/SPAN>Het is het model dat uiteindelijk resultaten zal opleveren. Je zou kunnen informeren naar de prestaties van een bepaald model op een nieuwe dataset. Als je een data scientist zou vragen of het model klaar is om jouw probleem op te lossen, zou het antwoord kunnen zijn: "Het model is nog niet nauwkeurig genoeg; het moet nog verder worden afgestemd."<\/P>2. Algorithm<\/STRONG><\/P>Een algorithm is een procedure om een taak te voltooien, zoals een recept<\/STRONG>. In ML is het een wiskundige benadering om patronen in de data te vinden. ML-software bevat bibliotheken met deze generieke programma's die in jouw modellen kunnen worden gebruikt. Er zijn veel algorithms geschreven door wiskundigen, elk met zijn eigen sterke en zwakke punten voor verschillende situaties. Ze hebben vaak cryptische namen zoals empirical Bayesian kriging (EBK) of ordinary least squares (OLS), en er is wat testen nodig om de beste algorithm voor elke toepassing te vinden. Data science training is meestal noodzakelijk om de beste algorithm voor een bepaalde taak te selecteren.<\/P>3. Training<\/STRONG><\/P>Training onderscheidt ML van andere soorten probleemoplossing. Het model wordt getraind met een set data waarvan de uitkomsten bekend zijn. Het past de algorithm toe om de trainingsdata te analyseren, waarbij correlaties en patronen in die data worden gevonden. <\/SPAN>Zodra het model voldoende getraind is, kan het worden gebruikt om voorspellingen te doen op nieuwe data waarvan de uitkomsten nog onbekend zijn.<\/STRONG><\/P>Een Echt Probleem Oplossen<\/STRONG><\/P>Elektriciteitsbedrijven schakelen diensten aan en uit als onderdeel van hun normale bedrijfsvoering. Voor de meeste nutsbedrijven klanten gebeurt dit niet vaak. Voor sommigen is deze actie echter meerdere keren per jaar nodig. Dit kan komen door mensen die verhuizen of onbetaalde rekeningen. Sommige nutsbedrijven installeren meters die op afstand vanuit kantoor aan- en uitgezet kunnen worden, zonder dat er een medewerker met voertuig naar de locatie hoeft te gaan. Deze meters besparen tijd voor de klant terwijl ze transactiekosten en milieubelasting verminderen. Hoe zou een nutsbedrijf data kunnen analyseren om te voorspellen welke klanten baat zouden hebben bij deze duurdere meters?<\/P>Om dit probleem aan te pakken, zouden we data uit eerdere orders kunnen verzamelen en voorspellingen doen over toekomstige aan- en uitschakelactiviteiten. De data kan accounttype, tarief, betalingsgeschiedenis, factuurbedragen, adres enzovoort bevatten. We zouden een algorithm kiezen, historische data verzamelen en het model trainen. Dit model kan dan worden gebruikt om huidige accounts te onderzoeken en voorspellen welke daarvan waarschijnlijk veel vraag naar deze dienst zullen hebben in de toekomst.<\/P>In dit voorbeeld, net als bij de meeste zorgen binnen nutsbedrijven, zou informatie over locatie onschatbaar zijn bij het helpen oplossen van dit probleem<\/STRONG>. We begrijpen dat universiteitsstudenten appartementen bewonen volgens de schoolcyclus en daarna vaak verhuizen voor de zomer. Verhuizingen van studenten beïnvloeden direct elektriciteitsdienstorders. Als we ook locatie-informatie konden gebruiken, zoals nabijheid tot universiteiten, zou het model nog beter presteren.<\/P>Machine learning technieken zullen zich blijven ontwikkelen. Terwijl dat gebeurt, is het belangrijk om locatie-intelligentie in elke stap mee te nemen. Locatie is een natuurlijk onderdeel van voorbereiding van nutsdata, modeltraining en betekenisvolle voorspellingen.<\/STRONG> <\/SPAN>Er is geen betere manier om locatie-intelligentie in ML op te nemen dan met GIS.<\/P>De taak om big data te benutten is veel te groot voor handmatige analyse.<\/STRONG> <\/SPAN>Nutsbedrijven hebben de beste tools en technieken nodig om bruikbare inzichten in data te vinden, resultaten te visualiseren en duidelijk impact aan belanghebbenden te communiceren. Het ArcGIS-platform bevat deze tools samen met krachtige locatiegebaseerde machine learning technieken.<\/P>De volgende keer dat je uit de keuken komt en iemand leest je gedachten af aan je gezichtsuitdrukking, realiseer je dan dat ze dezelfde techniek gebruiken als machine learning. Ontdek hoe locatie-intelligentie en machine learning kunnen <\/SPAN>je zakelijke uitdagingen aanpakken<\/A>.<\/P>
