• Hexite Software Blog Nieuws en berichten

Category Archives: Algoritmes

neural-network-brain

Aanbevelingssystemen vierde Industriële revolutie

Hexite Software

Aanbevelingssystemen

Het grootste probleem dat in het licht van de moderne wereld komt, is de kwantiteit van informatie, die uiteindelijk de eindgebruiker teveel keuzes geeft. Was er maar een slimme manager die de juiste keuzes maakt op basis van Intuïtie.

Aanbevelingssystemen (engines) doen tegenwoordig allemaal hetzelfde voor de manager. De kracht van de momenteel gebruikte aanbevelingsengines ligt in het aanbevelen van de processtappen op basis van het gedrag van ketenpartners en derhalve van de gebruikers, zoals blijkt uit de geschiedenis van het proces. We kunnen dus zeggen dat het aanbevelingssysteem die slimme manager is die ons door de oceaan van alle beschikbare keuzes kan leiden. De volgende blogpost gaat in op aanbevelingsystemen en de technologieën toegepast in de praktijk.

Automatische aanbevelingen logistiek manager

Aanbevelingssystemen voor logistieke processen suggereren uiteenlopende processtappen aan klanten door eerdere procesgegevens van het proces te verzamelen op basis van expliciete beoordelingen in het after-salesproces. Daarbij richten het aanbevelingssysteem zich op het gedrag en de “reparatiestappen” van verschillende gebruikers tijdens het proces dat binnen het systeem werkt. Het lijkt magie, maar het is puur datawetenschap gebaseerd op het gebruik van machine learning-technieken. De datagedreven oplossingen zijn gebaseerd op de interacties tussen gebruikers en items waarbij interne en externe gebruikers gebruik maken van de aanbeveling.

Procesadvies op basis van patronen

Met de volgende techniek krijgen we het gedrag van het proces in kaart op basis van patronen. Voornamelijk in deze procedure doen we aanbevelingen door gebruik te maken van de relatie tussen het huidige proces en bestaande (afgeronde) processen.

De processen in kaart brengen kan door gebruik te maken van een aantal mijlpalen. Voor het implementeren van mijlpaalstrategie kunnen we KNN gebruiken. KNN vereist weinig computerkracht, maar het kost tijd om de gegevens terug te vragen, daarom noemen we dit soort algoritmes “lui”.

De overeenkomst wordt berekend met behulp van een cosinus en correlatiefunctie. De eindstap is het gemiddelde van deze overeenkomst te berekenen; op basis van de berekende overeenkomsten, geeft het alogoritme een advies aan de logistieke managers.

De grootste nadelen van dit soort aanbevelingen zijn de opstarttijd (veel informatie nodig om gericht resultaat te beiden) en afwijkende processen (het ontbreken van nuttige informatie omdat de informatie teveel afwijkt).

Aanbevelingen met Neuraal netwerk (deep learning)

Deep learning is een aftakking van machine learning dat wordt geïnspireerd door het functioneren van het menselijk brein. We zien het menselijk brein als de ultieme supercomputer voor het interpreteren, maar ook het verzinnen van de gegevens.

Een neuraal netwerk fungeert is als het ware de bouwsteen van deep learning. Een neuraal netwerk is een (kunstmatig) model van het menselijk brein dat is nagebootst met behulp van software. Er zijn veel soorten neurale netwerken die worden gebruikt bij Deep Learning. Sommigen van hen zijn Multilayer Perceptron, Convolutional Neural Network, Recurrent neuraal netwerk.

Een Multilayer neuraal netwerk is een netwerk dat is gebouwd door enkele heimelijke lagen neuronen waarbij een laag de uitvoer van zijn vorige laag als invoer gebruikt. Convolution Neural Networks (CNN) worden met succes gebruikt voor classificatie en segmentatie van afbeeldingen en ook voor andere bewerkingen, zoals gezichtsherkenning en objectherkenning. De eenvoudigste terugkerende neurale netwerken ontstonden in de jaren tachtig. Terugkerende neurale netwerken die voornamelijk worden gebruikt voor continue gegevens zoals tijdreeksen (timeseries).

Waarom deep learning in aanbevelingssystemen?

Ten eerste geeft het een gericht abstractieproces van functies, waar supervised machine learning niet de abstracte informatie rechtstreeks vanuit de inhoud kan beoordelen. Ten tweede kan het neuraal netwerk het makkelijk met meerdere gegevens omgaan. Als laatste derde kan deep learning het model realtime beoordelen. Er is dus niet continu een “rebuild” van het model nodig, wat extreem veel computerkracht vereist.