Machine Learning en Deep Learning – een blik op toekomstige technologieën

Wanneer er wordt gesproken over de revolutie van kunstmatige intelligentie, worden Machine Learning en Deep Learning vaak in één adem genoemd. Hoogstwaarschijnlijk zullen deze technologieën niet alle uitdagingen oplossen en daarom zullen ook niet alle logistieke IT-systemen hierdoor vervangen worden. Maar Machine Learning heeft wel het potentieel om problemen aan te pakken die de conventionele programmeerlogica tot nu toe niet heeft kunnen oplossen, waaronder beeld-, tekst- en spraakherkenning, de interpretatie van complexe datavolumes en voorspellende analyses. Dit resulteert in mogelijke toepassingen in de logistiek: bijvoorbeeld het voorspellen van volume- en prijsontwikkelingen, het classificeren van pakketten met behulp van beelden, het interpreteren en automatisch verwerken van ongestructureerde invoergegevens zoals e-mailvragen, of het aansturen van autonome voertuigen en machines in wisselende werkomgevingen.

Automatische leerfasen en wiskundige formules

Bij het gebruik van klassieke Pascal/if-then-else programmering moeten alle toepassingsscenario's in programmacodes worden omgezet. Dit is echter meestal niet mogelijk vanwege de complexiteit en de hoeveelheid gegevens. Machine Learning heeft een andere aanpak: op basis van historische invoergegevens traint een algoritme zichzelf automatisch. Dit proces wordt ook wel de leerfase genoemd. De leerfase is succesvol wanneer het algoritme ook de gewenste uitvoergegevens voor vergelijkbare maar onbekende invoergegevens berekent. Het algoritme heeft dan zelfstandig een regelmaat gevonden door zijn training. 

Machine Learning een interessante technologie met eerste veelbelovende toepassingen, maar is nog in de ontwikkelingsfase. Wanneer en hoe intensief Machine Learning de supply chains zal veranderen zal pas in de komende jaren duidelijk worden.