Je hebt de termen Artificial intelligence, Machine learning en Deep learning vast en zeker wel eens gehoord. Wil je ze eerst op een rijtje krijgen bekijk dan ons filmpje waarin Emre dit voor je doet.

Groei van data

Met de toename van alle beschikbare data wil je daar als een echte datafanaat natuurlijk zo goed mogelijk gebruik van maken. Door middel van data science is dat tegenwoordig ook goed mogelijk, er zijn namelijk verschillende goede tools die dit allemaal mogelijk maken (lees meer over data science in dit artikel).

De tools die je voor data science kunt gebruiken zijn onder andere Azure Machine Learning, R Studio, SAS, IBM SPSS, SAP HANA en Python Studio. Met name Azure Machine Learning springt er echt bovenuit als we kijken naar de integratiemogelijkheden in het huidige Microsoft Data Warehouse landschap.

Azure Machine Learning

Azure Machine Learning is dé oplossing van Microsoft die feilloos geïntegreerd kan worden in je moderne data warehouse met behulp van Azure Data Factory of de alles overkoepelende tool: Azure Synapse Analytics (voorheen SQL Datawarehouse).

Azure Machine Learning biedt de mogelijkheid om te programmeren in vele talen zoals:

• R
• Python
• MLflow
• ONNX
• Kubeflow
• PyTorch
• TensorFlow

Het voordeel hiervan is dat veel van deze talen open source talen zijn, dit houdt in dat code in deze talen vrij verkrijgbaar zijn op het internet wat het ontwikkelen van machine learning modellen een stuk versimpelt.

Naast de bovengenoemde voordelen van Azure Machine Learning, zijn er kostentechnisch ook belangrijke voordelen van Azure Machine Learning. Want net als de andere services van Microsoft, biedt Azure Machine Learning je de mogelijkheid om alle rekenkracht te gebruiken die nodig zijn voor jouw machine learning modellen en dit ook weer af te schalen wanneer je die rekenkracht niet meer nodig hebt. Zo betaal je altijd naar gebruik, en hoef je zelf geen sterke computers aan te schaffen.

Toepassingen van Azure Machine Learning

Een toepassing van Azure Machine Learning is dat je met je bestaande data toekomstige gebeurtenissen kunt voorspellen.

Hieronder zie je bijvoorbeeld het samenvoegen van datasets van vluchtvertragingen en het weer. Hier worden historische data van vluchtvertragingen gebruikt met historische weerdata, om te kijken wat het effect is van het weer op vertragingen. Nadat de datasets zijn opgeschoond (in de bovenste blokjes) waardoor deze bruikbaar zijn in een machine learning model, worden ze daadwerkelijk samengevoegd tot één dataset (punt 1).

Vervolgens wordt de dataset gesplitst in een trainingsset en een evaluatieset (punt 2). De trainingsset wordt gebruikt om een machine learning algoritme op te gebruiken (punt 3), waarna de evaluatieset juist wordt gebruikt om de voorspellingen van het algoritme op de trainingsset te evalueren (punt 4).

Hierbij kun je verschillende algoritmes proberen en de best scorende gebruiken. Er is namelijk geen algoritme dat het beste is voor alle mogelijke machine learning vraagstukken.

Tenslotte kun je met het gekozen algoritme je model publiceren en automatiseren met Azure Data Factory, zodat je model op de door jouw gewenste tijdsperiode draait op je nieuwste data en de uitkomsten hiervan kun je uiteraard real-time visualiseren in Power BI.  

Ben je nieuwsgierig geworden naar de mogelijkheden voor jouw organisatie? Meld je aan voor het webinar over Azure Machine Learning op 28 mei of neem contact op met onze Expert Emre Kumru.

Emre Kumru, BI Expert
emre.kumru@plainwater.nl  of bel hem op +31(0)651986276.