30 juni 2017 • augustus 23, 2017 at 8:38 am Qdraw

Zeven gouden tips voor een succesvolle chatbot

Een chatbot heeft veel voordelen. Zo is een chatbot 24/7 beschikbaar, er is nooit een wachtrij en ook niet onbelangrijk: het bespaart kosten. Maar waar moet een goede chatbot aan voldoen? Op basis van onze ervaring met chatbots delen we onze zeven gouden tips.

1. Stel de juiste vragen

Zorg dat je alleen de essentiële informatie vraagt en begrijpbare antwoorden geeft. Probeer je chatbot zo toegankelijk mogelijk te maken. Als de chatbot geen goed antwoord heeft op de vraag, dan moeten er twee dingen gebeuren. De klant moet een andere manier geholpen worden. Dit kan betekenen dat de klant wordt doorgestuurd naar een medewerker of dat er teruggebeld gaat worden. Vervolgens moet er geleerd worden van deze vraag zodat dit deze zelfde situatie in de toekomst niet meer voorkomt en de chatbot de juiste vragen te stellen.


Zeven gouden tips voor een succesvolle chatbot Stel de juiste vraag; chatbot, vraag

2 . Test de tone-of-voice bij je doelgroep

De inrichting van flows en tone-of-voice is heel belangrijk. Het heet dan wel een bot, maar de antwoorden moeten dat natuurlijk niet zijn. Zorg dat de teksten passen bij de gebruiker en consumenten praten met een chatbot. Zorg dat ze dat ook weten. Een mens reageert altijd anders dan een chatbot en consumenten merken dit. De beste manier om daarvoor te zorgen is door te testen met gebruikers. De antwoorden die de chatbot geeft, moeten wel passen bij de andere kanalen. Als je bijvoorbeeld informeel schrijft op je website, maar de chatbot op een zakelijke manier reageert, past dat niet bij elkaar. Hetzelfde geldt voor een Nederlandse Facebookpagina en een Engelstalige chatbot. Het doel is uiteraard om mensen sneller en beter te helpen.


Zeven gouden tips voor een succesvolle chatbot Chatten is menselijk; chatbot, menselijk

3. Richt je proces lineair in

Lineaire processen hebben een lager uitvalspercentage. Een lineair proces heeft een duidelijk begin en einde. Bij deze chatbot hebben we flow’s zo ingericht dat gebruikers altijd geholpen worden. Flows lopen op deze manier nooit dood en de gebruiker heeft altijd de mogelijkheid om te stoppen zonder de chat te verlaten.


Zeven gouden tips voor een succesvolle chatbot Lineare flows werken; chatbot, Linear

4. Integratie met interne systemen

Integreer je chatbot met je eigen systemen of maak gebruik van open data. Wanneer je als bedrijf nog geen chatbot hebt is het bij een zelfservice-chatbot goed te doen om te beginnen met één ‘taak’. Zo’n taak kan bijvoorbeeld zijn: het doorgeven van een verhuizing. Deze taak omvat meer dan alleen maar informeren en antwoorden; Het is noodzakelijk dat de klant echt dingen kan gaan veranderen in het CRM-systeem waarin de adresgegevens zijn opgeslagen. Uiteraard moet de klant zich eerst wel identificeren zodat we weten tegen welke klant we een chat aan het voeren zijn.


Zeven gouden tips voor een succesvolle chatbot Integratie met interne systemen; chatbot, intern

5. Monitor de resultaten

Om goed inzicht te krijgen in de prestaties van de chatbot, is realtime inzicht hebben in de prestatie must. Wij doen dit met een KPI-dashboard. Het ligt eraan wat je doelen exact zijn, maar op het dashboard kun je bijvoorbeeld het conversieratio is, hoeveel bezoekers het proces hebben doorlopen.


Zeven gouden tips voor een succesvolle chatbot Realtime monitoring; chatbot, dashboard

6. Veiligheid en privacy zijn belangrijk

Bij digitale privacy gaat het over vragen als: Wat verzamelen online partijen zoals Facebook eigenlijk allemaal over je? En bij security gaat het over of de gegevens zijn beschermd tegen hackers. Bij een ernstig datalek is het verplicht om direct een melding moeten doen bij de Autoriteit Persoonsgegevens. Externe diensten zoals Facebook Messenger zijn onderhevig aan de eigen privacyvoorwaarden, hierin staat uitgelegd wat er exact wordt bijgehouden. Ga goed om met de vertrouwen en doe er alles aan om dit vertrouwen uit te stralen.


Zeven gouden tips voor een succesvolle chatbot Be secure; chatbot, safety

7. Think big act small

Door klein te beginnen en steeds verder uit te bouwen kun je snel de waarde bewijzen en verbetering toepassen.


Zeven gouden tips voor een succesvolle chatbot Think big, act small, learn fast; chatbot, fast

Bij het ontwikkelen van een chatbot komt veel kijken, Benieuwd wat we voor jou kunnen betekenen? Neem contact op voor een vrijblijvend gesprek, we denken graag met je mee.

Deze blogpost verscheen op Colours.nl en Qdraw

Dit bericht is geschreven door: Dion van Velde

Tags: ,

Gecategoriseerd in:

29 mei 2017 • mei 16, 2018 at 3:55 pm Qdraw

De top zeven van intelligente Chatbot-tools

Chatbots zijn hot. Vorige week voorspelde onderzoeksbureau Juniper nog dat bedrijven in 2022 acht miljard dollar per jaar gaan besparen, dankzij chatbots. Maar wat zijn de allerbeste chatbot-tools? In dit overzicht is dit uitgezocht.

De ontwikkelingen gaan razendsnel. Chatbot-tools worden steeds beter in het begrijpen van zinnen. Wat voorheen alleen beschikbaar was in het Engels, is nu ook beschikbaar in het Nederlands.

Om een goed overzicht te krijgen van de verschillende chatbot-tools analyseerde ik de top zeven intelligente chatbot-tools. Hierbij wordt gefocust op ‘Natural language processing’-tools (NLP) en worden een aantal punten vergeleken. Deze punten zijn gebaseerd op zijn ervaring met chatbots, onder andere de chatbot voor Eneco.


IBM Watson, LUIS, API.AI, Wit.AI (Dialogflow), Meya.AI, Amazon Lex, Chatfuel, De top zeven van intelligente Chatbot-tools ; | foto 1

Bij het ontwikkelen van een chatbot komt een hoop kijken. Zo heb ik meegewerkt aan de ontwikkeling van de Eneco Chatbot, een intelligente chatbot waarmee consumenten snel meterstanden kunnen doorgeven. Benieuwd wat we voor jou kunnen betekenen? Neem contact op voor een vrijblijvend gesprek.

Het artikel van Juniper: ‘Chatbots, a Game Changer for Banking & Healthcare, Saving $8 billion Annually by 2022’ is hier te vinden.

10 oktober 2017 – API.AI heeft de naam veranderd in Dialogflow

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

2 mei 2017 • mei 16, 2018 at 3:57 pm Qdraw

Vanuit de cloud je eigen Hue-ledstrip besturen

Een computer is niet meer het enige device dat online is. Andere apparaten zoals een smartwatch of koelkast zijn ook online. Bij u thuis alleen al kan er een netwerk bestaan uit lampen, een thermostaat, sieraden, de auto’s, en uw koelkast. Samen vormen deze het ‘Internet of Things’.

Dankzij het netwerk van devices automatiseer je het hele huis. Natuurlijk kun je zelf ook op afstand je lampen blijven bedienen.

Een ‘smart home’ klinkt misschien ver weg, maar in dit artikel laten we zien hoe je zelf een Ledstrip smart maakt en deze bestuurt vanuit de cloud. Met niet meer dan een goedkoop ledstripje en een Raspberry Pi kun vanuit je eigen slack-app je kleuren instellen.

Een chatbot waarbij je kleuren kunt aanpassen

Vanuit de chatbot moet het mogelijk zijn om kleuren aan te passen. Gewoon omdat het cool is! In dit project zit het hele proces van het opzetten van een Internet-of-things-device (IOT). Van het aansturen van poorten tot het koppelen aan een internet dienst. Voor dit artikel heb ik gekozen om dit via Slack te doen. Slack is een chatprogramma om snel binnen teams te communiceren. Slack biedt ook de mogelijkheid om een chatbot in deze gesprekken te integreren.

Wat ben ik hiervoor nodig?

  • Raspberry Pi (2 of 3)
    • Micro SD –kaart
    • 2,5 Ampère Micro USB-voeding
  • Ledstrip (12V 5050 RGB-ledstrip)
  • 3 Transistors (BD139)
  • Breadboard en draadjes
  • Leddimmer. (PWM-board: PCA9685)

 

TL;DR

 

Raspberry Pi configuratie

Wanneer je Raspbian (Lite) hebt draaien op je Raspberry Pi dan kun je starten met deze tutorial. In de volgende stappen leg ik uit hoe je dit zelf kunt uitvoeren. Op de site van de Raspberry Pi-foundation staat een goede uitleg om het device te installeren. Zet de image van de site op het SD-kaartje en start de Raspberry Pi op. Standaard start het apparaat op met pi als gebruiker en raspberry als wachtwoord.

Installeer Node.JS

Mijn scripts draaien op Node.js. Node.js is softwareplatform waarop men applicaties kan ontwikkelen en draaien. Die applicaties worden geschreven in JavaScript. Normaal wordt JavaScript uitgevoerd door een webbrowser maar in dit geval wordt JavaScript uitgevoerd door de Raspberry Pi.

In de package-manager van Raspbian is Node.js sterk verouderd. Een package-manager is op dit platform de App-store. Dus daarom installeren we het programma vanaf de officiële website. In de volgende stappen leg ik uit hoe je dat doet.

In deze tutorial maak ik gebruik van Terminal commando’s. Wanneer je niet zo goed weet hoe dit werkt, klik dan hier Je kunt via een commando-regel inloggen vanaf een ander apparaat (SSH). Het is ook mogelijk om via het apparaat zelf commando’s in te geven. Op de Raspberry Pi-site wordt een uitleg gegeven van hoe SSH werkt. In dit artikel gebruik ik het dollar teken om aan te geven dat het een terminal commando is dat als normale gebruiker wordt uitgevoerd. Je hoeft het dollar-teken niet mee te kopieren.

Wanneer je bent ingelogd op het device. Vanaf deze site downloaden we een bestand.

$ wget https://nodejs.org/dist/v7.8.0/node-v7.8.0-linux-armv7l.tar.gz

Vervolgens pak ik dit bestand uit

$ tar -xvf node-v*-linux-armv7l.tar.gz

Wissel ik van map en ga naar de net uitgepakte map

$ cd node-v*-linux-armv7l

Nu ga ik kopieren met speciale rechten (sudo). Het kan zijn dat er gevraagd wordt om een wachtwoord, als je deze niet veranderd hebt is dit: raspberry

$ sudo cp -R * /usr/local/

In de volgende stap controleer je of de installatie goed is gegaan. Als het goed is antwoord het onderstaande commando: v7.8.0

$ node -v

Zet i2c aan

Om te communiceren met het bordje waarmee de leds gedimd worden maken we gebruik van I2C.  I2C is bedacht om op een snelle en goedkope manier te tussen chips te communiceren. Voor de data-overdracht wordt er gebruik gemaakt van twee draden. SCL wordt gebruikt om een klok-signaal door te geven en SDA zorgt voor de data.

Standaard staat I2C op een Raspberry Pi uit en in de onderstaande stappen leg ik uit hoe je dit kunt activeren.

In het volgende bestand verwijderen we het hekje voor de tekst. Om het bestand op te slaan en af te sluiten gebruik je de toetsen combinatie Ctrl-X en toets vervolgens Y voor Yes

$ sudo nano /boot/config.txt

#device_tree_param=i2c_arm=on

Even herstarten en de veranderingen zijn doorgevoerd

$ sudo reboot

Om te controleren of I2C werkt installeer ik i2cdetect

$ sudo apt-get install -y i2c-tools

Met dit commando controleer ik of I2C werkt

$ sudo i2cdetect -y 1

i2cdetect -y 1

Mocht de uitkomst van het commando anders zijn dan hierboven.
De website Adafruit heeft een uitgebreide uitleg over het aanzetten van i2c onder Raspbian.

Clone de webapp

De code van de webapp heb ik gehost op github. Door het volgende commando uit te voeren haal je de code binnen

$ git clone "https://github.com/qdraw/raspberry-pi-rgb-ledstrip"

$ cd raspberry-pi-rgb-ledstrip

Installeer de benodigde packages

$ npm install

Start de webapp

$ npm start

No key file found. One was generated. Here is the public key: mhvr00pcowwqobneq2

App is gestart op http://localhost:5037

https://mhv*q2.localtunnel.me/webhook

De hardware setup

Wanneer de vorige code wordt uitgevoerd gebeurt er nog niks, er is nog geen hardware aangesloten. In deze stap sluiten we de hardware aan. Bij een Raspberry Pi-project is de moeilijkheid dat de combinatie tussen de hardware en software goed moet werken.

Voor setup heb ik een schema gemaakt waarin beschreven staat hoe de aansluitingen gedaan moeten worden.

 


Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 1

Het aansluitschema (gebaseerd op: Adafruit-documentatie)

 


Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 2

Dit is de setup zoals het bij mij thuis eruitziet

De keuze om gebruik te maken van een PWM-board

Een Raspberry Pi heeft out-of-the-box 2 PWM-kanalen. Deze 2 PWM-kanalen zijn verdeeld over 4 GPIO-poorten.  Daarnaast heeft de Raspberry Pi ook nog de beperking dat het PWM gebruiken is of een normale schakeling.

Slack API

Slack biedt ook de mogelijkheid om een chatbot in deze gesprekken te integreren. Dit heet Slash Commands. Wanneer je een slack-app aanmaakt op https://api.slack.com/apps?new_app=1

In de volgende stappen lopen door de setup van Slack heen.


Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 3

Zo ziet het eerste proces van ‘Create an App eruit’


Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 4

We maken een Slash Command aan. Aan de linkerkant is het menu zichtbaar waar ‘Slash Commands’ zichtbaar zijn. Klik hier op om een nieuw Slash Command aan te maken. Vervolgens klik je op ‘Create New Command’ om verder te gaan.

 


Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 5

Voer hier de waardes in die de webapp weergeeft geeft. Op
deze manier weet Slack wat er moet gebeuren als er /mycommand wordt ingevoerd.
Tevens is het mogelijk om een omschrijving weer te geven.

Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 6

Het is gelukt, vanaf nu kun je vanuit Slack een ledstrip besturen. In het voorbeeld gebruik ik /kleur rood om de Raspberry Pi te activeren.


Vanuit de cloud je eigen Hue-ledstrip besturen ; | foto 7

Mocht je vragen hebben over deze tutorial of over de wereld van ‘Internet of Things’ je interesse hebben gewekt. Maar weet je nog niet hoe je dit kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

Deze blogpost verscheen op Qdraw.nl

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

28 april 2017 • april 28, 2019 at 3:02 pm Qdraw

Nu inzetten op de ‘service by speech’ revolutie

Met je stem een computer besturen. Het klinkt als ‘science fiction’ maar het is nu werkelijkheid. Met spraakherkenning wordt het mogelijk om op elk moment van de dag, acties uit te voeren met een computer. Deze technologie is nu toegankelijk in de woonkamer dankzij Smart Home devices.

Speech to text

‘Speech to text’ is waar de grootste partijen nu actief mee bezig zijn. Dit uit zich in de vorm van digitale assistenten. Zo heeft Microsoft Cortana in Windows geïntegreerd. Apple heeft Siri en Google heeft haar Assistant. Ook Amazon heeft een digitale assistent, genaamd Alexa. De digitale spraak assistent van Amazon is nu met de tweede generatie bezig. De eerste generatie is geïntroduceerd in 2014 in de Verenigde Staten. Alexa werkt samen met Amazon Echo. Dit is een slimme speaker waar je tegen kunt praten en kunt gebruiken om smarthome producten te bedienen, vragen te stellen, muziek af te spelen en om dingen te kopen.

Concurrentie blijft niet lang uit en het antwoord van Google op Alexa is Google Home. Met dit ‘Internet of Things’- device in de woonkamer wordt het mogelijk om bijvoorbeeld Spotify af te spelen of je Chromecast te bedienen. Ook is het is mogelijk om een conversatie aan te gaan met de virtuele assistent en informatie in te winnen.


Nu inzetten op de service by speech revolutie ; Alexa, Colours, Echo Dot, Amazon, IOT-device | foto 1

Skills

Alexa is zo ontworpen dat je skills – eigen mogelijkheden – kunt toevoegen aan de virtuele spraak assistent. Zo heeft The Guardian (een Brits dagblad) een eigen Alexa Skill waarbij je bijvoorbeeld kunt vragen naar de headlines. Als maker van zo’n nieuwe skill heb jij de regie om zelf antwoorden te formuleren. Zo wordt het mogelijk om interactie te hebben met deze skill.

Wanneer je als ontwikkelaar een skill aanmaakt wordt er gevraagd naar een webhook – een voor de normale gebruiker verborgen webpagina die luistert naar antwoorden van in dit geval Alexa. Op deze manier wordt het mogelijk om dynamisch antwoorden te geven. Het voordeel hiervan is dat het als merk mogelijk wordt om realtime content up te daten en een gepersonaliseerde experience te bieden.

Met je stem een computer bedienen is toegankelijk voor een groot publiek

Er is een nieuw kanaal bij gekomen in het service-landschap! Deze innovatieve manier zorgt voor een gepersonaliseerde experience waarbij gemak centraal staat. Bijna alles is computer-stuurbaar, zonder dat je de bank hoeft af te komen.

Mocht de wereld van ‘service by speech’ je interesse hebben gewekt, maar weet je nog niet hoe je dit in je organisatie kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde.

Dit bericht is geschreven door: Dion

Tags: , ,

Gecategoriseerd in:

13 februari 2017 • april 28, 2019 at 3:03 pm Qdraw

De vijf dingen die je niet wist over Artificial Intelligence

In deze blog ga ik het hebben over vijf verschillende thema’s binnen kunstmatige intelligentie. Deze thema’s gaan van de geschiedenis tot zelfrijdende auto’s.

  1. Er bestaat een test om te bepalen of een machine ‘sociale intelligentie’ vertoond;
  2. A.I. is ook de ‘dame’ in je telefoon die handige zaken handsfree regelt;
  3. Artificial Intelligence leert dankzij jou;
  4. Zelfrijdende auto’s heeft A.I. nodig om succesvol te zijn;
  5. Zelfs huisdieren hebben Artificial Intelligence.

 

1. Er bestaat een test om te bepalen of een machine ‘sociale intelligentie’ vertoond

De test om te bepalen of een machine ‘menselijke intelligentie’ kan vertonen is voor het eerst geïntroduceerd door de computerpioneer Alan Turing in 1950. “Kunnen machines denken?” is de hoofdvraag in de paper ‘Computing Machinery and Intelligence’ uit 1950. Sociale intelligentie wordt gemeten, niet de feitelijke kennis. Inmiddels is het de computers allang gelukt om beter te zijn in feitelijke kennis, neem als bijvoorbeeld IBM Watson met Jeopardy. Jeopardy draait om het antwoorden van triviant-vragen. In 2011 wist Jeopardy de all-time highscores te verbeteren.

De turingtest houdt in dat drie deelnemers afzonderlijk de test uitvoeren. De deelnemers zijn: Een computer, een mens en een mens die moet beoordelen wie de computer is. De computer en de mens proberen de beoordelaar te overtuigen dat zij mensen zijn.
Na een aantal vragen is duidelijk wat de status is van de sociale intelligentie van de computer. Deze status wordt vastgesteld door aan de beoordelaar te vragen wie de computer is. Wanneer de beoordelaar het niet goed inschat heeft de computer gewonnen.

80’s computer

2. A.I. is ook de ‘dame’ in je telefoon die handige zaken handsfree regelt

Wanneer je je telefoon vraagt om iets te doen door de spraak-assistent te activeren, dan wordt je stem doorgestuurd naar een clouddienst waar je stem door middel van Artificial Intelligence wordt vertaald naar geschreven tekst. Vervolgens wordt er een antwoord geformuleerd en deze wordt uitgesproken door een vriendelijke stem, wat in werkelijkheid gecombineerde woordklanken zijn die een geheel vormen. Op deze manier is het mogelijk om taken uit te voeren zonder gebruik te maken van een interface.

Er is daarnaast nog een andere vraag; Is een vrouwenstem minder eng is dan een mannenstem? Voor veel mensen is een spraak assistent toch de eerste kennismaking met A.I. Er is veel onderzoek gedaan naar of een vrouwenstem in combinatie met A.I., minder eng is dan een mannenstem. Uit onderzoek blijkt dat de verschillen klein zijn maar dat een vrouwenstem toch beter is. Vergelijk ‘Samantha’ in de film ‘Her’ maar eens met de Terminator machines.

Siri, maar nog in de tijd van iOS6.


De vijf dingen die je niet wist over Artificial Intelligence ; | foto 2, ‘reCAPTCHA’ in gebruik

3. Artificial Intelligence leert dankzij jou

Wanneer je een formulier invult, dan wordt er nog weleens gevraagd om iets over te typen. In het verleden werden hier huisnummers getoond. Wist je dat deze nummers gebruikt werden door Google om de software uit te dagen en zo beter te worden in het herkennen van schrift? Het tonen van deze ‘CAPTCHA’-vragen is om te voorkomen dat er nieuwe spamgebruikers zich toevoegen.

Google had al de streetview-data, een gigantische hoeveelheid afbeeldingen van complete landen. De volgende stap is om hier iets mee te doen. Het was in het verleden lastig om het huisnummer te vinden binnen een straat. Dus heeft Google software ontwikkeld om de huisnummers te vinden, zelf het huisnummer te herkennen. Het vragen aan de massa is een goed middel om door middel van Artificial intelligence een ‘Neural Network’ op te zetten. Vergelijk een Neural Network maar met je hersenen. Er wordt een grote verzameling connecties die gemaakt. Op deze manier is het mogelijk om, op een snelle manier, de gebruikers net iets beter te helpen.

‘reCAPTCHA’ voordat het gebruik ging maken van streetview-data.

4. Zelfrijdende auto’s heeft A.I. nodig om succesvol te zijn

Een zelfrijdende auto heeft veel sensoren, zo wordt er bijvoorbeeld in een Tesla gebruik gemaakt van 8 camera’s die samen 360-graden beelden maken van de omgeving. Om de diepte te kunnen inschatten wordt radar en sonar gecombineerd. Zo kan het systeem ook echt zien hoe de omgeving eruitziet. De data wordt slim gecombineerd en met slimme zelflerende algoritmes wordt de beste route bepaald. Dit allemaal zodat jij veilig aankomt op je bestemming.

Een prototype van een zelfrijdende Google auto

Als een zelfrijdende auto geen zelflerend systeem zou hebben, zou voor elke situatie een losse regel moeten worden uitgeschreven. In een situatie op straat zouden die zo veel regels zijn dat mensen dingen over het hoofd gaan zien. Elke situatie is uniek en door gebruik te maken van een zelflerend systeem worden regels snel toegevoegd. Daarnaast kunnen auto’s onderling deze kennis snel delen. De zelflerende auto kan een andere inschatting kunnen maken en voorkomen dat bijvoorbeeld de onderstaande kat wordt aangereden.

Iets met een kat en een zelfrijdende auto…

5. Zelfs huisdieren hebben Artificial Intelligence

Het bekendste voorbeeld een artificieel huisdier is Aibo. De door Sony geproduceerde hond had als enigste doel om mensen gezelschap te houden. Wanneer een huisdier intelligenter is wordt het makkelijker voor een mens om hier een emotionele band mee te hebben.

Waar een robothond gebruikt voor kan worden is het delen van verhalen, op een interactieve manier lesmateriaal over te brengen. Daarnaast worden zorgrobots ook gebruikt om ouderen te ondersteunen. Een taak van een zorgrobot is het herkennen van ongelukken. Een robot kan je ook helpen herinneren aan een afspraak.


De vijf dingen die je niet wist over Artificial Intelligence ; | foto 1

Het Aibo hondje, wat in het Japans ‘vriend’ of ‘maat’ betekend.

Mocht de wereld van Artificial Intelligence je interesse hebben gewekt, maar weet je nog niet hoe je dit in je organisatie kunt toepassen en heb je de nodige vragen? Stuur mij dan een mailtje dan kunnen we een kopje koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: LiveScience, technologyreview, ieee.org, Flickr, Giphy, Giphy en Giphy

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde.

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

13 januari 2017 • januari 13, 2017 at 7:45 pm Qdraw

Minor Meaningfull datadesign 2017

Op vrijdag 13de januari was de eindexpositie van de minor Meaningful Data Design. In deze minor ligt de nadruk op het op een andere manier de data visualiseren. Denk hierbij aan interactieve webapps tot interactieve installaties. Vorig jaar heb ik zelf deze minor afgerond tijdens mijn studie Communicatie en Multimedia Design. Voor deze expositie hadden de studenten de keuze om één van de drie opdrachten te exposeren. De eerste opdracht van de minor was om Romeo en Juliet-data te visualiseren, ze zijn aan de gang geweest om verhuisdata van het CBS te visualiseren. De laatste opdracht was op basis van data van bouwkunde, het gedrag van het stuifzand een visualisatie te ontwikkelen


Minor Meaningfull datadesign 2017 ; | foto 1


Minor Meaningfull datadesign 2017 ; | foto 2


Minor Meaningfull datadesign 2017 ; | foto 3


Minor Meaningfull datadesign 2017 ; | foto 4


Minor Meaningfull datadesign 2017 ; | foto 5


Minor Meaningfull datadesign 2017 ; | foto 6

Dit bericht is geschreven door: Dion

Tags: ,

Gecategoriseerd in:

13 januari 2017 • april 28, 2019 at 3:03 pm Qdraw

Machine Learning bestaat voor 80% uit data-analyse

Verschillende bedrijven maken actief gebruik van Machine Learning. Een aantal banken zijn bijvoorbeeld met deze vorm van Artificial Intelligence aan de slag gegaan om real-time transacties te analyseren. Zo kan een dergelijk systeem op basis van grote hoeveelheden data voorspellingen doen, die bijvoorbeeld kunnen aantonen of een transactie mogelijk frauduleus is. Erg handig dus!

De trend van geautomatiseerde voorspellingen zal voorlopig nog voortzetten, waarbij new business concepten zullen worden ontwikkeld die van grote waarde kunnen gaan zijn, zoals het voorbeeld van de bancaire sector. Het blijft daarbij noodzaak om met deze technologieën te experimenteren. Voor een mens is het vrijwel onmogelijk om dergelijke voorspellingen met de hand te doen. Daar is de hoeveelheid data te groot voor, toch speelt de mens wel een grote rol in het traject.

Voordat gestart kan worden met het opzetten van een Machine Learning systeem zal eerst een boel data moeten worden geanalyseerd. Uit ervaring blijkt dat data-analyse 80% van de tijd in beslag zal nemen en de laatste 20% zal zitten in het configureren van het Machine Learning algoritme. Dus hoe gaat dat analyseren nu precies in zijn werk? In deze blog leg ik dat in 7 stappen uit.

Allereerst een kleine introductie over wat Machine Learning nu precies doet: het is een systeem dat leert van het gedrag dat een gebruiker vertoont en de data die een gebruiker daarmee achterlaat. In deze data zal het systeem patronen herkennen. Op basis van de patronen ontwikkelt het een algoritme en een model dat de voorspellingen maakt. In het blogartikel ‘Voorspellen of een gebruiker lid blijft‘ vertel ik hoe dat precies in zijn werk gaat. Op basis van het algoritme kan het systeem voorspellingen doen, waarbij het potentie heeft om zelfstandig te kunnen opereren.

Stap 1: Doel bepalen Machine Learning traject

De eerste stap is te bepalen wat er voorspelt moet worden en een doel te koppelen aan het onderzoek. Een doel kan bijvoorbeeld zijn: ‘ik wil kunnen voorspellen of een websitebezoeker een bestelling zal gaan plaatsen.’ Dit geeft richting aan het onderzoek en inzicht in welk probleem er precies opgelost moet worden.

Stap 2: Data verzamelen

In de tweede stap van het Machine Learning traject moet geïnventariseerd worden wat voor data beschikbaar is. Vervolgens is het aan jou om in het systeem aan te geven welke data van belang is en welke data ruis bevat. Dit is een belangrijke stap, omdat op deze wijze het systeem in de juiste richting gestuurd wordt en gaat begrijpen wat de juiste voorspellingen moeten zijn. Om deze stap te kunnen nemen moet de data inzichtelijk worden gemaakt. Samenvatten en visualiseren van de data helpt om daar grip op te krijgen.

Stap 3: Samenvatten van data

Een goede samenvatting van de data kan helpen inzicht te krijgen in verschillende datastructuren en te controleren of de dataset zuiver is. Het is namelijk van belang de dataset zo zuiver mogelijk te krijgen. In feite ga je in deze stap beginnen met de data te analyseren.

Om een goede samenvatting te maken zal je een antwoord moeten krijgen op een aantal vragen zoals: hoe is de data opgebouwd? Wat voor categorieën worden er gebruikt? Wat betekenen de waardes van de data? Gaat het om een getal, of een getal met decimalen? Wat is de hoogste waarde? Wat voor eigenschappen heeft deze waarde nog meer en hoe wordt deze toegepast? Is het mogelijk om gemiddelden te maken? Zijn er belangrijke uitschieters en wat houden deze in?

Wanneer eventuele correlaties en lineaire verbanden onderzocht moeten worden kunnen de waardes gecontroleerd worden aan de hand van de correlatiecoëfficiënt van Pearson. Mocht het gaan om waardes op ordinaal niveau, dus een rangschikking, kan gebruik worden gemaakt van de Spearman’s rang-correlatie, waarbij de data vervangen wordt door rangnummers en alsnog een correlatie kan worden berekend.

Zoeken naar waardevolle data in een zee vol informatie. De tekst gaat verder na de afbeelding


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 1

Stap 4: Functionele datavisualisatie

Ook is het handig om data visueel te maken. Grafieken en tabellen kunnen inzicht geven in mogelijk interessante structuren. Een mogelijkheid is gebruik te maken van een histogram of scatterplot. Let hierbij op de verschillende groepen en de eventuele verspreiding van deze groepen.

Er zijn verschillende tools om datavisualisaties te maken. Je zou deze visualisaties kunnen maken met R-Studio. R-Studio maakt gebruik van de programeertaal R. De programeertaal R is ontwikkeld voor statistiek en data-analysedoeleinden en wordt ook veel gebruikt voor Machine Learning.

Een histogram kan gebruikt worden om een beter beeld te krijgen bij de getallen. Bij een eenvoudige dataset kun je eventuele verbanden nog aflezen, maar als het complexer wordt is aan te raden om een hulpmiddel, zoals het histogram te gebruiken. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 2

Een andere methode die gebruikt kan worden om data visueel te maken is het scatter plot. Dit is een twee dimensionele weergave van een structuur, waarin twee variabelen worden weergegeven en het mogelijk maakt om een eerste indruk te krijgen van eventuele correlaties te ontdekken. Op deze manier krijg je een eerste indruk van de data.

Een voorbeeld kan zijn de eruptiedata van de ‘Old Faithful’ geiser in Yellowstone. Waarbij er twee assen zijn: de wachttijd tussen de erupties en de duur van de eruptie. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 3

Stap 5: Opstellen onderzoeksvraag

Wanneer de data geanalyseerd is en het doel van het onderzoek duidelijk, is de volgende stap om een onderzoeksvraag op te stellen, om vervolgens te bepalen welke data nodig zijn om het model te trainen. In de blogpost ‘De 6 must-know’s voordat je start met Machine Learning’ geef ik een aantal handvaten over het opstellen van een goede onderzoeksvraag, om de juiste inzichten en voorspellingen uit het systeem te krijgen. Hierin staan ook de verschillende vormen van Machine Learing beschreven welke je in de volgende stappen nodig bent.

Stap 6: Traningsdata (Pre-processing modules)

Nu het doel bepaald is, de gegevens klaar staan en een onderzoeksvraag is opgesteld, is het tijd om het voorspellend model te gaan bouwen en te trainen. Het is mogelijk om een algoritme van tevoren te trainen met behulp van een trainingsdataset. In het hypothetische geval dat er voorspeld moet worden of een websitebezoeker een bestelling zal gaan plaatsen kan een dergelijke trainingsdataset bestaan uit het aantal frequenties dat een bepaald type handeling is uitgevoerd.

In mijn eerdere blogpost ‘Voorspellen of een gebruiker lid blijft’ wordt dieper ingegaan op het proces van trainen van het model en hoe we dit precies doen aan de hand van het machine learning itaration model. In het model wordt ‘stap 6’: ‘Pre-processing modules’ genoemd. De tekst gaat verder na de afbeelding.


Machine Learning bestaat voor 80 procent uit data-analyse ; | foto 4

Stap 7: ‘Machine Learning algorithm’ toepassen

Op basis van de trainingsdata wordt het Machine Learning algoritme gevoed. Dit komt omdat het model steeds weer resultaten produceert, die gebruikt worden om oude algoritmes te verbeteren. Oftewel de uitkomst van elke stap leert of alle voorgaande stappen goed zijn uitgevoerd, maar het is aan jou om het juiste algorimte te kiezen en de waardes te tweaken.

Mocht de wereld van toegepaste data-analyse en Machine Learning je interesse hebben gekregen, maar je hebt nog de nodige vragen? Laten we dan eens een kop koffie drinken.

Voor dit blogartikel heb ik gebruikt gemaakt van de volgende bronnen: MachineLearningMastery, Gartner, R-tutor en Stackoverflow.

Deze blogpost verscheen op Colours.nl en op de weblog van Dion van Velde. Credits voor dit artikel gaan ook naar onze ‎Online Marketeer: Elizabeth Geul, zij heeft bijgedragen aan de tekst door deze te redigeren.

Dit bericht is geschreven door: Dion

Tags: , , ,

Gecategoriseerd in: