Voorspellingen op basis van machine learning versus voorspellingen door menselijke experts
Machine learning-voorspellingen zijn gebaseerd op algoritmen die getraind zijn op historische gegevens om toekomstige uitkomsten te voorspellen, terwijl voorspellingen door menselijke experts gebruikmaken van professioneel oordeel, domeinkennis en contextueel redeneren. Beide benaderingen hebben hun eigen sterke punten en veel organisaties combineren ze tegenwoordig voor nauwkeurigere voorspellingen.
Uitgelicht
Machine learning blinkt uit in het opschalen en herkennen van patronen, terwijl mensen uitblinken in het omgaan met nieuwe situaties en contextueel redeneren.
De beste menselijke supervoorspellers hebben algoritmes met ongeveer 30% verslagen bij geopolitieke voorspellingstaken.
ML-modellen moeten opnieuw getraind worden om ongekende gebeurtenissen aan te kunnen, terwijl menselijke experts zich in realtime kunnen aanpassen.
Hybride systemen met menselijke tussenkomst worden steeds vaker beschouwd als de gouden standaard voor voorspellingen met grote gevolgen.
Wat is Machine learning-voorspellingen?
Een datagestuurde aanpak die gebruikmaakt van algoritmen die getraind zijn op historische datasets om patronen te identificeren en voorspellingen te doen over toekomstige gebeurtenissen.
Machine learning-voorspellingsmodellen leren van grote hoeveelheden historische gegevens in plaats van expliciet met regels te worden geprogrammeerd.
Veelgebruikte algoritmen zijn onder andere ARIMA, Prophet, LSTM-neurale netwerken en gradient boosting-methoden zoals XGBoost.
Deze modellen blinken uit in het detecteren van complexe, niet-lineaire patronen die voor mensen moeilijk handmatig te herkennen zouden zijn.
De prestaties verbeteren doorgaans naarmate er meer trainingsdata beschikbaar komen, mits de datakwaliteit hoog blijft.
Populaire platforms die ML-voorspellingen aanbieden zijn onder andere Amazon Forecast, Google Vertex AI en open-sourcebibliotheken zoals scikit-learn en TensorFlow.
Wat is Voorspellingen door menselijke experts?
Een op oordeel gebaseerde aanpak waarbij domeinspecialisten ervaring, intuïtie en contextueel begrip gebruiken om voorspellingen te doen over toekomstige uitkomsten.
De rol van menselijke experts bij het voorspellen van weersvoorspellingen wordt al sinds de jaren 70 formeel onderzocht, met name door het onderzoek van Philip Tetlock naar supervoorspellers.
Experts kunnen kwalitatieve informatie zoals het politieke klimaat, het consumentenvertrouwen of opkomende trends meenemen die data alleen mogelijk niet weergeven.
Onderzoek toont aan dat gecombineerde voorspellingen van meerdere experts vaak betere resultaten opleveren dan voorspellingen van individuele experts.
Uit het Good Judgment Project van Tetlock bleek dat de best presterende voorspellers steevast zowel algoritmes als gemiddelde experts met aanzienlijke marges overtroffen.
Menselijke voorspellers kunnen zich snel aanpassen aan ongekende gebeurtenissen, zoals pandemieën of geopolitieke verschuivingen, zonder dat omscholing nodig is.
Vergelijkingstabel
Functie
Machine learning-voorspellingen
Voorspellingen door menselijke experts
Primaire invoer
Historische numerieke gegevens
Domeinkennis, ervaring, kwalitatieve context
Snelheid van voorspelling
Vrijwel direct na training
Langzamer, vereist zorgvuldige analyse
Omgaan met Black Swan-gebeurtenissen
Arm zonder omscholing
Sterk, kan redeneren over nieuwe scenario's.
Schaalbaarheid
Zeer schaalbaar voor veel taken.
Beperkt door de beschikbare tijd van de expert.
Interpretatievermogen
Vaak een black box, hoewel er wel instrumenten bestaan om de uitleg te verbeteren.
Beslissingen kunnen worden verklaard door middel van redenering.
Vooringenomenheid
Weerspiegelt vertekeningen in de trainingsgegevens.
Onderhevig aan cognitieve vertekeningen zoals verankering en overmoed.
Kostenstructuur
Hoge opstartkosten, lage marginale kosten
Doorlopende vergoeding voor deskundigen vereist
Aanpassingsvermogen aan verandering
Vereist omscholing met nieuwe gegevens.
Kan de redenering in realtime aanpassen.
Gedetailleerde vergelijking
Nauwkeurigheid en staat van dienst
Onderzoek van Philip Tetlocks Good Judgment Project toonde aan dat de beste menselijke supervoorspellers de algoritmische basislijnen met ongeveer 30% overtroffen bij geopolitieke vraagstukken. In domeinen met veel historische data, zoals weersvoorspellingen of de vraag in de detailhandel, presteren machine learning-modellen echter vaak aanzienlijk beter dan menselijk oordeel. De winnaar qua nauwkeurigheid hangt er echt van af of de toekomst op het verleden lijkt.
Gegevensvereisten en schaalbaarheid
Machine learning-modellen hebben grote hoeveelheden schone, gestructureerde data nodig om goed te presteren, en ze hebben moeite wanneer die data schaars of ruisig is. Menselijke experts kunnen zelfs met beperkte informatie redelijke voorspellingen doen door gebruik te maken van analogieën en eerdere ervaringen. Aan de andere kant kost het genereren van duizenden voorspellingen na de training van een ML-model vrijwel niets, terwijl het opschalen van menselijke expertise het aannemen en trainen van meer mensen vereist.
Interpretatievermogen en vertrouwen
Belanghebbenden willen vaak begrijpen waarom een voorspelling bepaalde resultaten oplevert, en menselijke experts kunnen de redenering daarachter meestal stap voor stap uitleggen. Veel machine learning-modellen, met name diepe neurale netwerken, werken als black boxes waarbij de interne logica ondoorzichtig is. Hulpmiddelen voor uitlegbaarheid zoals SHAP en LIME zijn nuttig, maar ze voegen complexiteit toe en voldoen niet altijd aan de eisen van toezichthouders of besluitvormers die duidelijke onderbouwingen nodig hebben.
Reactie op nieuwe situaties
Wanneer er iets werkelijk ongekends gebeurt, zoals de COVID-19-pandemie die de toeleveringsketens wereldwijd ontwricht, falen machine learning-modellen die getraind zijn op data van vóór de pandemie vaak op spectaculaire wijze totdat ze opnieuw getraind worden. Menselijke experts kunnen nieuwe scenario's analyseren op basis van fundamentele principes en hun mentale modellen direct aanpassen. Deze aanpassingsvermogen maakt menselijk oordeel bijzonder waardevol tijdens perioden van structurele verandering of crisis.
Kosten en investeringen in middelen
Het bouwen van een capabel machine learning-voorspellingssysteem vereist investeringen in data-infrastructuur, technisch talent en rekenkracht, maar de marginale kosten per voorspelling zijn daarna minimaal. Voorspellingen door menselijke experts vereisen continue uitgaven aan salarissen, trainingsprogramma's en vaak concurrerende beloningen om toptalent te behouden. Voor organisaties met beperkte budgetten komt de keuze vaak neer op de beschikbaarheid van data of toegang tot expertise.
Hybride benaderingen
Steeds vaker worden de meest accurate voorspellingen verkregen door beide methoden te combineren in plaats van er één te kiezen. Machine learning kan het zware kwantitatieve werk verrichten en patronen blootleggen, terwijl menselijke experts de resultaten beoordelen, corrigeren voor kwalitatieve factoren en het model bijsturen wanneer ze vermoeden dat er iets niet klopt. Deze aanpak met menselijke tussenkomst wordt steeds meer de standaardpraktijk in uiteenlopende vakgebieden, van financiën tot epidemiologie.
Voors en tegens
Machine learning-voorspellingen
Voordelen
+Verwerkt snel enorme datasets
+Weegschalen met minimale marginale kosten
+Detecteert verborgen patronen
+Consistent en reproduceerbaar
Gebruikt
−Vereist grote trainingsdatasets.
−Armoede door ongekende gebeurtenissen
−Vaak ontbreekt het aan interpreteerbaarheid
−Kan vertekeningen in de gegevens overerven.
Voorspellingen door menselijke experts
Voordelen
+Past zich aan nieuwe scenario's aan.
+Integreert een kwalitatieve context
+Beslissingen zijn verklaarbaar.
+Geen trainingsgegevens vereist
Gebruikt
−Beperkte schaalbaarheid
−Onderhevig aan cognitieve vertekeningen
−Langzamer en duurder
−Verschilt per individu
Veelvoorkomende misvattingen
Mythe
Machine learning levert altijd nauwkeurigere voorspellingen op dan mensen.
Realiteit
De nauwkeurigheid hangt sterk af van het domein. In stabiele, data-rijke omgevingen wint machine learning vaak, maar in nieuwe of snel veranderende situaties presteren ervaren menselijke voorspellers vaak beter dan algoritmes. Studies zoals het onderzoek van Tetlock naar supervoorspellers laten zien dat mensen de basismodellen van machine learning kunnen overtreffen bij geopolitieke vraagstukken.
Mythe
Voorspellingen van menselijke experts zijn slechts gissingen gebaseerd op onderbuikgevoel.
Realiteit
Ervaren voorspellers gebruiken gestructureerde methoden zoals referentieklassevoorspelling, decompositie en waarschijnlijkheidsupdates. Ze volgen hun voorspellingen, leren van fouten en passen rigoureus redeneren toe in plaats van alleen op intuïtie te vertrouwen.
Mythe
Eenmaal getraind, hoeft een ML-voorspellingsmodel nooit meer te worden bijgewerkt.
Realiteit
Modellen verslechteren na verloop van tijd doordat patronen in de echte wereld veranderen, een probleem dat bekend staat als conceptdrift. De meeste machine learning-systemen die in productie worden genomen, vereisen regelmatige hertraining, monitoring en onderhoud om accuraat te blijven.
Mythe
Meer data leidt altijd tot betere voorspellingen met behulp van machine learning.
Realiteit
De kwaliteit van de data is net zo belangrijk als de kwantiteit. Vooringenomen, verouderde of ruisende data kunnen voorspellingen juist verslechteren, en het toevoegen van meer van dezelfde gebrekkige data lost de onderliggende problemen niet op.
Mythe
Menselijke deskundigen zijn te bevooroordeeld om betrouwbare voorspellingen te kunnen doen.
Realiteit
Hoewel cognitieve vertekeningen bestaan, verminderen gestructureerde voorspellingstechnieken en het samenvoegen van voorspellingen van meerdere onafhankelijke experts deze vertekening aanzienlijk. Het onderzoek van Tetlock toonde aan dat samengevoegde voorspellingen van experts opmerkelijk nauwkeurig kunnen zijn.
Veelgestelde vragen
Wat is nauwkeuriger: machine learning of voorspellingen van menselijke experts?
Het hangt af van de situatie. Machine learning wint doorgaans in data-rijke, stabiele domeinen zoals de vraag in de detailhandel of het weer, waar historische patronen de toekomst betrouwbaar voorspellen. Menselijke experts winnen doorgaans in nieuwe of snel veranderende situaties zoals geopolitieke crises of pandemieën. Onderzoek van het Good Judgment Project toonde aan dat de beste menselijke supervoorspellers algoritmes met ongeveer 30% versloegen bij wereldwijde gebeurtenissen.
Kunnen machine learning-modellen gebeurtenissen voorspellen die ze nog nooit eerder hebben gezien?
Over het algemeen niet, niet zonder hertraining. Machine learning-modellen herkennen patronen in historische gegevens, dus werkelijk ongekende gebeurtenissen zoals COVID-19 of plotselinge wetswijzigingen kunnen ervoor zorgen dat ze falen totdat ze zijn bijgewerkt met nieuwe informatie. Menselijke experts kunnen beter met deze situaties omgaan omdat ze vanuit fundamentele principes kunnen redeneren.
Hoeveel data heb je nodig voor machine learning-voorspellingen?
Er is geen universeel antwoord, maar de meeste praktische voorspellingsmodellen hebben minstens honderden of duizenden waarnemingen nodig om betekenisvolle patronen te leren. Eenvoudige modellen zoals lineaire regressie kunnen met minder werken, terwijl deep learning-benaderingen doorgaans veel grotere datasets vereisen. De kwaliteit van de data is vaak belangrijker dan de hoeveelheid.
Wat is een supervoorspeller?
Een supervoorspeller is een term bedacht door onderzoeker Philip Tetlock om personen te beschrijven die consequent zeer accurate voorspellingen doen over wereldgebeurtenissen. Ze zijn doorgaans goed met cijfers, ruimdenkend, bereid hun overtuigingen bij te stellen op basis van nieuw bewijsmateriaal en goed in het opdelen van complexe problemen in kleinere onderdelen. Ongeveer 2% van de deelnemers aan Tetlocks studies voldeed aan de criteria voor een supervoorspeller.
Kun je machine learning en menselijke voorspellingen combineren?
Absoluut, en veel organisaties doen dit tegenwoordig ook. Een veelgebruikte aanpak is om machine learning-modellen te gebruiken om basisvoorspellingen te genereren, waarna menselijke experts deze beoordelen en aanpassen op basis van kwalitatieve factoren die het model mogelijk over het hoofd ziet. Deze hybride methode presteert vaak beter dan elk van beide benaderingen afzonderlijk, met name in sectoren zoals financiën, supply chain management en de gezondheidszorg.
Wat zijn de belangrijkste vooroordelen bij voorspellingen van menselijke experts?
Veelvoorkomende cognitieve vertekeningen zijn onder andere verankering (te veel vertrouwen op initiële informatie), bevestigingsbias (het zoeken naar bewijs dat bestaande opvattingen ondersteunt), overmoed en recentheidsbias (te veel gewicht toekennen aan recente gebeurtenissen). Gestructureerde voorspellingsmethoden en het samenvoegen van meerdere onafhankelijke voorspellingen helpen deze vertekeningen aanzienlijk te verminderen.
Welke sectoren maken het meest gebruik van machine learning voor voorspellingen?
De detailhandel, financiële sector, energiesector, gezondheidszorg en supply chain management behoren tot de grootste gebruikers. Bedrijven gebruiken machine learning voor vraagplanning, aandelenkoersvoorspellingen, energieprognoses, opnamepercentages van patiënten en voorraadoptimalisatie. Amazon, Google en Walmart zijn bekende voorbeelden van organisaties die machine learning op grote schaal toepassen.
Hoe beoordeel je de nauwkeurigheid van voorspellingen?
Gangbare meetwaarden zijn onder andere de gemiddelde absolute fout (MAE), de wortel van de gemiddelde kwadratische fout (RMSE), de gemiddelde absolute procentuele fout (MAPE) en, voor probabilistische voorspellingen, de Brier-score of het logaritmisch verlies. De beste meetwaarde hangt af van of u meer waarde hecht aan typische fouten, grote fouten of de kalibratie van waarschijnlijkheidsschattingen.
Is de expertise van menselijke deskundigen nog relevant in het tijdperk van AI?
Ja, absoluut. Hoewel AI goed overweg kan met grootschalige patroonherkenning, presteren mensen nog steeds beter in situaties die contextueel oordeel, ethisch redeneren en aanpassing aan nieuwe omstandigheden vereisen. Veel AI-systemen zijn specifiek ontworpen om menselijke experts te ondersteunen in plaats van te vervangen, en de vraag naar bekwame voorspellers blijft groeien.
Welke vaardigheden maken iemand een goede menselijke voorspeller?
Topvoorspellers zijn doorgaans goed met cijfers, intellectueel bescheiden, bereid hun mening te herzien en bedreven in het opdelen van complexe vraagstukken in kleinere, beter te beantwoorden onderdelen. Ze zoeken actief naar bewijs dat hun voorspellingen tegenspreekt, volgen hun voorspellingen nauwlettend en passen de waarschijnlijkheden stapsgewijs aan in plaats van overhaaste conclusies te trekken.
Oordeel
Kies voor machine learning-voorspellingen wanneer u over veel historische gegevens beschikt, grootschalige voorspellingen nodig hebt en in een relatief stabiele omgeving opereert. Kies voor voorspellingen door menselijke experts wanneer u te maken hebt met nieuwe situaties, beperkte gegevens of scenario's waarbij contextueel redeneren belangrijker is dan patroonherkenning. Voor de meeste serieuze toepassingen worden de beste resultaten behaald door beide benaderingen te combineren in plaats van ze als concurrenten te beschouwen.
