Machine learning
Sommige links op deze pagina zijn affiliatelinks: wij kunnen een commissie ontvangen, zonder extra kost voor jou. Onze aanpak
Machine learning bouwt modellen die patronen leren uit je data om voorspellingen te doen: welke klanten dreigen te vertrekken, hoeveel vraag er volgende maand is, welke transactie verdacht is. Het is een investering die het nuttigst is wanneer de data volstaat en het probleem helder is. ## Waar het echt wint Bij taken die een mens repetitief blijft herhalen: churnindicatoren, vraagvoorspelling, documentclassificatie, fraudedetectie. In al deze gevallen heeft de mens nog steeds de laatste stem: het model geeft een signaal, het team beslist. ## Wat de kost bepaalt De beschikbaarheid en de zuiverheid van de data, de complexiteit van het model en de integratie in de bestaande systemen. Een proof of concept kost 40 000 tot 100 000 MAD; een productiemodel kan 100 000 tot 250 000 MAD kosten. ## Wat je moet onthouden Begin met een eenvoudig model en een heldere basislijn, en meet de winst in zakelijke termen. Zonder schone data en zonder opvolging in productie en na verloop van tijd, levert het model slechts schijnresultaten op.Wanneer deze gids voor jou is
- Je hebt veel data (verkopen, gesprekken, gedrag) en wilt er voorspellingen uit halen
- Je wilt klanten identificeren die op het punt staan te vertrekken (churn)
- Je wilt vraag of voorraad voorspellen om stockbreuken en te veel voorraad te beperken
- Je wilt frauduleuze of riskante transacties sneller detecteren
- Je hebt een specifieke taak (classificatie, aanbeveling, voorspelling) die klassiek programmeren niet oplost
Stap voor stap
- Dataverzameling en -controle — Identificeer de nodige data, controleer hun beschikbaarheid, kwaliteit en geschiedenis. Zonder voldoende data is een model niet betrouwbaar.
- Formulering van het probleem — Definieer de te voorspellen variabele, de meeteenheid en het succesniveau in zakelijke termen. Kies een eenvoudig model als eerste stap.
- Verkenning en basislijn — Analyseer de data, bouw een eenvoudige basislijn en vergelijk elk model met die basislijn. Een model dat niet beter presteert dan een eenvoudige regel is geen winst.
- Training en validatie — Train het model, evalueer het op data die het niet heeft gezien en controleer de robuustheid en de vooroordelen die het kan bevatten.
- Integratie en opvolging — Integreer de voorspellingen in de tools van de teams, monitor de prestaties na verloop van tijd en hertrain het model wanneer de data veranderen.
Wat het kost (in dirham)
| Dienst | Indicatieve prijs | Goed om te weten |
|---|---|---|
| Proof of concept (één use case) | 40 000 – 100 000 MAD (≈ 3 700 – 9 000 €) | Data, model, evaluatie en documentatie |
| Productiemodel | 100 000 – 250 000 MAD (≈ 9 000 – 23 000 €) | Integratie, infrastructuur en opvolging |
| Maandelijkse ondersteuning en onderhoud | 10 000 – 40 000 MAD / maand (≈ 900 – 3 700 €) | Hertraining, bewaking en verbeteringen |
| Werken met een bestaand model (API) | 5 000 – 20 000 MAD (≈ 450 – 1 800 €) | Koppeling van voorspellingen zonder eigen model |
| Data-engineering en voorbereiding | 15 000 – 60 000 MAD (≈ 1 400 – 5 500 €) | Datastromen, kuisen en opslag |
Indicatieve prijzen voor de Marokkaanse markt in 2026, exclusief belasting. Prijzen variëren met de omvang en de leverancier.
Fouten om te vermijden
- Een complex model willen bouwen zonder schone data: 80 % van de inspanning zit in de data
- Het model evalueren op dezelfde data als waarmee het getraind is en resultaten die te mooi zijn verkrijgen
- Een meeteenheid kiezen die de zakelijke realiteit niet weerspiegelt
- Vooroordelen in de data negeren, vooral bij beslissingen over personen
- Een model in productie brengen zonder opvolging: de prestaties verslechteren stilaan
Veelgestelde vragen
Hoeveel data heb je nodig voor machine learning?
Dat hangt af van het probleem. Enkele duizenden historische voorbeelden zijn vaak genoeg voor een startend model, maar de kwaliteit en de geschiedenis tellen meer dan het volume. Op kleine data is een statistisch model of een menselijke regel vaak efficiënter.
Is machine learning geschikt voor een kmo?
Ja, in gerichte gevallen: churn, vraagvoorspelling, scoring, documentclassificatie. Begin met een beperkte proof of concept en meet de werkelijke winst voordat je investeert.
Verschilt het van AI-tools?
AI-tools bieden algemene antwoorden en automatische verwerking. Machine learning bouwt voorspellende modellen uit jouw data, specifiek voor een taak. Bij gebruikt beide samen.
Hoe lang duurt een project?
Een proof of concept duurt 1 tot 3 maanden, inclusief datavoorbereiding. De integratie in productie duurt 2 tot 6 maanden meer, afhankelijk van de bestaande systemen.
Wie bezit het model?
Zorg dat je toegang hebt tot de data, de code en de documentatie. Bij outsourcing moet het contract eigenaarschap van de data en het recht om het model te onderhouden duidelijk regelen.
Bijgewerkt op
Gerelateerde gidsen
Version française: /services/data-ia/machine-learning/ · EN · AR