Voor de beste ervaring schakelt u JavaScript in en gebruikt u een moderne browser!
Je gebruikt een niet-ondersteunde browser. Deze site kan er anders uitzien dan je verwacht.
Switch to English

In het Mercury Machine Learning Lab gaan onderzoekers van de Universiteit van Amsterdam (UvA) en de TU Delft samen met Booking.com onderzoek doen naar verbeterde aanbevelingssystemen. De samenwerking biedt de unieke kans om AI-technieken in de echte wereld te testen waardoor veilig nieuwe machine learning methoden ontwikkeld kunnen worden voor brede toepassing, bijvoorbeeld op het gebied van mobiliteit, energie of gezondheidszorg.

Elke dag maken miljoenen reizigers van over de hele wereld op Booking.com meerdere beslissingen over hun aanstaande reisplannen. Met al het klikken op foto's van accommodaties en het scrollen door zoekresultaten beschikt Booking.com over een schat aan data-inzichten waarmee het bedrijf veranderingen op het platform kan doorvoeren om de klantervaring te verbeteren. Naast de verantwoordelijkheid om veilig en ethisch met al deze informatie om te gaan, is het de vraag hoe je al deze gegevens goed analyseert en bruikbare aanbevelingen blijft doen voor klanten. Is wat goed werkt voor een Nederlandse reiziger net zo relevant voor een reiziger uit Japan? En hoe zorg je ervoor dat klanten reisaanbevelingen blijven krijgen die voor hen relevant zijn, zonder dat ze in een filterbubbel blijven hangen?

Op weg naar nog betere aanbevelingen

Eén manier om te begrijpen wat een goede aanbeveling is, is kijken naar keuzes van eerdere reizigers en de ervaringen die hun keuzes opleverden. Machine learning-technieken zijn zeer geschikt om dergelijke verbanden en voorkeuren te leren. Het probleem is echter dat de verbanden en voorkeuren die in de data worden gevonden niet alleen worden gedreven door de keuzes van andere reizigers, maar ook door de suggesties en selecties die het systeem hen heeft laten zien. In het Mercury Machine Learning Lab gaan onderzoekers van de Universiteit van Amsterdam (UvA) en de Technische Universiteit Delft samen met datawetenschappers van Booking.com methoden ontwikkelen die ervoor zorgen dat dit soort bias wordt vermeden en dat de geleerde verbanden ook in een nieuwe of andere context accuraat blijven.

AI-technieken in de echte wereld te testen

Joris Mooij, wetenschappelijk directeur van het Mercury Machine Learning Lab vanuit de UvA: ‘Voor ons als onderzoekers is het een enorme kans om toegang te hebben tot een live dataset met wereldwijde data en de mogelijkheid te hebben om te experimenteren op het platform van Booking.com’. Frans Oliehoek en Matthijs Spaan, wetenschappelijk directeuren vanuit de TU Delft, beamen dat. Oliehoek: ‘Door AI-technieken in de echte wereld te testen, kunnen we beter begrijpen wat de beperkingen zijn van de nieuwste methoden op het gebied van reinforcement learning, en ook hoe we de toepassing ervan kunnen verbeteren.' Spaan: ‘De focus van het lab op het ontwikkelen van betere algoritmen voor aanbevelingssystemen is maatschappelijk erg relevant, aangezien deze systemen veel van onze digitale interacties sturen. Door fundamentele AI-uitdagingen aan te pakken, zullen de resultaten van het lab ook waardevol zijn voor andere domeinen'.

Onno Zoeter, Principal Data Scientist en wetenschappelijk directeur van Booking.com voegt toe: 'Anders dan bijvoorbeeld in een ziekenhuisscenario, waar het experimenteren met verschillende soorten datagedreven aanbevelingssystemen reële gevolgen voor leven en dood kan hebben voor patiënten en hun voorgestelde behandelingsprotocollen, gaat het testen van benaderingen, modellen en hypotheses met reisgegevens van Booking.com niet gepaard met dezelfde implicaties voor de volksgezondheid. Dit betekent dat we samen veilig nieuwe machine learning methoden kunnen testen en ontwikkelen met een potentiële impact die veel verder reikt dan de reizen die op ons platform worden geboekt.

Lessen uit andere talen

Kunstmatige intelligentie en natuurlijke taalverwerking worden al gebruikt om veel belangrijke taken in verschillende talen uit te voeren, denk aan het categoriseren van beoordelingen en het opsporen van fraude. De onderzoekers gaan ook op zoek naar manieren om een systeem met meerdere talen te creëren, waarbij de kleinere talen kunnen profiteren van wat er is geleerd in modellen en experimenteerrondes met talen die op grotere schaal worden gesproken. Dit moet Booking.com in staat stellen om nog sneller alle 44 talen en dialecten waarin het Booking.com-platform beschikbaar is in verschillende nieuwe contexten te ondersteunen.

Talent voor Nederland

Het Mercury Machine Learning Lab wordt onderdeel van ICAI, het Innovation Center for Artificial Intelligence. Het lab zal afgestudeerden op het gebied van Machine Learning kansen bieden om in Nederland te blijven en innovatief onderzoek te leiden, waardoor belangrijk talent verbonden blijft aan Nederlandse universiteiten en het bedrijfsleven.

Naast de bestaande onderzoekers zal het Mercury Machine Learning Lab bestaan uit zes promovendi en twee postdocs die in de loop van de komende vijf jaar zullen werken aan zes verschillende projecten die verband houden met bias- en generalisatieproblemen. Zij zullen twee dagen per week op kantoor bij Booking.com onderzoek doen en actief deelnemen aan gerelateerde experimentele onderzoekslijnen om hun hypotheses te testen