Op het vlak van machine learning heb je  supervised en unsupervised machine learning,   waarbij supervised machine learning wil zeggen dat  er een mens is die een oogje in het zeil houdt.   Denk daar bijvoorbeeld bij aan het proces  van trainen: Je maakt een nieuw algoritme. Ik blijf even in het dierenrijk: je hebt  bijvoorbeeld een dataset van 10.000 afbeeldingen.   Er zitten allerlei dieren in. Die persoon kan dan  zeggen: "Deze afbeelding, dit is een koe, dit is   een hond, cavia et cetera. Op die manier doe je  dus eigenlijk aan supervised machine learning. Een persoon, een mens, houdt een extra oogje  in het zeil hence het woord "supervisen",   om te zien dat het goed gebeurt. Je kan er ook  voor kiezen om unsupervised machine learning   toe te passen. Het voordeel daarvan is  dat er minder mankracht en manuren bij   betrokken zijn. Het nadeel is wel: Er is  dus ook geen supervisie van een persoon.   Wat er dan gebeurd is: Je heb die dataset  van bijvoorbeeld 1000 of 10.000 afbeeldingen   met allerlei dieren. Een persoon zegt dan:  "Nou deze vijf, dit zijn allemaal koeien,   dit zijn allemaal cavia's, dit zijn  allemaal honden, dit zijn allemaal katten. En naar aanleiding van die paar gelabelde  foto's gaat het algoritme zelf de rest labelen. Ja zoals ik zei, is het nadeel dat  er niemand is die het controleert. Het voordeel is wel dat de mens ook  niet altijd even objectief of scherp is. Je zou overal foto's van kunnen gebruiken. Als  je het hebt over medische foto's dan denk ik dat   bijvoorbeeld de toepassing "CT-scans" heel  waardevol is. Denk daarbij aan longziektes.   Niet alleen COVID-19, maar misschien ook een  longontsteking of misschien andere ziektes. Daarbij kan je een CT-scan maken, een  CT-scan bestaat uit 300 à 350 slices. Het is voor een radioloog heel veel werk om er  doorheen te scrollen maar een algoritme of een   oplossing die gebruik maakt van een dergelijk  algoritme is veel sneller en die kan binnen   enkele seconden met een hoge accuratie voorspellen  wat er gezien wordt. Die zegt dan niet alleen:   "Nou met 99,9% zekerheid zeg ik dat hier  sprake is van covid." Hij geeft ook aan waarom. Dus dan zegt die bijvoorbeeld: "Kijk eens op deze  slice of kijk eens in die sectie van de longen. Ik zie daar deze afwijking, bijvoorbeeld  een "opaque glass bead" voor covid." Dan kan de radioloog heel gericht gaan  kijken en niet alleen is het voordeel voor... Er is niet alleen voordeel als hij  voor het eerst de CT-scan bekijkt. Stel je voor dat de patiënt terug komt,  dan is het heel belangrijk om te kunnen   analyseren in een snel tempo, of de situatie  sterk is verbeterd, stabiel is gebleven,   of helaas is verslechterd. Op die manier kan  een radioloog snel ingrijpen of snel advies   bieden omtrent wat er gedaan moet worden. Als  je dus die twee CT-scans tegen elkaar aan houdt   dan kan een systeem heel snel en accuraat die  vergelijking trekken terwijl een radioloog,   die zou door allebei die CT-scans heen horen  te gaan. En dat kost hartstikke veel tijd. Dus die radioloog die werkt  maar zoveel uur per dag maar   dat algoritme en die oplossing die werken 24/7. Een ander voorbeeld, als we  het dan hebben over camera's: Je kan heel veel dingen doen met camera's.  Je kan met een camera herkennen of iemand   bijvoorbeeld een mondkapje draagt of niet.  Dat zou ook handig kunnen zijn in de zorg   als er niet genoeg mensen zijn. Maar misschien  herkent de camera ook wel dat er teveel mensen   door een gang lopen op een bepaald moment,  of misschien herkent een camera wel dat een   patiënt die moet rusten en die eigenlijk  niet door de gangen mag rond dwalen,   daar aan het ronddwalen is. Dat zijn allemaal  toepassingen die je kunt gebruiken in de zorg..