Machine learning (maskinlæring)
Machine learning er et felt inden for kunstig intelligens, hvor computere lærer at genkende mønstre i data i stedet for at følge fastkodede regler.
Machine learning, på dansk ofte kaldet maskinlæring, er en gren af kunstig intelligens (AI), hvor et computersystem finder sammenhænge og mønstre direkte ud fra data. I stedet for at en programmør skriver en udtømmende liste af faste regler for enhver tænkelig situation, justerer en maskinlæringsmodel sig selv løbende baseret på observationer.
Kort fortalt er kunstig intelligens den overordnede paraply for teknologier, der efterligner menneskelig problemløsning. Maskinlæring er den praktiske drivkraft under denne paraply, hvor algoritmer uddannes på historiske eksempler til at løse opgaver som klassificering, automatisering og forudsigelser.
Faste regler over for læring fra data
I klassisk softwareudvikling specificerer et menneske logikken: hvis det er lørdag, så bestil tyve procent ekstra varer. Denne type regel er gennemskuelig, let at rette og fungerer glimrende i enkle miljøer. Udfordringen opstår, når virkeligheden bliver for nuanceret til simple betingelser.
En maskinlæringsmodel kigger i stedet på samspillet mellem mange faktorer på én gang, for eksempel ugedag, vejrudsigten, lokale begivenheder og sæsonudsving. Hvis en velafprøvet tommelfingerregel allerede løser et forretningsbehov billigt og præcist, er der dog ingen grund til at udskifte den med en model blot for teknologiens skyld. Avancerede modeller er kun nyttige, når de skaber bedre resultater end simple metoder.
Et konkret eksempel: Bageriet i Odense
Forestil dig et lokalt bageri i Odense, der ønsker at mindske madspild og samtidig undgå at løbe tør for rundstykker en søndag morgen. Bageriet har data om tidligere salg, åbningstider, helligdage og store begivenheder i byen som festivaler eller byløb.
En model kan analysere disse tal for at estimere efterspørgslen for den kommende dag. Forudsætningen er dog, at modellen fodres med den rette kontekst. Hvis bageriet løb tør for rundstykker allerede klokken ti om formiddagen, registrerer kasseapparatet blot tre hundrede solgte brød. For modellen ligner det en efterspørgsel på tre hundrede stykker, selvom det reelle behov måske var fire hundrede. Uden registrering af udsolgte varer lærer systemet på et skævt grundlag. Ligeledes kan modellen umuligt forudse et pludseligt vejarbejde lige foran butikken, medmindre den information findes i datasættet.
Tre måder modeller tilegner sig viden
Maskinlæring opdeles typisk i tre overordnede metoder, alt efter hvordan data stilles til rådighed for systemet:
- Overvåget læring: Modellen modtager eksempler, hvor det korrekte svar på forhånd er kendt. Skal den gætte et tal, kaldes det regression, for eksempel morgendagens salgstal. Skal den placere data i en bestemt kategori, kaldes det klassifikation, for eksempel om en kundehenvendelse vedrører en returnering eller en fakturafejl.
- Ikke-overvåget læring: Her findes der ingen færdige facitlister. Modellen grupperer selv observationer, som ligner hinanden, for eksempel for at identificere typiske købsmønstre blandt butikkens faste kunder. Mennesket skal efterfølgende vurdere, hvad grupperne reelt betyder.
- Forstærkende læring: En digital agent afprøver handlinger i et defineret miljø og modtager point eller straf alt efter udfaldet. Metoden bruges ofte til robotstyring, computerspil og optimering af ruter inden for logistik.
Sådan afprøver du en model i den virkelige verden
Før en model sættes i drift hos en virksomhed eller offentlig institution, bør den altid testes grundigt:
- Sæt en fast tidsgrænse: Hvis bageren planlægger sin dej om aftenen, må modellen kun kende til data, der var tilgængelige den aften. Den kan kende vejrudsigten fra aftenen før, men ikke det faktiske vejr næste eftermiddag.
- Adskil fortid fra testperiode: Træn modellen på ældre data og test den udelukkende på nyere perioder for at simulere den reelle fremtid.
- Sammenlign med en simpel baseline: Hold modellens forudsigelser op mod et basalt gennemsnit af de seneste fire uger. Hvis modellen ikke klarer sig mærkbart bedre, bør projektet genovervejes.
- Mål fejl i forretningsværdi: Se ikke kun på tekniske fejlrater, men omregn fejlene til konkrete enheder som antal kasserede brød, tabte indtægter eller spildte arbejdstimer.
Ofte stillede spørgsmål
Hvad er forskellen på AI og machine learning?
Kunstig intelligens (AI) er det overordnede begreb for maskiner, der efterligner kognitive funktioner. Machine learning er en specifik metode under AI, hvor systemet finder mønstre i historiske data for at løse opgaver.
Kræver maskinlæring altid enorme computere og neurale netværk?
Nej, mange praktiske opgaver løses mest effektivt med enkle metoder som regression eller beslutningstræer. Man behøver hverken avancerede sprogmodeller eller dyre grafikprocessorer til almindelige tabeldata.
Hvorfor kan en model tage fejl i hverdagen?
En model tager ofte fejl, hvis dens data er ufuldstændige, eller hvis virkeligheden ændrer sig pludseligt. Hvis en hændelse, som vejarbejde eller usædvanligt vejr, ikke optræder i træningsdataene, kan modellen ikke tage højde for den.
