Przejdź do treści
promptowy.com / Tekoälysanasto / Koneoppiminen (machine learning)
Perusteet

Koneoppiminen (machine learning)

Koneoppiminen on tekoälyn osa-alue, jossa tietokone oppii tunnistamaan säännönmukaisuuksia suoraan datasta ilman jokaiseen tilanteeseen erikseen koodattuja sääntöjä.

Koneoppiminen, englanniksi machine learning, on tekoälyn keskeinen haara, jossa tietokoneohjelma oppii tekemään päätöksiä ja ennusteita havaintojen pohjalta. Sen sijaan, että ihminen kirjoittaisi käsin valmiin ohjeen jokaista mahdollista tilannetta varten, koneoppimismalli etsii toistuvia kaavoja ja riippuvuuksia sille syötetystä aineistosta eli datasta.

Käytännössä koneoppiminen tarkoittaa sitä, että järjestelmän suorituskyky paranee tai tarkentuu sitä mukaa, kun sillä on käytettävissään enemmän ja parempaa harjoitusmateriaalia. Se muodostaa perustan monille nykypäivän tutuille digipalveluille aina suoratoistopalveluiden suosituksista teollisuuden ennakoivaan huoltoon.

Miten koneoppiminen eroaa perinteisistä säännöistä?

Perinteisessä ohjelmoinnissa ihminen määrittelee ehdot tarkasti: jos tänään on lauantai, tilaa varastoon 20 prosenttia enemmän maitoa. Tämä sääntö perustuu ihmisen omaan kokemukseen ja päättelyyn. Jos maailma muuttuu, ihmisen on käytävä muuttamassa koodia käsin.

Koneoppimismalli puolestaan tarkastelee laajaa määrää aiempia havaintoja. Se voi huomata, että lauantain menekkiin vaikuttavat viikonpäivän lisäksi myös lähipäivien sääennuste, kuukauden ajankohta ja paikalliset yleisötapahtumat. Malli sovittaa painoarvot automaattisesti useiden havaintojen perusteella. Jos yksinkertainen sääntö toimii jo riittävän hyvin ja on helppo ylläpitää, sitä ei kuitenkaan ole aina tarpeen korvata monimutkaisella algoritmilla vain siksi, että koneoppimista on saatavilla.

Esimerkki arjesta: Leipomo Tampereella

Kuvitellaan pieni tamperelainen leipomo, joka haluaa arvioida mahdollisimman tarkasti, montako korvapuustia huomenna kannattaa leipoa hävikin minimoimiseksi. Yrittäjällä on tallessa parin vuoden myyntihistoria, aukioloajat, viikonpäivät ja tieto kaupungissa järjestetyistä tapahtumista.

Koneoppimismalli voi löytää näistä tiedoista yhteyksiä, joita ihminen ei helposti hahmota paperilta. Malli ei kuitenkaan osaa ottaa huomioon asioita, joista sille ei ole kerrottu datassa. Jos leipomon edessä oleva katu suljetaan huomisaamuna yllättävän putkiremontin vuoksi, malli ei voi tietää asiakkaiden kulkureitin katkeamisesta, ellei tätä poikkeusta syötetä järjestelmään.

Kolme tapaa oppia: ohjattu, ohjaamaton ja vahvistusoppiminen

Koneoppimisen menetelmät jaetaan yleensä kolmeen pääryhmään sen mukaan, minkälaista palautetta malli saa oppimisprosessin aikana:

  • Ohjattu oppiminen: Mallille näytetään esimerkkejä, joissa on mukana sekä lähtötiedot että oikea lopputulos. Esimerkiksi mallille annetaan viikonpäivä ja lämpötila sekä tieto siitä, montako leivonnaista tuolloin myytiin. Kun malli ennustaa numeroita, kyse on regressiosta. Kun se lajittelee viestejä esimerkiksi luokkiin "tilaus" tai "reklamaatio", kyse on luokittelusta.
  • Ohjaamaton oppiminen: Mallille annetaan dataa ilman valmiita vastauksia tai leimoja. Se voi esimerkiksi ryhmitellä leipomon asiakkaat ostokäyttäytymisen mukaan toisiinsa muistuttaviin joukkoihin. Malli löytää ryhmät, mutta ihmisen tehtäväksi jää tulkita, mitä nämä ryhmät käytännössä tarkoittavat ja miten tietoa kannattaa hyödyntää.
  • Vahvistusoppiminen: Ohjelma oppii kokeilemalla ja tekemällä päätöksiä ympäristössä, josta se saa onnistumisista palkintoja ja virheistä rangaistuksia. Menetelmää käytetään esimerkiksi robotiikassa, logistiikkareittien optimoinnissa ja peleissä.

Miten mallia testataan ja arvioidaan reilusti?

Jotta koneoppimisen hyödystä voi varmistua, mallin toimintaa täytyy testata huolellisesti ennen kuin sen varaan lasketaan liiketoimintaa tai päätöksentekoa. Tämä vaatii selkeää arviointiprosessia:

  1. Määritä ennusteen hetki: Jos leipomo suunnittelee paistomäärät edellisenä iltana, malli saa käyttää vain tietoja, jotka olivat saatavilla tuona iltana. Seuraavan päivän toteutunut sää ei ole sama asia kuin illalla tiedossa ollut sääennuste.
  2. Ymmärrä datan todellinen merkitys: Jos leipomo myi 200 pullaa, se voi tarkoittaa, että kysyntä oli tasan 200 kappaletta, tai sitä, että tuotteet loppuivat kesken jo puolenpäivän aikaan. Ilman tietoa loppumisajankohdasta malli oppii ennustamaan vain mennyttä varastosaldoa, ei todellista kysyntää.
  3. Erota opetusdata ja testidata: Älä sekoita menneitä ja tulevia päiviä satunnaisesti keskenään aikasarjoissa. Opetusaineiston tulee koostua vanhemmasta jaksosta ja testausaineiston sitä seuraavasta jaksosta, jotta malli joutuu aidosti ennustamaan tuntematonta tulevaisuutta.
  4. Aseta yksinkertainen vertailukohta: Vertaa mallin tulosta esimerkiksi viimeisten neljän lauantain keskiarvoon. Jos monimutkainen koneoppimismalli ei pärjää selvästi tälle yksinkertaiselle perussäännölle, sen käyttöönotto ei kannata.

Yleisimmät väärinkäsitykset

Usein ajatellaan, että jokainen koneoppimisprojekti vaatii valtavia hermoverkkoja, miljoonia kuvia ja kalliita laskentayksiköitä. Tavallisen yrityksen taulukkomuotoiselle datalle riittävät usein huomattavasti kevyemmät menetelmät, kuten lineaariset mallit tai päätöspuut. Tekoäly ei myöskään korjaa huonoa tai puutteellista datankeruuta, sillä virheellisesti tulkittu taulukon sarake johtaa aina virheellisiin ennusteisiin riippumatta siitä, kuinka edistynyttä algoritmia käytetään.

Usein kysytyt kysymykset

Mitä eroa on tekoälyllä ja koneoppimisella?

Tekoäly on laajempi kattokäsite järjestelmille, jotka pyrkivät matkimaan ihmisen älykästä toimintaa. Koneoppiminen on tekoälyn osa-alue ja käytännön menetelmä, jossa tietokone oppii säännönmukaisuuksia suoraan datasta ilman käsin koodattuja sääntöjä.

Tarvitaanko koneoppimiseen aina suuria datamääriä?

Ei aina. Vaikka laajat kielimallit ja kuvantunnistus vaativat massiivisia aineistoja, monet yritysten arjen ennusteet ja taulukkodatan analyysit toimivat luotettavasti huomattavasti pienemmillä, laadukkailla tietoaineistoilla.

Mitä koneoppimisen opettaminen tarkoittaa?

Opettaminen tarkoittaa matemaattista prosessia, jossa algoritmille syötetään harjoitusdataa ja mallin sisäisiä parametreja säädetään vähitellen niin, että sen tekemät virheet ennusteissa minimoituvat.

← Kaikki tekoälysanaston termit

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›