Maskinlæring (machine learning)
Maskinlæring er en gren av kunstig intelligens der datamaskiner finner mønstre i data for å ta beslutninger eller gi prognoser uten faste regler.
Maskinlæring er en gren innen kunstig intelligens der datasystemer lærer å kjenne igjen mønstre og sammenhenger ut fra historiske data, i stedet for å følge forhåndsskrevne regler fra en programmerer. Når systemet blir matet med eksempler, justerer det beregningene sine automatisk slik at det kan gi treffsikre svar på nye opplysninger det aldri har sett før.
I hverdagen møter vi maskinlæring overalt, fra e-postfiltre som fjerner søppelpost til strømmetjenester som foreslår musikk. Teknologien gjør det mulig å automatisere vurderinger som tidligere krevde menneskelig intuisjon eller tidkrevende manuelle beregninger.
Forskjellen på faste regler og maskinlæring
I tradisjonell programvare skriver et menneske eksplisitte instrukser: hvis det er lørdag, så bestill tjue prosent flere råvarer. Dette fungerer utmerket så lenge verden er forutsigbar og mønstrene forblir like over tid. Utfordringen oppstår når mange faktorer virker sammen samtidig, som værforhold, helligdager og lokale arrangementer.
Med maskinlæring mates modellen med historikk som inneholder faktiske utfall og relevante variabler. Modellen analyserer disse opplysningene og finner underliggende sammenhenger selv. Likevel er det viktig å være pragmatisk: dersom en enkel tommelfingerregel løser oppgaven godt og er lett å vedlikeholde, er det sjelden nødvendig å erstatte den med et komplekst system bare fordi man kan.
Et praktisk eksempel: Ferske bakevarer på Grünerløkka
Tenk deg et lokalt bakeri på Grünerløkka i Oslo som ønsker å redusere matsvinn og unngå tomme hyller. Hver ettermiddag må bakeren bestemme hvor mange surdeigsbrød og kanelboller som skal bakes for neste dag. Bakeriet har oversikt over tidligere salg, ukedager, temperatur og nedbør.
En maskinlæringsmodell kan oppdage at solfylte lørdager krever ekstra mye boller, mens regntunge tirsdager gir lavere etterspørsel. Men modellen forstår ikke verden utenfor tallene sine: Hvis gaten plutselig stenges for veiarbeid, har ikke modellen forutsetninger for å vite dette med mindre opplysningen legges inn i systemet på forhånd.
Tre måter maskinene lærer på
Maskinlæring deles vanligvis inn i tre hovedformer, avhengig av hvordan dataene er strukturert:
- Veiledet læring: Modellen får både spørsmålet og fasiten. Den mates med tidligere observasjoner og det faktiske resultatet, for eksempel historisk vær og antall solgte varer. Målet er å forutsi et tall (regresjon) eller en kategori (klassifisering, som om en e-post er svindel eller trygg).
- Uveiledet læring: Her finnes det ingen ferdig fasit. Modellen leter etter fellestrekk og deler dataene inn i naturlige klynger. Den kan for eksempel avdekke at kundene fordeler seg i tre distinkte handlemønstre, men et menneske må tolke hva gruppene faktisk betyr.
- Forsterkende læring: Systemet lærer gjennom prøving og feiling i et definert miljø. Det belønnes for gode valg og straffes for dårlige, omtrent som når man trener en hund. Dette krever nøye utforming av belønningssystemet for å unngå uventet adferd.
Hvordan teste en modell før bruk
Før en bedrift stoler på en maskinlæringsmodell i daglig drift, bør den gjennomgå en kontrollert og ærlig test:
- Skill fortid fra fremtid: Når man jobber med data over tid, må man aldri stokke dager tilfeldig. Tren modellen på eldre uker og evaluer den på en senere periode, slik at testen speiler virkeligheten.
- Forstå hva tallene representerer: Hvis bakeriet solgte to hundre brød, betydde det reell etterspørsel, eller var hyllene tomme før lunsj? Uten informasjon om utsolgte varer vil modellen undervurdere det faktiske behovet.
- Sammenlign med en enkel referanse: Etabler en grunnlinje, for eksempel gjennomsnittssalget for de tre foregående ukedagene. Hvis modellen ikke slår dette enkle snittet, gir den ingen reell merverdi.
- Mål feil i praktiske enheter: Se på konsekvensene i kroner, antall ubetjente kunder eller kasserte varer fremfor abstrakte feilmarginer.
- Test i skyggen: La modellen gi råd i noen uker uten at den styrer innkjøpene direkte. Sammenlign modellens råd med personalets vurderinger før noe automatiseres.
Ofte stilte spørsmål
Hva er forskjellen mellom kunstig intelligens og maskinlæring?
Kunstig intelligens er et bredt samlebegrep for datamaskiner som utfører oppgaver som krever intelligens. Maskinlæring er en spesifikk undergren der systemet lærer regler automatisk ved å analysere historiske data.
Må man ha enorme datamengder for å bruke maskinlæring?
Nei, mindre virksomheter kan oppnå gode resultater med enkle statistiske modeller på noen hundre eller tusen rader med strukturerte data, for eksempel salgstall eller varelager.
Hva betyr veiledet læring?
Veiledet læring innebærer at algoritmen trenes på eksempler der det riktige svaret allerede er kjent, slik at den lærer sammenhengen mellom inngangsdata og fasit.
Hvorfor svikter en modell ofte når den tas i bruk i praksis?
Det skjer som regel fordi virkeligheten endrer seg, eller fordi modellen ble testet på data den allerede kjente, slik at den bare pugget mønstre i stedet for å generalisere til nye situasjoner.
