robot maskinlæring

Maskinlæring – hvad er det og hvad bruges det til?

Erfaring er den bedste lærer, siger man.

Computere bliver også motiveret af denne kliché. Vi har et begreb for det – maskinlæringsteknologi (ML, efter machine learning på engelsk).

Selvkørende biler, talende robotter, navigationsapps – det er hverdagsscener med kunstig intelligens og ML i aktion.

Kan du huske, da du spurgte Siri om vejret i morges? Eller i går aftes, da du gennemgik dine Netflix-anbefalinger?

Meget af disse systemer bygger på kunstig intelligens og maskinlæring.

Hvad er maskinlæring?

Maskinlæring er ganske enkelt en gren af AI, der muliggør kunstig udvikling. Den sætter computere i stand til at:

  • at behandle oplysninger
  • at træffe beslutninger
  • at udføre en række opgaver
  • at forbedre resultaterne

Helt på egen hånd.

Ved hjælp af et sæt algoritmer anvender maskinlæringsmodeller automatiserede statistiske metoder til at lære fra træningsdata. Dette giver dem mulighed for at identificere mønstre og levere pålidelige resultater. Ligesom os kan de løse et problem eller reagere på en bestemt situation. Derefter anvender de disse oplysninger på den næste situation.

Bogstaveligt talt – det handler om at lære af erfaring. Og bemærk – maskinlæringsteknologier involverer kun lidt eller slet ingen menneskelig indgriben.

For at forstå dette lidt bedre, skal vi tage en tur ned ad hukommelsesbanen.

En af fyrene hos IBM, Arthur Samuel, startede faktisk hele denne ting. Tilbage i 50'erne udviklede han et program til at spille damspillet. Det var en del af hans ML-forskning.

Computeren blev bedre, efterhånden som den spillede flere spil. Den begyndte at udvikle vinderstrategier ud fra bestemte træk, som senere formede den minimax-algoritme, som vi kender i dag.

Kan du tro, at en menneskelig “dammester” i 60'erne forsøgte at spille mod den, og computeren vandt? Ja, det gjorde den helt sikkert.

Flash frem til 2021, og denne grundlæggende maskinlæringsbedrift er blevet springbrættet for nogle af de mest succesfulde innovationer i dag. Det har også givet fødsel til teknologiske systemer som datavisualisering, Internet of Things, analyseværktøjer, еtc.

Alt dette får dig til at tænke på, hvad maskinlæring ellers kan gøre?

Det skal vi nok komme til, men lad os først se på, hvordan magien sker.

Hvordan fungerer maskinlæring?

Maskinlæring dykker ned i forskellige stadier af statistisk læring. Det er et belastet begreb, så vi vil bare forsøge at beskrive det i en nøddeskal.

Det er en konstant cyklus af mønstergenkendelse og matematisk optimering for at forudsige nøjagtige skøn. Det involverer normalt flere tekniske komponenter, herunder:

  • Datasæt
  • Selvlærende algoritmer
  • Modeller
  • Feature engineering
  • Træningsmetoder

De fleste maskinlæringsteknikker anvender også data mining til at gennemføre denne proces. På den måde kan computeren se historiske tendenser og bruge dem til at udvikle fremtidige systemer.

Men hvordan fungerer maskinlæring?

Lad os dykke lidt dybere ned.

Maskinlæringsfaser

Ifølge denne undersøgelse er processen opdelt i tre hoveddele:

  • Beslutningsfasen – Generelt trænes ML-algoritmer til at klassificere data, så de kan komme med en forudsigelse. I beslutningsfasen udfører de en række beregningsstatistikker for at fremstille et “klogt gæt”. Dette indebærer indlæring af funktioner og behandling af forskellige datasæt. Det er derfor, at denne del normalt tager længst tid at gennemføre.
  • Fejlfunktion – Når systemet er færdig med at producere et gæt, træder en fejlfunktion ind. Algoritmerne bruger denne til at måle, hvor nøjagtig forudsigelsen er. For at gøre dette sammenligner den materialet med andre kendte eksempler for at foretage en korrekt vurdering.
  • Optimering trin – Dette er den del, hvor maskinlæringssystemer begynder at blive bedre. Når en fejl bliver opdaget, opdaterer algoritmen beslutningsfasen. Den foretager justeringer af parametrene. Som følge heraf viser det næste gæt sig at være mere præcist end det sidste.

Hvilke algoritmer til maskinlæring anvendes der nu helt præcist i processen?

Logistiske regressionsalgoritmer til maskinlæring

Her er nogle af de mest almindelige:

  • Lineær regression – Lineær regression, der typisk anvendes inden for datalogi, er en populær type overvåget algoritme. Her følger modelestimatet en konstant hældning. Den undersøger forholdet mellem to variabler – afhængige og uafhængige – for at forudsige værdier i stedet for at klassificere dem.

Virksomheder bruger ofte dette til at kvantificere salg og priser, forudsige forbrugeradfærd eller identificere tendenser.

  • Logistisk regression – Også blandt de almindelige maskinlæringsalgoritmer løser logistisk regression klassifikationsproblemer snarere end regressionsproblemer.

Ved hjælp af mange uafhængige variabler forudsiger den den diskrete værdi af en kategorisk afhængig variabel. Med andre ord skal resultatet enten være “ja eller nej”, “sandt eller falsk”, “0 eller 1” osv.

Lad os gå dybere

Andre typer af logistiske regressionsalgoritmer kan også give flere svar. F.eks. bruger multinomial logistisk regression sandsynlighedsteori til at give 3 eller flere svar uden rækkefølge.

  • Linear Discriminant Analysis – LDA fungerer bedst til kategorisering af inputdata. Det er en af de mere grundlæggende maskinlæringsalgoritmer, der populært anvendes i klassifikationsprojekter. Det omfatter billedgenkendelse, prædiktive markedsføringsanalyser osv. Den fastslår forholdet mellem et objekt og en population. Derfor er den effektiv til modellering af sorter i flere grupper!
  • Læring af beslutningstræer – Et beslutningstræ bruges typisk til at klassificere problemer. Det opdeler løbende dataene i to eller flere homogene grupper på baggrund af den givne parameter.

Ligesom et egentligt træ består det af to komponenter – bladene og beslutningsknuder. Bladene repræsenterer beslutningerne for den endelige forudsigelse. Beslutningsknuderne henviser til det område, hvor dataene er opdelt.

Beslutningstræer har mulighed for at klassificere både kategoriske og kontinuerlige afhængige variabler.

Dette er blot nogle af de meget kendte algoritmer. Der er mange andre typer af maskinlæringsalgoritmer, som programmører og udviklere bruger i dag.

Og hvordan kategoriseres disse systemer? Det ser vi nærmere på herunder.

Vi vil tale om de forskellige maskinlæringsmetoder, der anvendes af forskellige brancher og virksomheder, der bruger ML-teknologi.

Metoder til maskinlæring

Du så ordet “supervised” blive kastet rundt en del tidligere, ikke sandt?

Hvis du undrer dig over, hvad dette udtryk betyder, har vi styr på det. Det er blot et af de centrale begreber for maskinlæring, der letter algoritmerne.

Her er de:

Superviseret læring (Supervised learning)

Denne metode bruger mærkede datainput til at klassificere og forudsige resultaterne præcist.

Jo flere data du indsender til modellen, jo mere justerer den parametrene.

Det gør den ved at sammenligne input med et eksisterende korrekt output. Hvis den finder en fejl, bliver modellen justeret i overensstemmelse hermed. Undervejs i denne proces bruger den disse teknikker:

  • Regression
  • Klassifikation
  • Prædiktion
  • Gradient Boosting

Dette hjælper systemet med at finde frem til en struktureret forudsigelse for de umærkede data. Det fungerer i tilfælde, hvor historiske data har svarene til at forudsige resultatet.

I dette tilfælde er det bedst at bruge en overvåget maskinlæringsalgoritme til:

  • afsløring af svig
  • forsikringskrav
  • vejrudsigter og markedsprognoser
  • kundefastholdelse

Og meget mere!

Ikkesuperviseret læring (Unsupervised learning)

Det er naturligvis det stik modsatte af ovenstående metode.

Men hvordan, helt præcist?

Disse ML-algoritmer arbejder med umærkede input. Målet er at dykke ned i en udforskende dataanalyse, så den kan danne informationsklynger.

I dette tilfælde er der ikke noget korrekt output eller nogen kendt prøve, der kan understøtte forudsigelsesprocessen. Den skal være i stand til at spotte ligheder og forskelle på de givne datasæt. Den har også til formål at identificere strukturer i dataene med henblik på korrekt klyngeinddeling.

Uovervåget indlæring ville være fantastisk til analyse af transaktionsdata. Den kan bruges til at segmentere kunder med de samme egenskaber, hvilket er grundlaget for at sende målrettede markedsføringskampagner. Denne metode er også meget udbredt til billed- og mønstergenkendelsesprojekter.

Semi-superviseret læring

Informationsmaskiner kan finde en mellemvej i en semi-supervised metode.

Den anvender både mærkede og umærkede datainput. Ideelt set involverer den en mindre mængde mærkede og en større mængde umærkede data. Det skyldes, at sidstnævnte ikke kræver mange ressourcer, som f.eks. penge og kræfter, at udtrække. Det har også vist sig at give en mere markant udvikling, når det gælder læringsnøjagtighed.

Ved behandling af data tilpasses nogle af teknikkerne fra overvåget læring. Det omfatter regression, klassificering og forudsigelse.

Feedback drevet læring (Reinforcement learning)

Den sidste af kategorierne for maskinlæring er feedback drevet læringsmetoden. Den minder meget om supervised learning, men der er en vigtig forskel.

Disse algoritmer trænes ikke med eksisterende output eller eksempeldata.

I stedet lærer systemerne ved hjælp af trial-and-error. Vellykkede resultater forstærkes og bruges som grundlag for de næste forudsigelser. Denne proces involverer tre variabler – agenten, miljøet og handlingen.

Feedbackalgoritmer fungerer godt i brancher som spil, robotteknologi, navigation og automatiseringsværktøjer.

Hvad er Deep Learning?

Før vi svarer på det, vidste du så, at Google allerede har tilpasset maskinlæringsprocessen?

Et eksempel – Google Brain. Dette projekt har med succes brugt deep learning i virksomhedens teknologiske produkter, såsom Google Assistant. Softwaren er nu i stand til at genkende og udføre talte kommandoer helt af sig selv.

Men hvad er deep learning egentlig?

Deep learning er et underområde inden for maskinlæring, der efterligner, hvordan den menneskelige hjerne fungerer. Den er drevet af et neuralt netværk, der indeholder flere lag. Sammen simulerer de hele den kognitive proces.

Kunstige neurale netværk har evnen til at behandle enorme mængder data og i sidste ende lære af dem. Det giver dem mulighed for at forfine deres egne systemer og øge deres nøjagtighed yderligere.

Men det lyder meget som ML, synes du ikke?

Er deep learning og maskinlæring så det samme?

Ikke helt.

Deep learning er i princippet en særlig anvendelse af maskinlæring. Sidstnævnte involverer manuel feature engineering fra datasæt, hvorefter der oprettes en model, der klassificerer materialerne. Den anden automatiserer både featureudtrækningen og modelgenereringsprocessen.

En anden fordel, som deep learning har i forhold til ML, er denne – jo større datastørrelsen bliver, jo hurtigere tager det for systemerne at blive bedre!

Maskinlæring use cases

Nu spørger du måske, hvad maskinlæring egentlig er beregnet til?

Vi har allerede fastslået, at ML har en betydelig indvirkning på vores liv – både på det personlige og industrielle plan.

Men hvordan?

Maskinlæring findes på mange områder.

Kundeservice

Har du bemærket, hvordan virksomheder er begyndt at droppe de traditionelle metoder til kundesupport på det seneste? De bruger nu chatbots til at fremskynde processen.

Hvordan fungerer maskinlæring i forbindelse med denne teknologi? Den bruger neurolingvistisk programmering (NLPNatural Language Processing på engelsk), som gør det muligt for computere at analysere sprogdata. Dermed kan chatbots forstå konteksten og tonen i meddelelser. De kan bruge dette til straks at løse problemet eller videresende en kunde til en menneskelig repræsentant.

Biler og transport

Selvkørende biler er superstjerner inden for ML. De kan bremse, dreje eller skifte gear uden en menneskelig pilot. Googles Waymo-projekt står i spidsen for denne innovation. Ved hjælp af avanceret maskinlæringsanalyse er systemet i stand til at observere forskellige variabler på vejen og anvende dem på sin kørselsadfærd.

GPS-navigation er også et produkt af ML, da de er i stand til at spore bedre ruter eller lave trafikforudsigelser.

Anbefalingsmotorer

Åbn din App Store eller Play Store – har du bemærket noget interessant i din anbefalede sektion? Apple og Google bruger begge ML-aktiverede anbefalingsmotorer til dette. Den viser appvalg baseret på dine tidligere downloads.

Hvordan maskinlæring fungerer for videostreaming-tjenester er også det samme. De titler, der vises i dit katalog, er baseret på din overvågningsliste eller historik.

Talegenkendelse

Apples Siri, Samsungs Bixby, Amazons Alexa og Microsofts Cortana er alle formet ud af den samme teknologi. Det er automatisk talegenkendelse (ASR). Det er ellers kendt som tale-til-tekst-funktionen. Den gør det muligt for disse “virtuelle personlige assistenter” at optage menneskelig tale og oversætte den til tekstformat.

Hvorfor er maskinlæring vigtig her?

Med den kan maskinoversættelse udføres øjeblikkeligt og mere præcist. Så du kan foretage hurtigere stemmesøgninger, kommandoer, tekster osv.

Uddannelse

Online læringssystemer nyder også godt af anvendelserne af maskinlæring. Undervisningsteknologi omfatter nu læring og forudsigelsesanalyse for at imødekomme de enkelte elevers og læreres behov. Læringsformer kan også automatiseres. Et eksempel kunne være evalueringsevalueringer. Ved hjælp af ML kan computere nu kontrollere svar og bedømme opgaver ved hjælp af algoritmer.

Webtjenester

Maskinlæring til internettet har mange forskellige anvendelsesmuligheder. En af de mere almindelige er e-mailfiltrering, som vi ser hver dag, men som vi tilsyneladende ikke lægger mærke til!

For år tilbage var der ingen vej uden om de tilfældige og spammede e-mails, der oversvømmede din indbakke. Nu er de velorganiserede, ikke sandt? Hvordan virker maskinlæring her?

Lad os tage Gmail som eksempel. Den har nu mapper til forskellige e-mailtyper – primære, sociale og kampagner. ML-algoritmer klassificerer disse e-mails og placerer dem i de rigtige postkasser.

Marketing og online-reklamer

Ud over chatbots maksimerer virksomheder også brugen af maskinlæring til at udføre marketing-, reklame- og salgsaktiviteter. Automatiseringsprogrammer kan foretage korrekt segmentering til målrettede kampagner, nyhedsbreve, annoncer osv. Startups og ejere maksimerer også indholdsgeneratorer. De bruger denne software til at oprette produktbeskrivelser, blogindlæg og kopier på sociale medier for deres varer og tjenester.

Sikkerhed

Ved du, hvad maskinlæring ellers bruges til?

Cybersikkerhed.

AI-systemer er nu i stand til at opdage mulige trusler og ondsindede aktiviteter, før de overhovedet sker. Det tilføjer også endnu et lag af sikkerhed til dine ejendele. Kender du iPhone's ansigts-ID? Det er ansigtsgenkendelse, som er et produkt af ML-udvikling. Mange sektorer bruger også dette, herunder offentlige systemer, der verificerer folks identitet.

Det er klart, at maskinlæring anvendes overalt. ML er til stede i næsten alle teknologiske søjler i vores moderne samfund, og det er en god ting.

AI-forudsigelser fortæller os endda, at vi potentielt kan se frem til en 40 % stigning i produktiviteten. Alt sammen takket være maskinlæring og AI-systemer, der trænger ind i mange sektorer.

Apropos AI…

Maskinglæring vs kunstig intelligens – hvad er forskellen?

Vi nævnte tidligere, at magien bag ML er kunstig intelligens (AI).

Da de har meget ens funktioner, bliver maskinlæring og AI ofte forvekslet med hinanden.

Er de det samme?

Her ser vi på hvad AI og maskinlæring er.

Hvad er en AI?

Det er et bredt begreb, men det handler om at gøre maskiner intelligente nok til at løse komplekse problemer. Det efterligner menneskelig kognitiv adfærd. Så den er i stand til at udføre opgaver, der normalt kræver menneskelig intelligens.

Hvordan fungerer maskinlæring så? Det er et værktøj, der gør det muligt for maskiner at lære af data og levere resultater uden at være programmeret. Til dette formål bruger den specifikke algoritmer til at træne sine systemer og skabe modeller, der forfiner disse systemer.

Okay, så lad os afgøre det – er maskinlæring AI?

Bestemt ikke.

Den vigtigste forskel her er, at maskinlæring kun er en gren af AI.

En anden forskel er, at ML er mere optaget af nøjagtighed og mønstergenkendelse. AI hælder mere til at få en given opgave løst med succes.

Og endelig giver ML resultater for opgaver, som den er trænet til at udføre, mens AI rækker langt videre end det.

Konklusion

Lad os køre den tilbage fra begyndelsen.

Hvad er maskinlæring?

Computeres evne til at lære ved hjælp af eksempler.

Maskinlæringsprocessen hjælper enheder med at møde data, analysere dem, udvikle deres systemer og producere ønskelige resultater.

De forskellige typer maskinlæring gør det også muligt for computere og software at tilpasse sig og vigtigst af alt – at lære løbende.

Alt dette – uden at være eksplicit programmeret af menneskehænder.

Vi ved godt, det lyder skræmmende.

Men i bund og grund gør det kun vores forhold til teknologi nemmere, smidigere og smartere.