LinkedIn YouTube Vimeo SlideShare
Menu

Forstå maskinlæring på 5 minutter

Maskinlæring regnes som én af de vigtigste og mest højaktuelle teknologier netop nu. Selvom ordet bruges i flæng, så oplever jeg også mange, der har svært ved at forstå idéen bag, anvendelsesområderne samt hvordan det fungerer i praksis.Lad mig derfor give dig en kort introduktion til dette super spændende og væsentlige område…

Definition

Maskinlæring handler om at give computere evnen til at lære uden, at de er specifikt programmeret. Det betyder, at vi over de kommende år vil se en eksplosion i antallet af maskiner, der kan lære uden menneskelig indblanding.

Idéen bag

Maskinlæring baserer sig på systemer og algoritmer, der kan lære via større mængder data og derigennem komme med forudsigelser. Eksempelvis kan maskinlæring forudsige trafikmønstre i travle trafikkryds. Det sker ved, at man har et program, som kan afvikle maskinlæringsalgoritmer, der indeholder data omkring tidligere trafikmønstre og, ved at have lært denne data, bedre kan forudsige fremtidige trafikmønstre.Tilsvarende kunne det være alt fra at detektere, hvorvidt en given plet på huden er kræft eller et forstadie til kræft, eller hvorvidt et givent objekt vil kunne flyve eller ej.

 

Historisk baggrund

Maskinlæring er nært beslægtet med kunstig intelligens (AI) og hører under, hvad man indenfor fagverden vil betegne som ’computer science’. Også AI interesserer sig for at genkende mønstre samt lære computere at lære. Historisk set var fokus indenfor AI centreret omkring computere, der kunne lære ved hjælp af data, men i løbet af 1980’erne blev maskinlæring en selvstændig del adskilt fra AI, fordi maskinlæring har et meget klart fokus på en logisk og vidensbaseret tilgang.I løbet af 1990’erne begyndte maskinlæring at vinde yderligere udbredelse, og statistik-baseret research, sandsynlighedsberegninger og mønstergenkendelse blev stadigt mere centrale dele indenfor maskinlæringen. Det betød også, at maskinlæring ændrede sig fra at handle om at opnå decideret kunstig intelligens til at tackle mere praktiske problemer og udfordringer.

Sådan fungerer maskinlæring

Maskinlæring kan udføre forskellige former for opgaver, der er beslægtede, men samtidig forskellige.
Såkaldt hjulpet maskinlæring handler om at forstå forskelle i data. Eksempelvis kan computeren lære at skelne imellem en hund og en kat ved, at man først sætter en label på henholdsvis ’hund’ og ’kat. Dvs. forklarer algoritmen at objektet, når det ser sådan ud, er en hund. Dette kaldes også ”labelling”, og det var historisk noget, mennesker gjorde manuelt for at kunne sikre en høj datakvalitet.

Maskinlæring kan imidlertid, ved at lære forskellene, klassificere nye input og tilføre disse labels baseret på tidligere data. Denne teknologi bruger man eksempelvis i virksomheden Blue River Technologies, hvor man har lært systemet at skelne forskellige former for afgrøder og ukrudt fra hinanden baseret på den samme logik.

En anden måde, maskinlæring kan fungere på, er den uhjulpet maskinlæring. Her forsynes maskinlæringsalgoritmen med store mængder af data om et givent objekt – eksempelvis den førnævnte hund. Ved hjælp af denne data kan systemet skelne fx hunden og katten fra hinanden ved at opsætte to grupper, der hver især har nogle fælles karakteristika som samler billederne. Her arbejder man altså ikke med at give objekterne ”labels” og så lære systemet at sortere ud fra disse labels, men fokuserer i stedet på karakteristika og beder algoritmen beregne sandsynligheden for, at et givent objekt tilhører kategorien ”hund” ud fra disse. Et tredje maskinlæringseksempel er reinforced maskinlæring. Det kunne være det velkendte eksempel med computeren, der bliver rigtig god til at spille skak. I dette eksempel forsyner man algoritmen med oplysninger om, hvorvidt et givent spil skak blev vundet eller tabt. Algoritmen kender ikke alle træk i det givne skakspil, og den ved ikke, hvorvidt det givne træk var godt eller skidt. Den ved kun, hvorvidt spilleren vandt eller tabte. Ud fra disse oplysninger kan algoritmen efterfølgende spille en lang række spil skak og herigennem lære, hvornår givne kombinationer af træk ender med det ønskede resultat. Træner den længe og hurtigt nok i dette, ender den med at kunne slå den russiske skaklegende Gary Kasparov.

Sådan kan man anvende maskinlæring i praksis

Maskinlæring vil blive langt mere udbredt, end vi lige nu kan forestille os, og indenfor relativt kort tid. Eftersom maskinlæring er databaseret, og eftersom vi får stadigt flere data, og alt i fremtiden bliver forbundet til internettet (Internet of Everything) og med hinanden (Internet of Things), bliver også behovet for maskinlæringen stadigt større. Maskinlæring vil i praksis kunne bruge alle disse data til at udvikle forudsigende modeller til at guide os i vores beslutninger og foretage smarte valg. Det kunne være tilfældet i alt fra at klassificere DNA til økonomiske modeller, genkendelse af svindel, medicinske diagnoser, bedre søgemaskiner, software til at genkende tale osv. Kun fantasien sætter i princippet grænserne.

maskinlæring

af | 17. januar, 2018 | Disruption, Innovation

Del dette: [addtoany]

Share This