Hvad er maskinlæring?

Maskinlæring er en del af kunstig intelligens (AI), hvor hovedfokus ligger på at udvikle algoritmer og statistiske modeller, der kan lære af data og på baggrund heraf foretage forudsigelser eller træffe beslutninger. I bund og grund handler det om at udvikle systemer, der automatisk kan lære og forbedre sig på baggrund af erfaringer.

Ifølge Boris Katz, der er ledende forsker og leder af InfoLab Group ved CSAIL, har kunstig intelligens til formål at skabe computermodeller, der udviser »intelligent adfærd« ligesom mennesker. Det vil sige maskiner, der kan genkende et visuelt billede, forstå en tekst skrevet på naturligt sprog eller udføre en handling i den fysiske verden. 

Hvordan fungerer maskinlæring?

Maskinlæring anvendes inden for kunstig intelligens og blev i 1950’erne defineret af Arthur Samuel som den videnskab, der giver computere evnen til at lære uden at blive programmeret.

Maskinlæring gør brug af forskellige tilgængelige datatyper, såsom fotos, tekst, billeder, personoplysninger, tidsseriedata og meget mere. Det første skridt består i at indsamle og forberede data til træning af maskinlæringsmodellen. Generelt gælder det, at jo flere data der er til rådighed, desto bedre bliver modellens ydeevne og nøjagtighed.

Hvorfor er maskinlæring så vigtig?

For virksomheder er maskinlæring afgørende, da den giver insights kundeadfærd og forretningssamarbejder. Den sætter desuden fokus på nødvendige innovationer og bidrager dermed til at udfylde videnhuller, hvilket giver mindre virksomheder en konkurrencemæssig fordel på markedet.

Tids- og omkostningsbesparelser inden for kundeservice er blot én af de mange praktiske anvendelsesmuligheder for maskinlæring. Det skyldes, at teknologier som virtuelle assistenter automatiserer opgaver såsom ændring af adgangskoder og forespørgsler om konti, hvilket giver de menneskelige medarbejdere mulighed for at koncentrere sig om mere komplicerede sager.

Typer af tilgange til maskinlæring

Overvåget læring: Ved overvåget læring trænes algoritmen på et mærket datasæt, hvor hvert indgangsdaterpunkt er knyttet til et tilsvarende mål eller en mærkning. Målet er at lære, hvordan indgangsværdier skal knyttes til udgangsværdier, så algoritmen kan generalisere sine forudsigelser til nye, ukendte data.

Uovervåget læring: Uovervåget læring indebærer, at algoritmer trænes på data uden mærkning, hvor algoritmen forsøger at finde mønstre eller strukturer i dataene uden eksplicit vejledning. Klyngedannelse og dimensionsreduktion er almindelige opgaver inden for uovervåget læring.

Halvovervåget læring: Halvovervåget læring kombinerer elementer fra overvåget og uovervåget læring, hvor algoritmen trænes på et datasæt, der indeholder både mærkede og umærkede data. Denne tilgang kan være nyttig, når mærkede data er knappe eller dyre at fremskaffe.

Forstærkningslæring: Forstærkningslæring går ud på at træne agenter i at træffe sekventielle beslutninger i et miljø med det formål at maksimere en notion kumulativ belønning. Agenten lærer ved at interagere med miljøet og modtage feedback i form af belønninger eller straffe for sine handlinger.

Hvilke forskellige anvendelsesområder findes der inden for maskinlæring?

Maskinlæring finder anvendelse inden for en lang række områder og brancher. 

Blandt de mange anvendelsesmuligheder inden for maskinlæring kan nævnes

Optimering af søgeresultaterne og forbedring af rangordningsalgoritmerne, så brugerne får adgang til bedre og mere præcise oplysninger;

Klassificering: Maskinlæringsmodeller kan klassificere objekter i billeder eller videoer, genkende ansigter, genkende håndskrift, analysere videoindhold osv. 

Prediktiv analyse: Prognoser og forudsigelse af tendenser ud fra historiske data ved hjælp af maskinlæringsmodeller; 

Sundhedsvæsen: Diagnosticering af sygdomme ved hjælp af medicinske billeder som røntgenbilleder og MR-scanninger;

Finans: Kreditvurdering, svindelopsporing, algoritmehandel, personlige finansielle tjenester; 

Anbefalingssystemer: Produktanbefalinger, film og musik på e-handels- og streamingplatforme baseret på præferencer og adfærd; 

Selvkørende køretøjer: Selvkørende biler ville være utænkelige uden algoritmer til maskinlæring, der gør det muligt for dem at registrere omgivelserne ved hjælp af sensorer og kameraer, træffe beslutninger i realtid og bevæge sig sikkert. 

Cybersikkerhed: Identifikation af cybertrusler og de tilhørende reaktioner herpå sker ved support maskinlæringsmodeller gennem analyse af mønstre i netværkstrafikken, påvisning af afvigelser og forudsigelse af risikoen for sårbarheder.

Konklusion 

Maskinlæring gør det muligt for computere at lære af data og træffe beslutninger uden eksplicit programmering. Anvendelsesmulighederne er uendelige, lige fra sundhedssektoren og finansielle tjenester til selvkørende biler, og der opstår nye anvendelsesmuligheder hver dag. 

På den anden side omfatter nogle af de største udfordringer inden for maskinlæring behovet for data af høj kvalitet og betydelige beregningsressourcer, og frem for alt de etiske overvejelser omkring forudindtagethed og privatlivets fred. For at overvinde disse begrænsninger kræves der løbende teknologiske fremskridt, tværfagligt samarbejde og en velovervejet regulering, der sikrer, at teknologiens fulde potentiale udnyttes på en ansvarlig måde i fremtiden.