Voister förklarar

Vad är maskininlärning och hur fungerar ML?

en rysk docka innuti flera andra halva ryska dockor.jpg

Maskininlärning är grunden för allt från chattbottar till ansiktsigenkänning och är idag också grunden för att nå den perfekta artificiella intelligensen. Voister förklarar maskininlärning, djupinlärning och de utmaningar som tekniken medför.

Vad är maskinlärning?

Maskininlärning har i praktiken funnits sedan 1950-talet och handlar i grunden om precis det ordet säger: när maskiner lär sig själv att utföra uppgifter. Det finns i huvudsak två anledningar till att vi ser ett sådant uppsving på området nu. Dels finns det idag extremt mycket data tillgängligt att träna våra maskininlärningsalgoritmer på, dels är datorkraften tillräckligt stor för att utföra de beräkningar som krävs.

Maskinlärning är den nuvarande huvudsakliga metoden för att uppnå artificiell intelligens (AI). AI kan egentligen mer liknas vid en idé eller ett koncept om en mänskligt skapad intelligens som är lika, eller mer, kompetent som vår egen intelligens. Maskininlärning, och på senare tid djupinlärning, är medel för att nå denna idé och bygga system som kan fatta smartare och smartare beslut. Därför brukar man säga att djupinlärning ingår i maskininlärning och maskininlärning ingår i sin tur i konceptet AI.

AI beskrivs ibland som den nya elektriciteten och spås påverka våra liv enormt i takt med att vi är alltmer uppkopplade och genererar alltmer data.  

Hur fungerar maskininlärning?

För att maskininlärning ska fungera krävs det att man har data och en träningsalgoritm. Algoritmen använder sedan denna data och tränar upp ett så kallat matematiskt objekt för att utföra kvalificerade uppgifter.

I sin enklaste form kan en algoritm beskrivas som ett slags recept, som måste vara otvetydigt och som ett datorprogram följer till punkt och pricka. Precis som ett recept består algoritmen av ett antal steg som ska utföras. Precis som matlagningsrecept kan vara olika noggrant beskrivet, kan också personen som ska laga det, det vill säga det matematiska objektet, vara mer eller mindre kapabel.

Moderna maskininlärningsmodeller är smarta, men fortfarande begränsade till specifika uppgifter. Den engelska termen för detta är Narrow AI, som kanske skulle kunna översättas till begränsad AI eller smal AI. Än så länge har vi alltså inte knäckt koden för att utveckla algoritmer som är särskilt bra på att hantera flera olika typer, och mer komplexa former, av uppgifter. Att vi skulle uppnå en självmedveten AI med generell intelligens lär därmed dröja.

Med det sagt är maskininlärning i många fall bättre än människor på att utföra de specifika uppgifter som den är tränad på. Framförallt är den mer uthållig.

Hur fungerar djupinlärning?

Djupinlärning är en underkategori av maskininlärning med algoritmer som är betydligt mer avancerade. En vanlig maskininlärningsalgoritm kan lära sig komplexa samband, men de är fortfarande ganska ytliga. Djupinlärning, däremot, känner inte bara igen mönster, utan har dessutom möjlighet att kommunicera med till exempel en människa, och förstår sin omgivning bättre.

Djupinlärning började i industrin ta fart på allvar runt 2010. Mycket av forskning och utveckling idag handlar om att just förfina dessa djupinlärningsalgoritmer så att de kan bli ännu mer kompetenta, inte minst på området om självkörande bilar. Här kommer så kallade neurala nätverk att vara viktiga.

Vad är neurala nätverk?

Neurala nätverk är ytterligare ett steg in i inlärningscirkeln och är en metod inom djupinlärning, där man kopplar ihop noder precis som neuron i hjärnan är sammankopplade. Tanken är på så sätt att man ska få ut mycket mer intelligens än i ett linjärt system där en nod bara pratar med en annan nod.

Vilka organisationer ska använda maskin- och djupinlärning?

Man kan säga att det finns två kategorier. För det första är det dem som tror att de skulle ha mycket att vinna på att ha till exempel en digital assistent eller som vi skaffa sig så kallad crowd insight genom att samla in information med kameror om sensorer om till exempel rörelsemönster på kontoren. Detta gör man med djupinlärningsprogramvaror. Maskininlärning använder man troligen redan om man till exempel är ett retailföretag som vill göra analyser på vilka varor säljs bäst när och till vem.

För det andra är det organisationer som är extremt databeroende och dataaggregerande och som vill få insikt om dessa data. Det är ett typiskt område där människor kan ha svårt att hitta struktur själva, men något som intelligenta algoritmer är bra på.  

Vilka är dagens utmaningar kring maskin- och djupinlärning?

Det finns många aspekter som är svåra att lösa. Ett handlar om att utveckla etiska algoritmer som inte är partiska. Det mest uppenbara fallet är ansiktsigenkänning som har visat sig ha problem med att identifiera ansikten på mörkhyade personer, eftersom de inte har representerats tillräckligt bra i träningsdatan. Ett annat exempel är en AI som Microsoft gav ett Twitterkonto och som förvandlades till ett nättroll med extrema åsikter.

Men det finns också fortfarande betydande matematiska och filosofiska utmaningar, till exempel när det handlar till kausalitet och orsak och verkan. En programvara som styrs av maskin- eller djupinlärning kan inte förklara sina beslut, vilket inte minst beror på att det är svårt att lära dem om orsak och verkan.

Allt en maskininlärningsalgoritm ”vet” är korrelationer. Således är ett uttalande som ”Solen skiner = Termometer står på 30 grader” ett förhållande där vi människor vet att det är solen som gör att termometern stiger, men roboten ser bara likhetstecknet och kan därför sluta sig att solen skiner därför att termometern står på 30 grader.

Om man ringer en vårdcentral som har en AI som svarar i telefon och som kommer fram till ett symptom är det en utmaning för den att berätta för dig hur den kom fram till det.

6 februari 2020Uppdaterad 2 oktober 2023Reporter Tim LefflerVoister FörklararFoto Adobestock

Voisters nyhetsbrev

Allt om digitalisering, branschens insikter och smartare teknik.

Rekommenderad läsning

Stäng