Du møder machine learning mange steder i hverdagen, også selvom du måske ikke lægger mærke til det. Når din mail sorterer spam fra, når Netflix foreslår en ny serie, eller når din telefon genkender dit ansigt, er der ofte machine learning bag. Men hvad er machine learning egentlig, og hvordan adskiller det sig fra almindelig software?
Kort sagt er machine learning en metode, hvor computere lærer mønstre ud fra data i stedet for kun at følge faste regler, som et menneske har skrevet på forhånd. Det lyder teknisk, men idéen er faktisk ret enkel: Hvis en computer ser nok eksempler, kan den blive bedre til at genkende, forudsige eller sortere noget.
I denne artikel får du en letforståelig forklaring på, hvad machine learning er, hvordan det virker, hvilke typer der findes, og hvor du møder det i praksis. Du får også et ærligt blik på både muligheder og begrænsninger, så du kan forstå emnet uden at have en teknisk baggrund.
Hvad er machine learning?
Machine learning kaldes på dansk ofte maskinlæring. Det er en gren af kunstig intelligens, hvor en computer lærer ud fra data. I stedet for at en programmør skriver alle reglerne ned én for én, får systemet en stor mængde eksempler og finder selv mønstre i dem.
Du kan sammenligne det med, hvordan mennesker lærer gennem erfaring. Hvis du mange gange har set billeder af cykler, bliver du god til at genkende en cykel, også selvom den har en anden farve eller form. På samme måde kan en computer trænes med tusindvis af billeder for at lære, hvad der kendetegner en cykel.
Det betyder ikke, at computeren “forstår” cykler, som du gør. Den har ikke sund fornuft eller menneskelig erfaring. Den finder statistiske mønstre i data og bruger dem til at gætte det mest sandsynlige svar. Derfor er machine learning stærkt til bestemte opgaver, men ikke det samme som menneskelig intelligens.
En vigtig pointe er, at machine learning ikke er magi. Resultatet afhænger af de data, modellen får, og hvordan den er bygget. Hvis data er mangelfulde, skæve eller for gamle, bliver resultatet ofte dårligere.
Sådan virker machine learning i praksis
For at forstå machine learning hjælper det at se på processen i enkle trin. Grundidéen er, at man giver en model data, lader den lære mønstre og tester, om den kan bruge det lærte på nye eksempler.
1. Data samles ind
Først skal der bruges data. Det kan være tekst, billeder, lyd, tal eller klik på en hjemmeside. Hvis du vil lære en model at genkende spam-mails, skal du have mange eksempler på mails, der er spam, og mails, der ikke er spam.
Data er helt afgørende. En model kan sjældent blive bedre end de data, den lærer fra. Hvis eksemplerne er for få eller skæve, lærer modellen det forkerte.
2. Modellen trænes
Dernæst trænes modellen. Det betyder, at den gennemgår data og justerer sig selv for bedre at ramme rigtige svar. Den leder efter mønstre, som for eksempel bestemte ord i spam-mails, særlige former i billeder eller bevægelser i forbrugeradfærd.
Hvis modellen gætter forkert, bliver den justeret og prøver igen. Det sker mange gange, indtil den er blevet bedre til opgaven.
3. Modellen testes på nye data
Det er ikke nok, at modellen er god til de data, den allerede har set. Den skal også kunne klare nye eksempler. Derfor tester man den på data, som ikke var med i træningen.
Hvis modellen kun er god til træningsdata, men dårlig til nye data, har den typisk lært for snævert. Det kaldes ofte, at modellen er blevet “for specialiseret” på de eksempler, den har set.
4. Modellen bruges i virkeligheden
Når modellen virker godt nok, kan den bruges i en app, et website eller et internt system i en virksomhed. Her kan den hjælpe med at forudsige noget, sortere information eller genkende mønstre i realtid.
Det kunne for eksempel være:
- at opdage svindel med betalingskort
- at foreslå produkter i en webshop
- at oversætte tekst mellem sprog
- at genkende tale i en stemmeassistent
- at hjælpe læger med at analysere billeder
Forskellen på almindelig programmering og machine learning
I traditionel programmering skriver en udvikler konkrete regler. Hvis du vil lave et program, der beregner moms, kan du skrive reglen direkte: pris gange 1,25. Computeren følger reglen præcist hver gang.
Men hvad hvis opgaven ikke kan beskrives med enkle regler? Hvordan skriver man en fast regel for, om et billede forestiller en hund eller en kat? Eller om en kunde sandsynligvis vil opsige sit abonnement? Her bliver det hurtigt for komplekst at skrive alle reglerne manuelt.
Det er her, machine learning kommer ind. I stedet for at give computeren alle reglerne giver man den eksempler. Modellen lærer selv, hvilke mønstre der typisk hænger sammen med det rigtige svar.
Man kan sige det sådan:
- Almindelig programmering: Mennesket skriver reglerne, og computeren følger dem.
- Machine learning: Mennesket giver data og mål, og computeren finder mønstrene.
Det betyder ikke, at machine learning erstatter almindelig programmering. De to ting bruges ofte sammen. Selve systemet omkring modellen skal stadig bygges, vedligeholdes og kontrolleres.
De vigtigste typer af machine learning
Når man taler om machine learning, deler man det ofte op i forskellige typer. De mest kendte er supervised learning, unsupervised learning og reinforcement learning. Navnene er engelske, men idéerne kan forklares ganske enkelt.
Supervised learning: læring med facit
Ved supervised learning får modellen eksempler med det rigtige svar. Det svarer til at øve sig med en facitliste. Hvis du vil træne en model til at kende forskel på spam og almindelige mails, giver du den mange mails, hvor det allerede er markeret, hvad der er hvad.
Modellen lærer så, hvilke mønstre der ofte går igen i de to kategorier. Bagefter kan den vurdere nye mails, den aldrig har set før.
Supervised learning bruges ofte til:
- klassifikation, for eksempel spam eller ikke spam
- forudsigelser, for eksempel forventet salg eller leveringstid
- billedgenkendelse, for eksempel at finde bestemte objekter på fotos
Unsupervised learning: læring uden facit
Ved unsupervised learning får modellen data uden facit. Den skal selv finde mønstre, grupper eller sammenhænge. Det kan for eksempel bruges til at opdage kundetyper i en webshop uden på forhånd at vide, hvilke typer der findes.
Forestil dig en butik, der analyserer købsmønstre. Modellen kan måske opdage, at nogle kunder køber mange basisvarer, mens andre især køber tilbudsvarer eller luksusprodukter. De grupper er ikke nødvendigvis bestemt på forhånd, men opstår ud fra data.
Reinforcement learning: læring gennem forsøg og belønning
Ved reinforcement learning lærer modellen gennem forsøg, fejl og belønning. Den prøver forskellige handlinger og får en form for “point”, når noget går godt. Med tiden lærer den, hvilke valg der giver det bedste resultat.
Det bruges blandt andet i spil, robotter og avancerede systemer, hvor en model skal lære en strategi. Det er mindre synligt i helt almindelige hverdagssystemer, men det er en vigtig del af machine learning-feltet.
Eksempler på machine learning i din hverdag
Machine learning kan virke som noget, der kun findes i store techfirmaer, men du møder det faktisk mange steder. Her er nogle eksempler, som de fleste danskere vil kunne genkende.
Anbefalinger på streamingtjenester og webshops
Når du får forslag til film, musik eller produkter, bygger de ofte på machine learning. Systemet ser på, hvad du tidligere har valgt, hvad andre med lignende adfærd har valgt, og hvilke mønstre der går igen.
Det betyder ikke, at systemet kender dig personligt. Det bruger data til at regne ud, hvad du sandsynligvis vil være interesseret i.
Spamfiltre i mail
Spamfiltre er et klassisk eksempel. En model lærer at genkende tegn på uønskede mails, som bestemte formuleringer, links, afsendere eller mønstre i indholdet. Jo flere gode eksempler modellen har set, desto bedre bliver den typisk til at sortere.
Talegenkendelse og digitale assistenter
Når du dikterer en besked på din telefon, eller når en stemmeassistent prøver at forstå, hvad du siger, bruges der ofte machine learning. Modellen er trænet på store mængder tale og tekst og lærer at koble lyd med ord.
Det er også derfor, sådanne systemer kan have sværere ved kraftige dialekter, baggrundsstøj eller særlige navne. Data og træning har stor betydning.
Bank og svindelopdagelse
Banker bruger machine learning til at opdage usædvanlige transaktioner. Hvis dit kort pludselig bruges på en måde, der afviger meget fra dit normale mønster, kan systemet markere det som mistænkeligt.
Det betyder ikke nødvendigvis, at der er svindel, men systemet hjælper med at finde sager, der bør undersøges nærmere.
Sundhed og diagnostik
I sundhedsvæsenet bruges machine learning blandt andet til at analysere billeder og finde mønstre, som mennesker kan overse. Det er vigtigt at understrege, at det normalt bruges som støtteværktøj og ikke som en erstatning for sundhedsfaglig vurdering.
Her er præcision, gennemsigtighed og ansvar ekstra vigtige, fordi fejl kan få alvorlige konsekvenser.
Fordele ved machine learning
Der er en grund til, at machine learning fylder så meget i dag. Metoden er nyttig, fordi den kan håndtere opgaver, hvor der er mange data og komplekse mønstre.
- Kan finde mønstre i store datamængder: Det er svært for mennesker at gennemgå millioner af poster manuelt.
- Kan automatisere opgaver: For eksempel sortering, anbefalinger og simple vurderinger.
- Kan forbedres over tid: Med bedre data og løbende justeringer kan modeller blive mere præcise.
- Kan bruges bredt: Fra kundeservice og logistik til sundhed, undervisning og energi.
For virksomheder kan machine learning betyde mere effektiv drift. For dig som bruger kan det betyde mere relevante forslag, hurtigere service eller bedre filtre. Men fordelene kommer ikke uden udfordringer.
Begrænsninger og udfordringer du bør kende
Når man spørger, hvad er machine learning, er det lige så vigtigt at forstå begrænsningerne som mulighederne. Machine learning er ikke en løsning på alt.
Modellen er afhængig af data
Hvis data er dårlige, bliver resultatet ofte også dårligt. En model lærer af de eksempler, den får. Hvis de eksempler er skæve, gamle eller mangler vigtige grupper, kan modellen træffe urimelige eller upræcise beslutninger.
Modellen forstår ikke som et menneske
En model kan være god til at genkende mønstre uden at forstå betydningen bag. Den ved ikke nødvendigvis, hvorfor noget er vigtigt. Den gætter ud fra sands