KLUMME: Helt grundlæggende, udspringer machine learning af den del af datalogividenskaben, hvor man arbejder med kombinationen af algoritmer og statistisk analyse.

Forsimplet kan man sige, at machine learning er træning af en model baseret på historisk data. Automatiseret læring.

Det er hensigten, at modellen bliver mere og mere intelligent over tid, og kan således identificere mønstre og generalisere til noget nyt, som den ikke allerede kunne vide.

HØR HVORDAN AI KAN FORBEDRE DIN DIGITALE KOMMUNIKATION: PÅ DIGITAL COPENHAGEN '18

Vi kigger simpelthen bagud, for at kunne sige noget forud. Vi kigger på mønstre for at kunne slutte noget generelt. Og vi programmerer algoritmerne til at konstant kunne forbedre sig selv.

Flere observationer gør, at maskinen kan finde mønstre

Man kan sige, at en maskine lærer noget for allerførste gang uden at have kontekst og perspektiv – lidt på samme måde, som børn oplever noget for første gang.

Eksempelvis er min søn vild med dyr. Især krabber om sommeren. I starten blev han ofte nevet af krabberne, når han tog dem op.

LÆS OGSÅ: HVAD ER FORSKELLEN PÅ AI, MACHINE- OG DEEP LEARNING?

Første gang blev han overrasket, for han havde igen anelse om, at krabber potentielt kunne bide. Anden gang generaliserede han ”Far, krabber niver”.

Og tredje gang blev det stadig mere nuanceret ”Krabberne niver, når jeg holder dem sådan her”.

Han begyndte altså at finde mønstre for, hvornår krabberne niver. Hans generalisering blev således mere og mere nuanceret og ”rigtig” i forhold til de mange forskellige observationer han gjorde sig, som han kunne tilføre ligningen.

Og det er det samme med machine learning.

Jo flere observationer (data) des rigtigere og mere nuanceret vil din maskine kunne blive, og endeligt vil den være i stand til at lave nye -ikke tidligere sete- slutninger på tværs af observationer, fordi den på samme måde som den menneskelige hjerne kan bruge viden fra én observation og koble den til en anden.

Ligesom når min søn så spørger ”niver alle dyr med klør?”

LÆS OGSÅ: HVAD ER FORSKELLEN PÅ AI, MACHINE- OG DEEP LEARNING?

Big data og computerkapacitet gør machine learning relevant nu

Selvom machine learning er noget, vi alle taler om i øjeblikket, er denne metode egentlig ikke noget nyt og har haft sine op og nedture i over halvtreds år.

Metoden har resonans lige nu, og det skyldes, vi har oplevet en eksplosiv udvikling inden for indsamling af big data de seneste år, samt at lager- og beregningskapacitet i vores computere er vokset gevaldigt.

Det gør processerne hurtigere og netop gør os i stand til at medtage mange, rigtig mange, observationer til ligningen, som afstedkommer, at analysen bliver mere kompleks, nuanceret og kan lade sig gøre uden at tage flere måneder.

HØR HVORDAN AI KAN FORBEDRE DIN DIGITALE KOMMUNIKATION: PÅ DIGITAL COPENHAGEN '18