Hvad er machine learning (maskinlæring)?
Machine learning er programmer der lærer at løse en opgave ved at finde mønstre i data i stedet for at følge regler som et menneske har skrevet manuelt. Du viser systemet mange eksempler med facit, det generaliserer og kan derefter vurdere nye tilfælde det aldrig har set før.
Machine learning, på dansk maskinlæring, er programmer der lærer af eksempler i stedet for at følge regler som nogen har skrevet manuelt. Du viser systemet en stor mængde data hvor facit allerede er kendt, det finder selv mønstrene og kan derefter anvende dem på nye tilfælde. Det er den teknik der ligger bag det meste af det der i dag kaldes AI.
Regelbaseret kontra lært
Forskellen bliver tydeligst med et eksempel: et spamfilter. Den gamle, regelbaserede variant byggede på regler et menneske skrev: Indeholder mailen ordet “gratis”, så markér den som spam. Den slags regler bliver hurtigt et kludetæppe. Afsenderne skifter ord, skriver “gr4tis”, og for hvert smuthul må nogen skrive en ny regel. Systemet bliver aldrig færdigt.
Den lærte variant vender det om. I stedet for regler fodrer du systemet med titusindvis af mails der allerede er mærket som “spam” eller “ikke spam”. Systemet regner selv ud hvilke mønstre der adskiller de to bunker, ofte subtile kombinationer af ord, afsender og struktur som intet menneske ville formulere. Når en ny mail kommer ind, vurderer filteret hvor meget den ligner den spam det allerede har set.
Pointen er at du aldrig fortæller hvordan mailen skal vurderes. Du viser bare mange eksempler på det rigtige svar og lader systemet udlede reglen. Derfor passer machine learning til problemer hvor mønstrene er for mange, for foranderlige eller for svære at indfange til at kunne skrives ned.
Sådan hænger AI, machine learning, deep learning og LLM sammen
Begreberne blandes ofte sammen, men de ligger inden i hinanden som russiske dukker. Fra det bredeste til det smalleste:
- AI er paraplyen: alt der får computere til at løse opgaver som normalt kræver menneskelig intelligens.
- Machine learning er den mest almindelige metode til at bygge AI i dag: systemer der lærer ud fra data i stedet for at blive programmeret med regler.
- Deep learning er en gren af machine learning der bruger store neurale netværk med mange lag, særligt stærk til billede, lyd og tekst.
- LLM (store sprogmodeller) er en type deep learning trænet på enorme mængder tekst for at forstå og skabe sprog.
| Begreb | Kort forklaring |
|---|---|
| AI | Paraplyen for alle intelligente systemer |
| Machine learning | Systemer der lærer mønstre ud fra data |
| Deep learning | Machine learning med store neurale netværk |
| LLM | Deep learning specialiseret i sprog |
Så når nogen siger at de “bruger AI”, mener de næsten altid machine learning i en eller anden form, og taler de om værktøjer som ChatGPT, handler det om en LLM inderst i dukken.
Hvad der kræves for at det virker
Machine learning er ikke magi. Tre ting skal være på plads for at en model skaber værdi.
Data. Du skal bruge tilstrækkeligt mange eksempler, og de skal være relevante og korrekt mærkede. En model der skal vurdere kundehenvendelser, har brug for rigtige, historiske henvendelser med kendt udfald. Skrald ind giver skrald ud uanset hvor avanceret metoden er.
Et klart mål. Du skal kunne formulere hvad modellen skal forudsige eller afgøre: Er det her spam, hvilken kategori hører henvendelsen til, hvor stor bliver efterspørgslen i næste uge? Et uldent mål giver en model hvor ingen kan afgøre om den lykkes.
Evaluering. Du lægger en del af data til side som modellen aldrig ser under træningen, og måler hvor godt den rammer netop de eksempler. Først da ved du om den har lært noget generelt eller om den bare har lært træningsdata udenad. Uden evaluering flyver du i blinde.
Et konkret regneeksempel
Lad os sige at en virksomhed får 500 kundehenvendelser om dagen som skal sorteres til den rigtige afdeling. Historisk findes der 50.000 færdigsorterede henvendelser. De bliver træningsdata: Teksten er input, afdelingen er facit. Man holder 5.000 henvendelser tilbage til evaluering. Modellen trænes og viser sig at sortere rigtigt i 9 ud af 10 tilfælde på de tilbageholdte henvendelser. Så kan den tage den første sortering automatisk, og de svære tilfælde sendes videre til et menneske. Ingen har skrevet en eneste regel om hvad henvendelserne handler om.
Det er den praktiske kerne i machine learning: de rigtige data, et klart mål og ærlig måling. Vil du vide hvordan det kan anvendes hos jer, tager vores ydelser inden for AI og automatisering den slags idéer fra use case til idriftsat løsning, med drift og vedligeholdelse regnet med fra start.
Ofte stillede spørgsmål
Hvad er forskellen på machine learning og almindelig programmering?
I almindelig programmering skriver en udvikler reglerne: Hvis dette, så gør dette. I machine learning skriver du slet ingen regler. Du fodrer systemet med eksempler med facit og lader det selv regne sammenhængene ud. Det gør metoden stærk til problemer hvor reglerne er for mange eller for uldne til at kunne skrives ned.
Har jeg brug for enorme mængder data for at komme i gang?
Det afhænger af opgaven. Enkle problemer med tydelige mønstre kan fungere med nogle tusinde eksempler mens billed- og sprogopgaver ofte kræver betydeligt flere. Vigtigere end den rene mængde er at data er relevante, korrekt mærkede og afspejler de tilfælde modellen skal møde i virkeligheden.
Er machine learning det samme som AI?
Nej, machine learning er en del af AI. AI er den brede paraply for systemer der løser opgaver som normalt kræver menneskelig intelligens. Machine learning er den mest almindelige metode til at bygge den slags AI i dag, og deep learning og sprogmodeller er igen specialtilfælde af machine learning.
Hvordan ved man at en model faktisk er god?
Ved at måle den på data den ikke er trænet på. Man lægger en del af eksemplerne til side som modellen aldrig får at se under træningen, og tjekker hvor ofte den svarer rigtigt på dem. Uden en sådan uafhængig evaluering ved du kun at modellen har lært eksemplerne udenad, ikke at den generaliserer.
Kan en model tage fejl eller være forudindtaget?
Ja. En model lærer det der findes i data, inklusive skævheder og fejl. Er datagrundlaget ujævnt eller forældet, arver modellen det. Derfor er gennemgang af træningsdata og løbende opfølgning på beslutningerne en central del af ansvarlig machine learning, ikke noget man tager stilling til bagefter.