Machine learning - hvad er det for en størrelse?

Man kan fristes til at trække paralleller til science fiction-film a la Matrix, AI og Rumrejsen år 2001. Desværre, eller måske heldigvis, er vi ikke helt så langt endnu, men i Danmark er vi dog langt fremme og er netop blevet kåret til verdens bedste land i forhold til offentlig digitalisering. Og siden 2018 har regeringen, på bagkant af lanceringen af strategien om en offentlig service i verdensklasse, arbejdet henimod at øge den offentlige service via digiatliserinsom blandt andet omfatter et fokus på kunstig intelligens. Med de mange fremskridt er der imidlertid også flere, der udtrykker bekymring over vores jagt og søgen efter den ægte kunstige intelligens og mener, at det kan blive menneskets undergang.

Hvis vi lægger forudsigelserne og fremtidsplanerne til side og ser på de to begreber ’machine learning’ og ’kunstig intelligens’, så kan de være svære at skelne fra hinanden. Analysehuset Forbes Innovation har et bud på, hvordan de to begreber skal forstås i forhold til hinanden: ”Hvor kunstig intelligens er den noget mere overordnede betegnelse for maskiner der er ”smarte”, handler Machine Learning mere om den konkrete anvendelse i dag, hvor man forsøger at give maskiner adgang til store mængder data og lade dem lære autonomt ud fra dette”.

Vi ser her nærmere på machine learning og på, hvad begrebet dækker over.

Definition af machine learning

For at forstå baggrunden for machine learning tager vi en tur tilbage i tiden: Vi skal helt tilbage til 1950 hvor Alan Turing udviklede en test til at afgøre, hvorvidt en maskine udviser menneskelig intelligens. Siden da er der sket betydelige fremskridt:

• Arthur Samuels maskinlæringsalgoritme vinder spillet Dam i 1952
• ”Nearest neighbor”- algoritmen i ’67 (geografisk ruteoptimering)
• IBMs Deep Blue computer vinder verdensmesterskabet i skak i ’97
• IBMs Watson system opnår 90 % succesrate i lungekræftdiagnosticering i 2013

Pointen med tidsrejsen er at illustrere, at begrebet machine learning ikke er nyt, det er blot først i nyere tid, begrebet bliver alment brugt i det daglige sprog.

Definitionen på machine learning kan nuanceres:

• “Machine Learning at its most basic is the practice of using algorithms to parse data, learn from it, and then make a determination or prediction about something in the world.” – Nvidia 
• “Machine learning is the science of getting computers to act without being explicitly programmed.” – Stanford
• “Machine learning is based on algorithms that can learn from data without relying on rules-based programming.” – McKinsey & Co.
• “Machine learning algorithms can figure out how to perform important tasks by generalizing from examples.” – University of Washington
• “The field of Machine Learning seeks to answer the question “How can we build computer systems that automatically improve with experience, and what are the fundamental laws that govern all learning processes?” – Carnegie Mellon University

Sammenfattende kan vi sige, at machine learning er en disciplin, som søger at få computere til at lære og handle som mennesker og samtidig øge deres læring på autonom vis, ved at fodre dem med data og informationer i form af målinger og observationer af og interaktion med omgivelserne.

Hvordan fungerer machine learning?

Machine learning fungerer med en algoritme, der er skrevet til en specifik situation. Det vil sige, at den enkelte algoritme i sig selv ikke er svaret på alle spørgsmål, men kun på specifikke spørgsmål. Man kan altså ikke bare vælge en hvilken som helst algoritme til at løse et hvilket som helst problem. I nedenstående skema ses, hvordan brugeren kan udvælge specifikke algoritmer til givne opgaver i Microsofts Azure Machine Learning Studio – en grafisk brugerflade til Microsofts machine learning platform.

Hvorfor arbejder vi med machine learning?

Som udgangspunkt er der to grunde til, at der i dag arbejdes meget med machine learning. Den første er, at computerkraften i dag er blevet meget større og billigere, således det nu er muligt at arbejde med machine learning-algoritmer på et niveau, hvor det giver mening, især hvis man benytter mulighederne i skyen.

Den anden grund er, at den datamængde som algoritmerne skal bearbejde, er blevet tusind gange større. Vi taler om big data (læs mere her), som gør det muligt at fodre maskinerne med så store datamængder, at de kan lære nyt af sig selv. De store mængder data gør altså, at algoritmerne leverer langt bedre og mere valide resultater.

Hvilke systemer kan vi bruge til at arbejde med machine learning?

Som skrevet ovenfor tilbyder Microsoft machine learning-løsninger og det samme gør mange andre kendte cloud-platforme, såsom Amazon, Google, Intel, IBM og mange flere.

Gartner har i deres “Magic Quadrant for Data Science and Machine Learning Platforms” listet de største udbydere af machine learning platforme i forhold til, hvor gode de er. Du kan finde kvadranten her Gartner Magic Quadrant for Data Science and Machine Learning Platforms

Følg med i vores næste artikel, hvor vi dykker længere ned og ser på, hvorfor det er fordelagtigt at arbejde med machine learning. Vi kigger nærmere på nogle cases og analyserer hvorfor og hvordan det er lykkes forskellige virksomheder at skabe en bedre forretning med brugen af machine learning.