Kunstig intelligens og data

Machine Learning (Maskinlæring)

Machine learning – på dansk maskinlæring – er en gren af kunstig intelligens, hvor et system finder mønstre i data og bruger dem til at lave forudsigelser eller træffe beslutninger, uden at hvert eneste trin i logikken er skrevet ned af en udvikler på forhånd. I stedet for at programmøren opstiller faste regler for, hvordan en opgave skal løses, bliver systemet “trænet” ved at blive vist mange eksempler, hvorefter det selv finder de sammenhænge, der gør det i stand til at håndtere nye, tilsvarende data.

Et hverdagsnært eksempel er spamfilteret i en mailklient. I stedet for at en person manuelt opstiller regler for, hvad der kendetegner en spam-mail, vises en machine learning-model tusindvis af eksempler på spam og almindelige mails. Modellen justerer gradvist sin egen interne logik, indtil den kan skelne de to kategorier fra hinanden – og kan derefter bruges på mails, den aldrig har set før.

Læs i denne artikel:

Sådan adskiller machine learning sig fra traditionel programmering

I traditionel, regelbaseret programmering skriver en udvikler eksplicitte instruktioner: hvis input ser sådan ud, gør sådan. Det virker fint til afgrænsede opgaver, men bliver hurtigt uoverskueligt, når antallet af undtagelser og variable vokser – det er i praksis umuligt at nedskrive en regel for hver eneste tænkelig situation.

Machine learning vender processen om. I stedet for at definere reglerne på forhånd, får modellen et datasæt med eksempler og et mål (f.eks. “er denne mail spam eller ej?”). Under træningen sammenligner modellen løbende sine egne gæt med de rigtige svar, måler hvor meget den tager fejl, og justerer sine interne parametre for at reducere fejlen. Resultatet er en model, der har lært mønstrene implicit ud fra data i stedet for at få dem dikteret som faste regler.

Machine learning, AI, LLM og neurale netværk

Kunstig intelligens (AI) er det overordnede begreb for systemer, der kan træffe beslutninger eller løse opgaver uden konstant menneskelig indblanding – det dækker alt fra simple regelbaserede systemer til avancerede sprogmodeller. Machine learning er den del af AI, hvor systemet lærer af data i stedet for at følge hårdkodede regler, og udgør i dag grundlaget for langt de fleste moderne AI-løsninger.

Inden for machine learning findes en undergren kaldet deep learning, som bygger på kunstige neurale netværk – matematiske strukturer løst inspireret af hjernens opbygning, opdelt i lag der hver især forfiner mønstergenkendelsen. Deep learning kræver typisk store mængder data og regnekraft, men er til gengæld velegnet til komplekse data som billeder, lyd og tekst.

En LLM (Large Language Model) er et konkret eksempel på, hvad deep learning kan bruges til: en sprogmodel trænet på enorme mængder tekst ved hjælp af neurale netværk, så den kan generere og forstå naturligt sprog. LLM’er er igen en central byggesten i det, man kalder generativ AI – AI-systemer der skaber nyt indhold som tekst, billeder eller lyd, frem for blot at klassificere eller forudsige. Kort fortalt: AI er paraplyen, machine learning er metoden til at lære af data, deep learning og neurale netværk er en bestemt teknik inden for machine learning, og LLM’er er et anvendelsesområde bygget ovenpå netop den teknik.

Sådan lærer en model af data

Før data kan bruges i machine learning, skal de omsættes til tal, som en algoritme kan regne på – uanset om udgangspunktet er tekst, billeder eller regnskabstal. Denne proces kaldes feature engineering, og handler om at udvælge og forme de mest relevante kendetegn ved dataene.

Selve træningen foregår typisk ved, at datasættet deles op: en del bruges til at træne modellen, og en anden del bruges til bagefter at teste, om modellen også fungerer på data, den ikke er blevet trænet på. Det er netop denne evne til at generalisere fra træningsdata til nye, ukendte data, der er selve pointen med machine learning – en model, der kun kan huske sine træningseksempler udenad, er ikke til megen nytte i praksis. Det færdigtrænede resultat af denne proces kaldes en machine learning-model (ML-model), som derefter kan tages i brug til at lave forudsigelser på nye data.

Typer af machine learning

Machine learning inddeles ofte i tre overordnede kategorier, alt efter hvordan modellen lærer:

Superviseret læring: Modellen trænes på data, hvor det korrekte svar allerede er kendt (fx mails mærket som “spam” eller “ikke spam”), og lærer at forbinde input med det rigtige output.
Usuperviseret læring: Modellen får data uden facitliste og skal selv finde mønstre eller grupperinger, fx ved at inddele kunder i segmenter ud fra deres købsadfærd.
Forstærkende læring (reinforcement learning): Modellen lærer gennem forsøg og fejl ved at få belønning eller straf for sine handlinger, og bruges blandt andet til robotstyring og spilbots.

Hvor bruges machine learning i praksis

Machine learning indgår i dag i mange systemer, man bruger dagligt uden at tænke over det: anbefalinger af film og produkter, svindeldetektion i banker, talegenkendelse i mobiltelefoner og automatisk sortering af billeder efter indhold. I virksomheder bruges det desuden til ting som at forudsige forbrugeradfærd eller opdage mønstre i data, der kan pege på kommende maskinnedbrud, før det sker.

Begrebet er ikke nyt – allerede i 1959 beskrev forskeren Arthur L. Samuel, hvordan en computer kunne programmeres til selv at blive bedre til at spille dam, uden at hvert enkelt træk blev dikteret af programmøren. Siden er metoderne blevet langt mere avancerede, men selve grundtanken – at lade en model lære af data i stedet for faste regler – er den samme.

Et spamfilter, der er trænet på tusindvis af eksempler på spam- og ikke-spam-mails, og som ud fra mønstrene selv lærer at genkende nye spam-mails, det aldrig har set før.

Ofte stillede spørgsmål

Hvad er forskellen på machine learning og kunstig intelligens (AI)?

AI er det overordnede begreb for systemer, der kan træffe beslutninger uden konstant menneskelig indblanding, mens machine learning er den konkrete metode inden for AI, hvor systemet lærer mønstre fra data i stedet for at følge hårdkodede regler. Al machine learning er dermed AI, men ikke al AI er machine learning – simple regelbaserede systemer som en termostat regnes også som AI, uden at bruge machine learning.

Hvad er forskellen på machine learning og deep learning?

Deep learning er en undergren af machine learning, der bruger kunstige neurale netværk med mange lag til at finde mønstre i data. Traditionel machine learning kræver ofte, at mennesker manuelt udvælger de relevante kendetegn i data, mens deep learning i høj grad kan finde disse kendetegn automatisk – til gengæld kræver det typisk mere data og regnekraft.

Hvordan hænger machine learning sammen med sprogmodeller som ChatGPT?

Sprogmodeller som dem bag ChatGPT er såkaldte LLM'er (Large Language Models), der er trænet med deep learning-teknikker – en gren af machine learning – på meget store mængder tekst. Machine learning er dermed den underliggende metode, der gør det muligt for modellen at lære sprogmønstre og generere sammenhængende tekst.

Kræver machine learning altid enorme mængder data?

Det afhænger af opgaven og metoden. Simplere machine learning-modeller kan i mange tilfælde trænes på forholdsvis begrænsede, velstrukturerede datasæt, mens deep learning-baserede modeller, herunder LLM'er, typisk kræver langt større datamængder for at opnå god præcision.

Hvad menes der med en 'trænet model' i machine learning?

En trænet model er resultatet af træningsprocessen: et sæt matematiske parametre, som modellen har justeret undervejs for at minimere sine fejl på træningsdata. Den trænede model kan derefter bruges til at lave forudsigelser eller klassificeringer på nye data, den ikke har set før.

Nysgerrig på, hvad der helt konkret gemmer sig bag betegnelsen, når en machine learning-proces er færdig – altså selve den trænede model, der bruges til at lave forudsigelser?

Machine Learning Model (ML-model) →

Kilder