Machine Learning Model (ML-model)

Hvad er en ML-model?

En machine learning-model, ofte kaldet en ML-model, er et matematisk system der er trænet til at genkende mønstre i data og bruge dem til at lave forudsigelser eller klassificere ny information. Modellen består af en række parametre og beregningsregler, som gradvist justeres under træningen, indtil den kan producere resultater der ligner det, den tidligere har set i sine træningsdata. Til forskel fra traditionel programmering, hvor en udvikler skriver eksplicitte regler for hver situation, lærer en ML-model i høj grad sine egne regler ud fra eksempler.

Et konkret eksempel er et spamfilter i en mailklient. I stedet for at en udvikler manuelt opremser alle kendetegn ved spam, trænes modellen på et stort antal eksempler på både spam og almindelige mails. Ud fra mønstre i ordvalg, afsenderadresser og formatering lærer modellen at vurdere, om en ny, ukendt mail sandsynligvis er spam eller ej.

Sådan trænes en ML-model

Træningen af en ML-model følger typisk et fast forløb, uanset om opgaven er at forudsige boligpriser, genkende billeder eller anbefale produkter:

• Data indsamles og renses, så modellen har relevante og så vidt muligt repræsentative eksempler at lære af.
• Relevante kendetegn (features) udvælges eller udledes af dataene, fx alder, tekstlængde eller pixelværdier.
• En algoritme og en modeltype vælges, afhængigt af om opgaven kræver klassifikation, forudsigelse af tal eller gruppering af data.
• Modellen trænes ved gentagne gange at justere sine parametre, så den bliver bedre til at ramme de rigtige svar på træningsdataene.
• Modellen valideres og testes på data, den ikke har set før, for at vurdere om den generaliserer godt nok til brug i praksis.

Afhængigt af om træningsdataene er mærket med det korrekte svar på forhånd, taler man om superviseret læring, usuperviseret læring eller forstærkningslæring, hvor modellen i stedet lærer af belønninger og straf gennem gentagne forsøg.

Fra datamining til færdig ML-model

ML-modeller bygger videre på metoder og tankegange fra datamining, som handler om at afdække mønstre, sammenhænge og afvigelser i store datamængder. Hvor klassisk datamining ofte har til formål at beskrive og forstå data, går en ML-model skridtet videre og bruger de fundne mønstre aktivt til at forudsige noget om ny, endnu ukendt data. Kvaliteten af de data, modellen trænes på, har stor betydning for resultatet: skæve eller mangelfulde data kan give en model, der ser ud til at virke godt i test, men som fejler eller viser bias i praktisk brug.

Neurale netværk og dybere ML-modeller

Et neuralt netværk er en bestemt type ML-model, der er bygget op af lag af kunstige “neuroner”, inspireret af hjernens måde at forbinde signaler på. Når et neuralt netværk har mange lag, kaldes det gerne dyb læring (deep learning), en undergren af machine learning der er særligt velegnet til ustruktureret data som billeder, lyd og tekst. Store sprogmodeller, kendt som LLM (Large Language Model), er et eksempel på ML-modeller bygget på dybe neurale netværk, trænet på enorme mængder tekst for at kunne forudsige og generere sprog. Denne type modeller ligger også til grund for teknikker inden for NLP (Natural Language Processing), hvor formålet er at få computere til at forstå og bearbejde menneskeligt sprog.

Sådan bruges ML-modeller i praksis

Når en ML-model er trænet og valideret, kan den sættes i drift til at levere forudsigelser eller beslutninger på ny data i realtid. Det ses blandt andet i anbefalingssystemer, der foreslår film eller produkter, i systemer der forudsiger frafald blandt kunder, og i chatbots der besvarer spørgsmål baseret på tidligere samtaler. ML-modeller indgår desuden ofte som byggeklods i en AI-agent, hvor modellens forudsigelser bruges til at træffe eller foreslå konkrete handlinger, fremfor blot at levere et enkelt svar.

Styrker og begrænsninger

En veltrænet ML-model kan finde mønstre, som er svære eller praktisk umulige for mennesker at opdage manuelt i store datamængder. Modellens præstation afhænger dog i høj grad af mængden og kvaliteten af træningsdata, af hvor godt opgaven er defineret, og af løbende overvågning, når modellen bruges i praksis. En model kan miste præcision over tid, hvis de forhold, den oprindeligt blev trænet under, ændrer sig, og den bør derfor typisk revurderes og gentrænes med jævne mellemrum.