Maskininlärning: Dator som lär sig att ta fram en lösning på ett problem

Den digitala utvecklingen går på högvarv och ny, smart teknologi poppar ständigt upp på marknaden. Med den Artificiella Intelligensens utveckling blir det allt färre repetitiva och monotona uppgifter kvar som människan måste ta hand om. Tekniken inom maskininlärning lär datorer och datasystem att själv utföra olika sorters uppgifter baserat på och utifrån data, istället för att en programmerare måste programmera och skriva ut algoritmer specifikt för varje steg i processen. Några exempel på maskininlärning som de allra flesta känner till är förslagsfunktionen i Spotify, vägbeskrivningar i Google Maps, rekommendationer på Amazon och Facebooks ansiktsigenkänning på bilder.

I Spotify så fungerar det som så att algoritmer kan lära känna sin användares musiksmak genom att lagra information om ens musikval- och inställningar, varpå algoritmerna sedan använder den informationen för att kunna dra slutsatser om vilken musik och vilka artister som användaren mer kan tänkas gilla. Maskininlärning är en sorts Artificiell Intelligens (AI) och används inom flera olika industrier, branscher och användningsområden, och kan användas för att automatisera uppgifter av såväl enkla som mer komplexa slag.

Vad är Maskininlärning?

Den grundläggande definition av maskininlärning är ett datasystem som kan lära sig att ta fram en lösning på ett problem med hjälp av att hantera enorma mängder data. Man förser datasystemet med problemet eller uppgiften och även det underlag som systemet behöver för att kunna utföra uppgiften. Man talar dock inte alltid om för systemet exakt hur det ska gå till väga för att lösa uppgiften, utan istället så är det upp till systemet självt att undersöka olika alternativ för att på så sätt finna en lämplig lösning. Under processens gång så utvecklar systemet själv egna komplicerade algoritmer, samt förbättrar dem, ända tills dess att lösningen på problemet är nådd.

Maskiner och datasystem som används inom maskininlärning arbetar otroligt fort och effektivt, vilket är en av anledningarna till att intresset för området är så pass stort. Inom produktionssektorn, vilken är en av de branscher som använder maskininlärning flitigast, så används maskininlärning bland annat för att förebygga skador samt underhålla maskinerna, för analyser av kunddata, försäljning och lageroptimering, hitta defekter bland tusentals produkter på en gång och optimera distributionen.

Företag inom försäljningssektorn brukar använda sig av maskininlärningsteknologin för att till exempel snabbt kunna analysera och dra slutsatser om sin kundbas så att de kan anpassa processer, försäljningsstrategier, kampanjer och erbjudanden direkt efter sina kunder. Det som främst är begränsande för maskininlärning är hur datan som ska användas samlas in. Insamlingen av data måste ske på ett noggrant och strukturerat sätt, och användaren bör själv också först förstå och kunna visualisera de relationer som existerar inom datan och vilka relationer som är relevanta.

Maskininlärning används inte bara inom produktionssektorn utan kan användas inom en mängd olika områden. Datorprogram kan till exempel lära sig att känna igen bilder och olika motiv i bilder, om det så är ansikten eller föremål som exempelvis bilar. Vid den här typen av maskininlärning så brukar det gå till som så att datasystemet matas med en väldigt stor mängd bilder av bilar och modeller av alla olika slag, istället för att en programmerare skriver algoritmer för hur datorsystemet ska kunna känna igen en bil.

Systemet gör sedan en analys över vad som är gemensamt för alla bilderna och lär sig på så sätt att på egen hand kunna urskilja och känna igen en bil. För att systemet ska utvecklas och förbättra sin analysförmåga så kan man därtill mata det med bilder som inte innehåller det objekt som det ska lära sig att känna igen, vilket i det här fallet är bilar. När systemet gör ett fel så indikerar användaren detta så att datasystemet kan ändra sina kriterier och regler för hur det känner igen en bil.

Djup maskininlärning

Så kallad djup maskininlärning (på engelska kallas det för deep learning) tar maskininlärningen ett steg längre. Den här formen av maskininlärning är mer avancerad och syftar till att härma den mänskliga hjärnan ännu mer. Inom djup maskininlärning så kan datorsystemet på egen hand utvecklas samt ta fram program och algoritmer för att lära sig analysera nya problem och finna nya lösningar. Artificiella neuron-nät bestående av flera lager av neuroner fungerar liknande som neuronerna i människans hjärna, och komplicerade datorprogram använder dessa för att lära sig känna igen olika mönster och beteenden för att på så sätt kunna ta beslut på liknande sätt som människor gör. Djup maskininlärning med de artificiella neuron-näten kan lösa otroligt komplexa och icke- linjära uppgifter och problem med hjälp av extremt stora mängder data.

Övervakad och oövervakad maskininlärning

Inom maskininlärning så brukar man skilja mellan övervakad och oövervakad inlärning. Inom övervakad inlärning så lär en programmerare upp datasystemet med hjälp av algoritmer och data som även innehåller de svar om systemet behöver för att lösa uppgiften. Algoritmerna skapar olika modeller som kopplar datan till svaren, och sedan kan de använda modellerna i framtiden vid behov. Inom oövervakad inlärning så har algoritmerna förmågan att lära sig av datan utan att ha tillgång till de rätta svaren. Algoritmerna lär upp sig själva genom att istället gå igenom stora mängder data.

Skillnad mellan Artificiell Intelligens och maskininlärning

Det kan uppstå en förvirring när det kommer till Artificiell Intelligens och maskininlärning, och huruvida det finns någon skillnad mellan de två områdena eller ej. Maskininlärning är i grund och botten ett område och fält inom Artificiell Intelligens, och väldigt förenklat så kan man beskriva AI som en effekt och att maskininlärning används för att uppnå den effekten. AI är ett intelligent datorsystem som efterliknar människans beteende och förmågor, och som kan resonera, känna av, anpassa sig, fatta beslut och agera på egen hand.

Maskininlärning fungerar genom att man matar datorsystem med data och på sätt och vis lär systemet att lära sig själv, till exempel hur de kan utföra vissa specifika uppgifter och hur det stegvis kan utveckla och förbättra sig själv enbart baserat på inhämtad eller inmatad data, i jämförelse med manuell programmering. Tekniken som används inom maskininlärning arbetar utifrån ett förbestämt och väldefinierat problem och behöver tränas kontinuerligt för att kunna ta så bra beslut som möjligt. För att förstå skillnaden mellan AI och maskininlärning ytterligare så kan man föreställa sig att man ställer en fråga till ett system huruvida man ska köpa en produkt eller inte, till exempel om man ska köpa en Volvo-bil.

Utifrån den tillgängliga informationen och datan som finns tillgänglig så kan maskininlärning egentligen bara svara ja eller nej, det vill säga enbart ge användaren råd enbart om själva ämnet vilket i det här fallet är ett köp av just en Volvo. Artificiell Intelligens kan å andra sidan svara att man inte bör köpa en Volvo utan en annan bilmodell, eftersom att AI på sätt och viss kan tänka på egen hand och utvecklar frågeställningen och modellen som den arbetar utifrån.

Tillämpning

Maskininlärning som teknik är som sagt vanlig inom många olika branscher och industrier, och den är framför allt användbar när man behöver behandla stora mängder data. Följande tre områden och branscher använder maskininlärning som mest:

Produktion och tillverkning

Maskininlärning, både övervakad och oövervakad, kan göra stor skillnad inom produktion och tillverkning. Företag inom tillverkning och försäljning samlar många gånger automatiskt in väldigt stora mängder data från olika sensorer och komponenter i produktionsledet, vilket skapar ett väldigt bra underlag för maskininlärningen samtidigt som det är en förutsättning för tekniken. Vanlig applicering av verktyget inom produktionen är till exempel feldetektering och kvalitetskontroller, förebyggande underhåll av maskiner, behovsplanering, dataanalys med mera.

Ekonomi

Förutom tillverkningsindustrin så är ekonomisektorn väldigt bra lämpad för användning av maskininlärning. Det beror på att företag som verkar inom ekonomisektorn ofta har att göra med väldigt stora volymer data och brukar ha väldigt omfattande kundregister. Det betyder att de inte beger lägga ner så mycket resurser på att först inhämta nödvändig data. Algoritmerna som används i maskininlärning passar till exempel utmärkt för att använda inom aktiehandel, kreditgivning, riskbedömning, försäkringar och kan hjälpa till att upptäcka bedrägeriförsök.

Sjukvård och hälsa

Oavsett hur utbildade och tränade läkare och annan sjukvårdspersonal är så kan de aldrig lika noggrant analysera viktig data och kunna urskilja mönster bättre och snabbare än algoritmerna inom maskininlärning. Inom sjukvården så används maskininlärning inom till exempel röntgenanalyser, cancerdiagnostik, kirurgiska operationer och utveckling av läkemedel och mediciner. Sjukvården är ett av de områden som ofta anses ha som störst utvecklingspotential inom maskininlärning och Artificiell Intelligens.

Konkreta effekter från maskininlärning

Maskininlärning kan alltså användas inom en mängd olika områden och är vanligare inom vissa än andra. Oavsett bransch och marknad så leder maskininlärning ofta till dessa positiva effekter i praktiken:

Snabbare beslut: Algoritmerna som man använder inom maskininlärningen arbetar snabbt för att analysera, prioritera och även automatisera beslut. Det går också att lära systemet att kunna föreslå åtgärder som användaren bör vidta så snart som möjligt.
Djupare förståelse och insikt: Maskininlärningen gör det möjligt för sin användare att få en djupare förståelse för den situation som personen står inför. Datasystemet kan utan problem hantera datasets och dataströmmar som är både större och mer komplexa än vad människor normalt kan hantera. Systemet kan inte enbart lära sig att hantera uppgifter på ett sätt som till och med är mer komplicerat än den mänskliga förmågan, det går också att lära det att aktivera automatiska åtgärder och lösningar.
Ökad effektivitet: När processerna genom maskininlärning börjar arbeta snabbare så kan företagets produktion öka och effektiviteten kan på sätt komma att öka betydligt. Maskininlärningen kan leda till att man kan ta ut den mänskliga faktorn ur produktionen, vilken ofta kan leda till slarvfel, genom att automatisera repetitiva och monotona uppgifter. Därmed kan man sänka kostnaderna för sin produktion och öka företagets lönsamhet.

Maskininlärning och planeten

Maskininlärning leder inte till positiva effekter enbart för människorna och företagen. Tekniken och dess algoritmer kan nämligen också visa sig komma väl till pass i arbetet med att dels bekämpa och dels motstå och anpassa samhället till klimatförändringarna. Forskare inom Artificiell Intelligens och maskininlärning har listat de områden där maskininlärning skulle kunna spela en viktig roll:

Uppfinning och utveckling av teknik och teknisk utrustning
Mätning och kartläggning av människors elbehov och -användning
Godstransporter med båt
Elbilar
Optimering av leveranskedjor
Minskning av energikonsumtion och -användning i byggnader
Bedömning av jordbrukens behov
Spårningsfunktioner av avskogning
Smarta råd till konsumenterna

Maskininlärning och Artificiell Intelligens behövs inte för att kunna göra enkla analyser av och för att förutspå människors regelbundna energianvändning. Men maskininlärning gör det möjligt att ta analysen ett steg längre och kan tillsammans med större datamängder räkna ut användningsmönster för energianvändning med tillförlitliga resultat, som kan användas för att vidta både praktiska och ekonomiska åtgärder. När man har mer detaljerad och tillförlitlig information så går det också att dra säkrare slutsatser och bättre justera och anpassa beteenden.

Maskininlärningen kan också användas i andra delar än just bara själva användningen av energin. Tekniken kan exempelvis också beräkna hur mycket energi som olika metoder kan producera, så som vindkraftverk och solceller. När man har tillgång till sådan information om både förbrukning och produktion så kan man ta fram säkra rutiner för att undvika att det någonsin råder varken brist eller överflöd på el.

Lärdomar från användning av maskininlärning

Innan man själv har börjat använda maskininlärning och har någon praktisk erfarenhet av tekniken så kan det vara svårt att veta vad man ska förvänta sig. Här kommer några tips och lärdomar från maskininlärningens användare:

Dra alltid lärdomar från misstagen: Alla kan råka göra och gör misstag. Det viktigaste är att man uppmärksammar misstaget, drar lärdomar av det och undviker att misstaget händer igen. Det gäller att inte enbart ha siktet inställt på framgångarna utan också vara lyhörd längs vägen.
Datakvalitet över kvantitet: Begreppet ”Big data” har fått mycket uppmärksamhet inom tech-världen på senare år, och det verkar råda en missuppfattning om att ju större ens dataset är desto bättre är det och desto coolare verkar ens företag. Men kvantitet slår inte alltid kvalitet och inte heller när det kommer till maskininlärning. Det är viktigt att datan som man använder sig av håller hög kvalitet och är tillförlitlig. Om man vet att man är i behov av väldigt stora dataset, vilka kan vara dyrt att komma över, så kan man till exempel ta stickprov eller först göra ett pilotprojekt där man testar med mindre och mer högkvalitativa datasets.
Bättre att förstå än att lägga på minnet: Maskininlärning bär med sig en viktig lärdom till sina användare, genom att tekniken och algoritmerna själva försöker lära sig nya metoder och kunskaper istället för att enbart programmeras, vilken är att det alltid är bättre att försöka förstå sig på något än att bara lägga det på minnet.
En bra strategi är nyckeln till framgång: För att ha en chans att lyckas med maskininlärning så är en avgörande faktor att man har förberett en enhetlig och välgenomtänkt plan för arbetet först. Innan man sätter igång med arbetet så bör man ha en grundlig förståelse för vilka algoritmer som man ska använda i relation till den typen av data som man har tillgång till.
Den mänskliga hjärnan är ett mästerverk: Maskininlärningen syftar till att härma den mänskliga hjärnan, dess funktioner och dess aktiviteter. Ibland lyckas det och ibland misslyckas det. Precis som människors reaktioner och förmågor att uträtta uppgifter baseras på kunskap som inhämtas i livet, så är algoritmerna inom maskininlärning också framtagna för att göra samma sak vilket förklarar varför och hur maskininlärning och Artificiell Intelligens till exempel kan köra bil lika bra som mänskliga förare. Än så länge så är dock maskininlärning långt ifrån att nå samma intelligensnivå som människor, och kräver fortfarande människans hjälp, stöd och utveckling.

Slutsats

Det är inte ofta det händer att människor lär sig från teknologin och drar lärdomar från teknologins utveckling istället för tvärtom, eftersom att de är produkter av människans intelligens till att börja med. Men när det kommer till maskininlärning och hur datorsystem absorberar information och data och sedan applicerar vad de har lärt sig för att lösa problem och uträtta svåra uppgifter så kan det finnas en hel del att lära sig.

Maskininlärning är ett datasystem som man matar med information och algoritmer, för att lära systemet att lösa problem på egen hand. Maskininlärning kan antingen vara övervakad eller oövervakad. Vid övervakad maskininlärning så förser man systemet både med information och underlag om problemet samt de svar som systemet behöver för att kunna ta fram en lösning. Inom oövervakad maskininlärning så är det upp till systemet själv att utvecklas och att arbeta sig fram till en lösning, och då krävs en större mängd data.

Precis som inom Artificiell Intelligens så finns det de som är skeptiska till maskininlärning och denna typ av intelligent teknik och även de som hävdar att utvecklingen av maskininlärning utgör en risk eller ett hot mot mänskligheten. Men experterna menar att det fortfarande är långt kvar för den maskininlärningen som metod att nå upp till den mänskliga intelligensnivån och att det inte finns någon anledning till att vara rädd för att maskininlärningens smarta algoritmer ska börja ta över alla jobb.