KI er ikke magi — slik lærer den

Av Oluwole Akinwale, Leder, Professional Services

Du har sikkert hørt folk snakke om hvordan “kunstig intelligens lærer”, men hva betyr egentlig det? Hvordan lærer maskiner i det hele tatt?

Svaret ligger i noe som kalles maskinlæring — en prosess som lærer datamaskiner å gjenkjenne mønstre, ta beslutninger og til og med forbedre seg over tid uten at man trenger å omprogrammere dem fra bunnen av.

La oss ta det på et forståelig språk.

Hva er maskinlæring?

Tenk på maskinlæring som å trene en hund. Du forklarer ikke alt med ord – du viser, belønner og gjentar. Hunden snapper opp kommandoer ved å gjenkjenne mønstre. Maskinlæring fungerer på samme måte: vi gir en datamaskin masse eksempler (data), og den lærer av dem ved hjelp av algoritmer (trinnvise instruksjoner). Etter hvert blir den bedre til å legge merke til mønstre jo mer data vi mater den med. Det er som når vi sier “øvelse gjør mester” – høres det kjent ut? La oss nå snakke om de fire hovedmåtene maskiner lærer på.

De 4 hovedtypene for maskinlæring

Vi lærer alle på vår egen måte – noen ved å lese, noen ved å se på, og hvis du ligner litt på meg, ved å brette opp ermene og gjøre det. AI-systemer er ikke så annerledes. Vi kan trene dem på følgende måter, avhengig av oppgaven vi ønsker at de skal utføre.

1. Veiledet læring

Tenk deg dette som en lærer som veileder en elev ved å vise dem eksempler på spørsmål sammen med de riktige svarene. Det er slik denne typen maskinlæring fungerer – vi trener opp KI-en ved å mate den med masse merkede eksempler, slik at den lærer hva som er riktig ved å gjenkjenne mønstre i disse svarene.

Tenk deg at vi vil at kunstig intelligens skal gjenkjenne bilder av katter og hunder. Vi går gjennom hvert bilde og merker det – “dette er en katt”, “dette er en hund”. Deretter mater vi systemet med tusenvis av disse merkede bildene. Etter å ha sett mange nok eksempler, begynner maskinen å finne ut hvordan den skal skille dem fra hverandre helt på egen hånd.

2. Uovervåket læring

Husker du de gangene foreldrene eller lærerne dine lot deg finne ut av ting på egen hånd? Jeg vedder på at du hatet det! Denne typen maskinlæring fungerer på en lignende måte.

Vi gir KI-en massevis av data, men ingen svar – den må finne ut av det selv ved å oppdage mønstre eller grupper. Vi kan for eksempel tenke: hva om vi mater den med tusenvis av kundekjøpshistorikker uten etiketter? Den kan naturlig gruppere kunder basert på deres kjøpevaner eller preferanser – en sikker glede for vennene våre i markedsføring, og selvfølgelig alle som bruker anbefalingssystemer.

3. Forsterkende læring

Som en pappa til tre, minner denne meg om den tida barna mine lærte å gå. Jeg så dem falle flere ganger, men hver gang justerte de seg og falt igjen før de til slutt fikk det til.

Det handler om å eksperimentere, feile og forbedre seg. Feiltrinn er ikke tilbakeslag – de er springbrett til suksess. Dette er ikke en motivasjonstekst, så la oss gå tilbake til KI. Forsterket læring ligner på å lære gjennom prøving og feiling, men med tillegg av belønninger og straffer. Tenk deg en robot som lærer å bake en kake uten oppskrift.

Første gang kan det hende den tilsetter for mye mel eller glemmer bakepulvet. Kaken blir kompakt eller hever ikke. Neste gang justerer den seg – kanskje litt mindre mel, litt mer sukker. Med hvert forsøk lærer den av det som gikk galt, og kommer nærmere den perfekte kaken.

4. Semisupervised læring

Hmm! Denne er akkurat som din favoritt-grilltallerken, men med bare to retter: biff og sausage, kylling og lammekotelett, svinekotelett og bacon, eller fisk og reker. I semi-veiledet læring består blandingen av veiledning og gjetning.

Her tar vi i bruk veiledningen fra veiledet læring i kombinasjon med gjetningen fra uveiledet læring. Vi fôrer systemet med noe merket data (med svar) og en større mengde umerket data (uten svar).

Tenk deg at du har merket 100 medisinske bilder som enten “svulst” eller “ingen svulst”, men du har 1000 til uten merkelapper. KI kan lære av de få merkede eksemplene og deretter bruke denne læringen til å forstå resten.

Ettersom kunstig intelligens har modnet, har mer spesialiserte læringsstrategier dukket opp, som hjelper maskiner med å lære raskere, smartere og mer etisk. Jeg skal ikke kjede deg med detaljene.

La oss nå avslutte med hvorfor det er viktig å forstå maskinlæring.

Hvorfor betyr det noe?

Å forstå hvordan kunstig intelligens lærer er ikke bare teknisk prat – det påvirker hverdagen vår mer enn vi er klar over:

Personlige opplevelser
Fra Netflix-anbefalinger til Spotify-spillelisten din: Kunstig intelligens lærer hva du liker og gir deg mer av det. Jeg håper det blir mer penger på meg. 🙂

Bedre helsetjenester
Tenk på forskjellen det ville gjort for livene våre hvis vi trengte opp KI-modeller på medisinsk data slik at de kan hjelpe til med å oppdage sykdommer tidligere og foreslå mer nøyaktige behandlinger.

Smartere forretningsbeslutninger
Som bedriftseier liker jeg å forstå kundeadferd, forutsi trender og optimalisere driften. Høres ut som en brukerhistorie på et Jira-tavle. Vel, kunstig intelligens kan hjelpe med å oppfylle det kravet også.

Sikrere teknologi
Innen felt som selvkjørende biler eller svindelpåvisning avgjør hvordan en KI trenes opp, hvor godt den kan oppdage fare eller uvanlig aktivitet.

Etisk ansvar
Dette brenner jeg for. Å forstå hvordan KI trenes opp, hjelper oss å stille de rette spørsmålene om personvern, rettferdighet og bias, noe som vil angå oss alle.

Kort sagt: Jo bedre vi forstår hvordan KI lærer, desto bedre kan vi forme hvordan den fungerer for oss – og med oss.