Hvad bruges maskinlæring til? Definition, typer og eksempler

Har du nogensinde undret dig over, hvordan Netflix foreslår præcis den serie, du har lyst til at se? Eller hvordan din telefon genkender dit ansigt i løbet af sekunder? Bag disse ting står maskinlæring — et felt inden for kunstig intelligens, hvor computere lærer af data uden at blive eksplicit programmeret til opgaven. I denne artikel får du definitionen, de fire hovedtyper og konkrete eksempler på, hvordan maskinlæring bruges i praksis.

Undersæt af AI: Maskinlæring er en del af kunstig intelligens · Primære teknikker: Neurale netværk, overvåget og ikke-overvåget læring · Fokusområder: Dataanalyse og mønstergenkendelse

Tabellen nedenfor samler de mest centrale fakta om maskinlæring på tværs af definition, typer og anvendelser.

Hvad er maskinlæring?

Maskinlæring er en delmængde af kunstig intelligens (AI), hvor computere lærer af data uden at blive eksplicit programmeret til hver enkel opgave. I modsætning til traditionel programmering, hvor regler skrives manuelt, identificerer ML-algoritmer mønstre i store datamængder og bruger dem til at træffe beslutninger eller forudsige resultater.

Definition i simple ord

Tænk på maskinlæring som en studerende, der lærer ved at læse mange eksempler. Jo flere eksempler algoritmen ser, desto bedre bliver den til at genkende mønstre — præcis ligesom et barn lærer at genkende hunde ved at se mange forskellige hunde.

Relation til AI

Maskinlæring er altså ikke det samme som kunstig intelligens generelt — det er et undersæt. Mens AI omfatter alt fra talegenkendelse til robotik, fokuserer ML specifikt på, hvordan systemer kan forbedre deres præstation gennem erfaring og data. Dyb læring, som driver moderne avancerede modeller, er selv et undersæt af maskinlæring med mere komplekse neurale netværk (Adding Value).

Hvad bruges maskinlæring til?

Maskinlæring anvendes i dag overalt — fra de apps vi bruger dagligt til avancerede industrielle processer. Det handler fundamentalt om at udtrække viden fra data og bruge den til præcise forudsigelser.

Dagligdags eksempler

Du støder på maskinlæring mange gange hver dag, ofte uden at tænke over det. Når din smartphone genkender dit ansigt for at låse op, bruger den ML (SAP). Dit spamfilter lærer af din adfærd for at sortere uønskede e-mails. Streamingtjenester som Netflix og Spotify bruger ML til at foreslå indhold baseret på, hvad du har set eller lyttet til tidligere (GPT-4).

Branche-specifikke anvendelser

I sundhedssektoren hjælper maskinlæring med at diagnosticere sygdomme fra medicinske billeder og forudsige, hvilke behandlinger der vil være mest effektive for den enkelte patient (Dagens AI). I detailhandlen personaliserer det shoppingoplevelsen og optimerer lagerbeholdning. Landbruget anvender ML til at overvåge afgrøder og øge høstudbyttet (Itucation).

Hvad er de 4 typer maskinlæring?

Der findes fire hovedkategorier af maskinlæring, og valget afhænger af, hvilken type data der er tilgængelig, og hvad man ønsker at opnå.

Overvåget læring

Ved overvåget læring trænes algoritmen med data, der allerede er mærket med det rigtige svar. Det svarer til at lære med en lærer, der fortæller, hvad der er rigtigt og forkert. Eksempler inkluderer spam-filtre og svindelopdagelse i finans (3Dfindit). Den store fordel er, at algoritmen kan blive meget præcis, når den trænes på kvalitetsdata.

Ikke-overvåget læring

Ikke-overvåget læring finder mønstre i data uden forudbestemte labels. Algoritmen grupperer data i klynger eller finder anomalier. Det bruges eksempelvis til at segmentere kunder i marketing eller opdage usædvanlige transaktioner (Dagens AI).

Semi-overvåget og forstærkende læring

Semi-overvåget læring kombinerer de to tilgange — algoritmen bruger en lille mængde mærket data sammen med en større mængde umærket data. Forstærkende læring derimod lærer gennem trial-and-error, hvor algoritmen belønnes for at træffe de rigtige beslutninger. Denne type bruges blandt andet i spil-AI og robotlæring.

Maskinlæring eksempler

Lad os se på konkrete eksempler fra virkeligheden, hvor maskinlæring gør en forskel.

Reelle verden eksempler

Netflix bruger maskinlæring til at analysere din seerhistorik og sammenligne den med millioner af andre brugere for at foreslå serier, du sandsynligvis vil kunne lide. Spotify gør noget lignende med musik. Finanssektoren anvender ML til risikovurdering, når de godkender lån, og til at opdage svindel i realtid (GPT-4).

Typer med eksempler

Inden for olie- og gasindustrien bruges maskinlæring til at forudsige forekomster og potentiale fejl i udstyr. Landbruget anvender droner med ML-syn til at overvåge afgrøders tilstand og identificere sygdomme tidligt. I kemisk industri har digitalisering med maskinlæring fundet sted siden 2000’erne ifølge en publikation fra november 2020 (Particle Tech).

Maskinlæring er nøglen til at forstå komplicerede mønstre i store mængder data.

— Itucation (uddannelsesplatform)

AI i industrien understøtter optimering af produktionen, automatisering af processer og bedre udnyttelse af data.

— eShield (sikkerhedsekspert)

Det disse to citater understreger, er at maskinlæring fungerer bedst, hvor mængden af data er stor, og hvor menneskelig analyse er for langsom eller upræcis.

Fordele ved maskinlæring

Maskinlæring giver virksomheder og organisationer mulighed for at arbejde smartere og mere effektivt.

Danske virksomheder udnytter i stigende grad maskinlæring til effektivisering og bæredygtighed i produktion. IDA har dokumenteret cases, hvor ML-teknologi har hjulpet produktionsvirksomheder med at optimere deres processer og reducere ressourceforbrug (IDA).

Relateret læsning: Machine learning eksempler og fordele

Maskinlæring finder brede anvendelser i underholdning, som AI og maskinlæring i nettcasinoer viser ved at forme fremtiden for norske online spil.

Ofte stillede spørgsmål

For danske virksomheder og enkeltpersoner er mulighederne konkrete: Virksomheder kan implementere ML til at optimere produktion og reducere omkostninger, mens privatpersoner kan udnytte personaliserede tjenester til alt fra streaming til finansiel planlægning. Maskinforordningen 2023/1230 sikrer samtidig, at nye ML-systemer overholder EU’s sikkerhedsstandarder.