Hvad betyder Machine learning?
Machine learning, på dansk maskinlæring, er en del af kunstig intelligens. I stedet for at beskrive hver beslutning med en håndskrevet regel tilpasser man en model ud fra eksempler. Modellen kan eksempelvis lære sammenhængen mellem en vares tidligere salg, sæson og kommende efterspørgsel.
Det, der bliver lært, er en matematisk sammenhæng. Modellen får ikke automatisk forståelse for virksomhedens mål, og den ved ikke, om dataene beskriver en ønskværdig arbejdsgang. Hvis gamle registreringer indeholder systematiske fejl, kan de blive en del af modellens mønster.
Maskinlæring dækker flere tilgange. Supervised learning bruger eksempler med kendte svar. Unsupervised learning leder efter struktur uden et facit til hvert eksempel. Reinforcement learning lærer gennem handlinger og belønning. Generative modeller kan skabe indhold, men mange nyttige ML-løsninger producerer blot et tal, en kategori eller en prioriteret liste.
Fra eksempler til en beslutning
Et projekt begynder med at definere det resultat, modellen skal levere, og de oplysninger der faktisk er til rådighed på beslutningstidspunktet. Derefter udvælges træningsdata, mens andre observationer holdes tilbage til validering og test. En model, der klarer gamle eksempler, er først interessant, når den også fungerer på nye.
Sammenlign med en enkel reference: et gennemsnit, en fast regel eller den eksisterende arbejdsgang. Det viser, om den ekstra kompleksitet giver en forbedring, som er værd at vedligeholde.
Hvornår giver maskinlæring mening?
Metoden er relevant, når opgaven gentages, der findes brugbare data, og mønstret er svært at beskrive med nogle få regler. Et system, der sender en påmindelse præcis syv dage efter en faktura, behøver normalt ingen lærende model.
Vurder også, hvem der bruger resultatet. Et efterspørgselsestimat kan være beslutningsstøtte til en indkøber, før det får lov at påvirke en ordre. Start med en afgrænset anvendelse, hvor kvalitet og fejlomkostninger kan vurderes konkret.
Et eksempel fra praksis
Forestil jer en grossist, der vil planlægge lager for reservedele. Et første forsøg kan forudsige næste uges efterspørgsel ud fra tidligere salg og kendte sæsonforhold. Indkøberen ser både modellens forslag og en simpel reference baseret på de seneste uger.
Testen måler ikke kun gennemsnitlig regnefejl. Den undersøger også, om modellen overser varer, der sjældent sælges, men er kritiske at have på lager. Først når disse situationer er forstået, aftales det, hvilke forslag der må bruges automatisk. Eksemplet beskriver en mulig pilot, ikke et dokumenteret kunderesultat.
Typiske faldgruber
- At træne og teste på de samme observationer kan give et misvisende billede af kvaliteten.
- Information, der først opstår efter beslutningen, må ikke snige sig ind i modellens input.
- En god modelscore siger ikke, om en medarbejder kan bruge resultatet i sin faktiske arbejdsgang.
Det skal I afklare
- Hvilken gentagen beslutning skal forbedres, og hvad bruger I som reference?
- Er træningsdata repræsentative for de situationer, modellen skal møde?
- Hvem vurderer fejl, ejer modellen og kan stoppe dens anvendelse?
Spørgsmål og svar
Er machine learning det samme som AI?
Nej. AI er et bredere felt. Machine learning er en familie af metoder, hvor modeller tilpasses ud fra data. Et AI-system kan også indeholde regler, søgning og almindelig software.
Skal vi selv træne en stor sprogmodel?
Som regel ikke for at komme i gang. Opgaven kan ofte løses med en eksisterende model, en mindre specialiseret model eller en regelbaseret løsning. Valget bør følge jeres data og kvalitetskrav.
Kilder og videre læsning
De tekniske begreber bygger på nedenstående kilder. Eksemplerne er illustrative og viser, hvordan I kan arbejde med emnet.
- Google: What is Machine Learning? ↗Grundprincipper og forskellige læringsformer.
- scikit-learn: Common pitfalls ↗Adskillelse af trænings- og testdata samt datalækage.