Lightspeed webhotell

Beskyttet innhold!

For å lese denne og våre øvrige sider må du tegne et årsabonnement og være logget inn.

Som abonnent/medlem får du tilgang til alt innholdet på sidene våre, og skulle sidene våre ikke leve opp til forventningene dine har vi en "Pengene tilbake garanti" du kan benytte.

Tegn abonnement!

    Denne artikkelen er del 12 av 16 artikler om Innovasjonkilder

    Denne artikkelen er del 15 av 15 artikler om Verdiskapning


Hva er maskinlæring?

Maskinlæring er som det går frem av navnet et dataprogram som lærer av dataanalyser. Litt mer akademisk kan vi si at maskinlæring er en form for kunstig intelligens som refererer til (Laurent, Chollet og Herzberg 2015, 3):

“datamaskinens evne til å lære uten å følge spesifikke, forhåndsprogrammerte instruksjoner”-

Maskinlæring vil kort forklart si å identifisere nye eller eksisterende problemstillinger og observere hvordan mennesker har løst lignende problemstillinger tidligere, for deretter å lagre løsningen og benytte analyse til å optimere løsninger til neste gang.

Vi kan dermed si at maskinlæring er en vitenskapelig disiplin som går ut på å designe og utvikle algoritmer som gjør datamaskiner i stand å lære fra og utvikle atferd basert på empiriske data. Disse empiriske dataene er normalt basert på analyser av Big data.

Algoritmer

En algoritme er:

“en presis beskrivelse av en rekke handlinger som må utføres for å løse et spesifikt problem”.

En algoritme kan med andre ord sees på som en “oppskrift” for hvordan et problem skal løses, basert på tidligere erfaring med samme problem (Russel og Norvig 1995).

Teknikk for å lære av empiriske data

I følge Russel og Norvig (1995, 527) sier at maskinlæring er en teknikk for å bygge forutsigbare modeller for beslutninger, gjennom å lage algoritmer som automatisk lære å gjenkjenne komplekse mønstre i store datasett av informasjon og gjøre intelligente beslutninger basert på disse empiriske dataene. Maskinlæring har som mål å lære fra data for å blant annet kunne forutse hendelser og utfall.

Maskinlæringen skjer ved at vi utvikler en læringsalgoritme som bruker et sett treningsdata for å utvikle eller forbedre en bestemt atferd gjennom å generalisere og finne den optimale løsningen på et problem algoritmen ikke har observert eksempler på tidligere. Dette gjennom å observere og analysere tilbakemeldingene vi får fra alle mulige atferdutfall som prøver å løse et lignende problem. For å kunne gjøre dette er maskinen avhengig av å få tilgjengelig informasjon fra tidligere lignende situasjoner og tilbakemeldinger på utfallet av den tidligere beslutningen i situasjonen.

Menneskelig interaksjon er påkrevd

Noen maskinlæringssystemer prøver å eliminere behovet for mennesker i dataanalysen, mens andre ønsker en samarbeidende tilnærming mellom menneske og maskin. Menneskelig intuisjon kan likevel ikke helt elimineres, da systemdesigneren må spesifisere hvordan data skal representeres samt hvilke mekanismer som skal brukes for å søke etter en karakterisering av data (Wikipedia).

Bruksområder for maskinlæring

Maskinlæring har mange bruksområder for alle virksomheter, uavhengig bransje.

F.eks. har alle virksomheter som sitter på store datamengder et stort potensial ved å ta i bruk maskinlæring. Ved å ta i bruk maskinlæring kan disse virksomhetene få en dypere innsikt og forståelse av dataene sine. Noe som igjen gjør det mulig for dem å utforske nye forretningsmuligheter og redusere risikoen ved beslutningalternativene.

Videre kan maskinlæring automatisere arbeid som i dag gjøres av mennesker. Ved å la maskinene gjøre jobben istedenfor mennesker effektiviseres virksomheten, samtidig som dette frigjør menneskelige ressurser som kan benyttes på andre inntektsbringende områder som maskinene enda ikke klarer å løse selv.

Det å ha en overordnet forståelse av mulighetene maskinlæring gir er viktig for alle, ikke bare for de mest teknisk virksomhetene og ikke bare for IT-avdelingen.

Deep Learning

Deep Learning er en avansert form for maskinlæring og en teknikk som lenge ble sett på som en middelmådig teknikk og et antatt feilspor i forskningen på kunstig intelligens. Men et enormt fortrinn lurte i teknikken. Deep Learning klarte nemlig å forbedre seg nesten bare ved å øke maskinkraften. Så lenge datamaskinene ble kraftigere, ble teknikken bedre. Den tid er nå et tilbakelagt kapitttel.

I februar 2016 utklasset den kunstige intelligensen til Google, kalt “Google Deep Learning”, stormesteren Lee Sedol med 4 av 5 seire i brettspillet GO. Hendelsen førte til et gisp i forskningsmiljøet. Det kompliserte brettspillet har lenge blitt sett på som en hellig gral innen kunstig intelligens fordi antall mulige kombinasjoner er astronomiske, flere enn atomer i det kjente univers (forskning.no). 

Dette er veldig ulikt hvordan IBMs Deep Blue maskin slo Gary Kasparov i sjakk i  997. Deep Blue regnet ut alle mulige løsninger og valgte den beste. I motsetning forsto Deep Learning spillet og kom med briljante uforutsette trekk, som Go-spillere forklarer som ”Guds berøring” (forskning.no).

Forskjellen på en robot som vinner i sjakk og Go er like stor som forskjellen mellom den lille gangetabellen og Einsteins relativitetsteori (forskning.no).

Å vinne i et spill som Go kan virke banalt for en utenforstående, men hendelsen er revolusjonerende. Spillet fungerte som en test på hva kunstig intelligens og Deep Learning med riktig innsats kan få til. Tilsvarende metoder vil bli brukt for å erstatte analytiske og kreative yrker, og slike har vi mange av her i Norge (forskning.no).

Kilder:

  • Laurent, Patrick, Thibault Chollet og Elsa Herzberg. 2015. “Intelligent Automation Entering The Business World”. Deloitte Inside Magasine, 1. april.
  • Russel, Stuart og Norvig Petter. 1995. Artificial intelligence – a modern approach. New
    Jersey: Prentice-Hall.
  • Wikipedia: https://no.wikipedia.org/wiki/Maskinlæring
  • Forskning.no, 2016: https://forskning.no/meninger/kronikk/2016/05/vi-blir-alle-utkonkurrert-av-kunstig-intelligens
Fant du ikke svaret? Spør redaksjonen!

Fant du ikke svaret?

Fyll ut skjemaet under hvis du har et spørsmål knyttet til denne artikkelen.

Ditt spørsmål:

Ditt navn:

E-post:

Rapporter en feil, mangel eller savn

Rapporter en feil, mangel eller et savn

Benytt skjemaet under hvis du finner en feil eller mangel i en av våre artikler. Uten tilbakemeldinger fra våre lesere er det umulig for oss å forbedre våre artikler.

Jeg ønsker å rapportere inn en:

En feilEn mangelEt savn

Angi en feil, mangel eller savn:

Ditt navn:

E-post:

Du kan også laste ned denne artikkelen og resten av artikkelserien som en e-bok Artikkelserien fortsetter under.

Topp20 artikler
Siste 20 artikler
Nye artikkelserier
Du leser nå artikkelserien: Innovasjonkilder

  Gå til neste / forrige artikkel i artikkelserien: << Kunstig intelligensØkologi – fremtidens konkurransefortrinn >>
    Andre artikler i serien er: 
  • Innovasjonkilder i jakten på den gode ideen!
  • Teknologidrevet innovasjon (teknologideterminisme)
  • Industri 4.0 – den fjerde industrielle revolusjon
  • Automatisering
  • 3D-printing
  • Tingenes Internett («Internet of Things»)
  • 5G nettverk – vil løse dagens nettverksproblemer
  • Big Data – kilde til innovasjon og konkurransefortrinn
  • Blockchain
  • Virtuell virkelighet (Virtual Reality – VR)
  • Kunstig intelligens
  • Maskinlæring
  • Økologi – fremtidens konkurransefortrinn
  • Workshop (arbeidsmøte, arbeidsseminar og arbeidsgruppe)
  • Brainstorming ( Idédugnad )
  • Foreløbig vurdering av ideen
  • Du leser nå artikkelserien: Verdiskapning

      Gå til neste / forrige artikkel i artikkelserien: << Kunstig intelligens
        Andre artikler i serien er: 
  • Verdiskapningsprosessen
  • Kjerneprosesser i verdiskapningen
  • Viktige verdiskapningsprosesser
  • Systemintegrasjon
  • Verdikonfigurasjon
  • Verdikjede
  • Horisontalt og vertikalt kjedesamarbeid og integrasjon
  • Verdiverksted
  • Verdinettverk
  • Digital verdikjede
  • Hybrid-verdikjede
  • Industri 4.0 – den fjerde industrielle revolusjon
  • Automatisering
  • Kunstig intelligens
  • Maskinlæring