Introduktion till maskininlärning

Maskininlärning betyder helt enkelt att en maskin imiterar den mänskliga inlärningen genom att analysera data, för att sedan använda denna information och kunskap för att leverera ett visst resultat. Google är ett ypperligt exempel där maskininlärning används i stora mängder för att kunna leverera så bra resultat som möjligt. Maskininlärning används inom många olika områden, t.ex. vid automatiska översättningar, AI chattbottar och mycket mer. Maskininlärning förlitar sig på neurala nätverk som en beräkningsmodell för att känna igen mönster.

Denna typ av metod hittas i många delar av samhället, inte minst hos de företag som bedriver verksamhet på internet.

Det finns många olika anledningar för varför maskininlärning är viktigt, men den största är det faktum att en maskin kan hantera betydligt mer data än en människa, men även oerhört mycket snabbare. Därmed kan vi med hjälp av maskininlärning få möjlighet till en helt annan typ av teknik än vad som tidigare var möjligt, något som kan förbättra många aspekter av samhället, inte minst sjukvården. Maskininlärning är också viktigt för utvecklingen av smarta städer.

Det finns olika typer av maskininlärning, exempelvis:

Vid övervakad inlärning får en algoritm en uppsättning med källdata och relaterade måldata så att den kan tränas att göra förutsägelser. Detta kan t.ex. vara en bild eller text. Efter att algoritmen analyserat data, upptäcker den ett mönster och lär sig gradvis hur man korrelerar källdata till måldata. Efter detta steg kan den agera självständigt, men fortsätter även att upptäcka nya mönster i takt med att den analyserar den data som kommer in.

Oövervakade inlärningsalgoritmer behöver inte mänskligt ingripande eftersom de själva kan hitta mönster i data. Denna förmåga gör att de kan utföra mer komplexa och mångsidiga uppgifter än övervakade inlärningsalgoritmer.

Men oövervakade inlärningsalgoritmer är mindre exakta. Det finns helt enkelt inga rätt klasser och deras huvudsakliga uppgift är att hitta mönster eller struktur i datan.

Halvt övervakad inlärning är en blandning av de två ovanstående alternativen. Här används både märkt och icke märkt data när modellen ska lära sig av datan.

Det finns flera tillfällen där denna metod är bäst, t.ex. när det inte finns tillräckligt med data för att algoritmen ska lära sig på egen hand.

I den sista metoden används belöningar och straff baserat på modellens handlingar. Det är även upp till modellen att ta reda på hur den ska göra för att få belöningar.

Den här metoden används ofta till lite mer avancerade problem där det är gynnsamt att algoritmen får testa olika metoder för att hitta det sätt där belöningen maximeras.

Maskininlärning används till många olika syften i samhället. Företag som Google använder maskininlärning för att du som användare ska få en så bra och skräddarsydd upplevelse som möjligt, utan att de behöver göra manuella ändringar.

Här finns en algoritm eller modell som agerar utifrån den data den får in och skickar sedan ut data baserat på den information den får. Därmed kommer den att kunna ta bättre beslut över tid i takt med att den får mer information och kan lära sig.

Algoritmerna kan självklart vara olika avancerade. Vissa är väldigt komplexa, t.ex. de som hittas hos stora företag som Google, medan mindre aktörer använder lite mindre komplexa alternativ.

Det finns många företag och organisationer som har stor nytta av maskininlärning, allt från banker och andra finansiella institutioner till myndigheter, sjukhus, butikskedjor, transportföretag och teknikföretag.

Alla organisationer som har möjlighet att analysera data för att förbättra sina tjänster och produkter, kommer onekligen ha stor nytta av maskininlärning på ett eller annat sätt.

Maskininlärning kan t.ex. användas för att möjliggöra användning av biometriska uppgifter, men även för att se till att du får rätt resultat hos streamingtjänster, eller att du får rätt vård när du är sjuk.

Maskininlärning, djupinlärning och artificiell intelligens är inte samma sak, även om de har en hel del gemensamt. AI är ett koncept där maskiner kan simulera mänskligt beteende och tankesätt, medan maskininlärning betyder att maskiner kan lära sig olika mönster och lösa eventuella problem.

Djupinlärning är dock ett försök att efterlikna de mänskliga nervcellerna för att på så sätt skapa ett system som kan ta beslut på egen hand, därmed går det att argumentera för att djupinlärning är en del av maskininlärning, men aningen mer avancerad.

Det finns en del möjliga problem med maskininlärning, t.ex. att den kan användas för att underlätta identitetsstöld. Nedanstående är några av de viktigaste punkterna:

Maskininlärning kan användas till många bra syften, men kan självklart även användas till dåliga, t.ex. överdriven övervakning. Här kan övervakningssystem använda maskininlärning för att känna igen människors ansikten, vilket självklart bidrar med en hel del nackdelar för människans integritet.

Än så länge är lagarna inte tillräckliga för dessa metoder och tekniker med tanke på att konceptet är relativt nytt ute i samhället, därmed finns det en rejäl avsaknad av transparens. Vi vet helt enkelt inte vad företagen sysslar med, vilket gör att maskininlärning och liknande teknologier kan användas för bedrägliga syften.

Större företag har mer pengar och kompetens att utveckla dessa teknologier, vilket ger dem ett stort övertag över de företag som inte riktigt har samma möjligheter. Resultatet blir en ojämn maktfördelning som skapar obalans på marknaden.

All information som sparas om dig online kan förbättra din upplevelse, men vissa företag eller organisationer kan även använda den till saker som du inte nödvändigtvis är okej med. Detta skapar integritetsproblem, inte minst när företaget använder maskininlärning för att lära sig mer om dig.