Hur fungerar maskininlärning?
Maskininlärning är en banbrytande teknik för att lösa problem med datorer. Men hur fungerar det egentligen? I denna text kommer du få lära om maskininlärning och hur det skiljer sig från vanliga program och IT-system.
Digitalisering av processer
Maskininlärning dyker upp när man vill digitalisera processer och beslutsfattande. Låt oss ta ett exempel för att se hur det kan gå till.
Tänk dig till exempel en bank som ger bolån. I den här banken granskas alla ansökningar manuellt av en människa, innan man ger ett ränteförslag. Kunderna tycker processen är för långsam, så nu vill man ta hjälp av datorer. Hur kan de göra det?
Regelbaserad programmering
Ett sätt är med klassiska datorprogram. I sådana program behandlas data med förutbestämda procedurer och regler, vilket leder till benämningen regelbaserad programmering. I bankens fall skulle man då behöva identifiera alla relevanta faktorer i en ansökan samt hur de kombineras för att räkna fram ett ränteförslag.
Vad är begränsningen med regelbaserad programmering? Jo, svårigheten att definiera alla regler! Sambanden mellan olika faktorer kan vara mycket komplexa. Det är svårt att identifiera alla undantag och ”randfall” som kan uppstå och hantera dem korrekt. Regelbaserade program följer sina instruktioner strikt – om reglerna inte är perfekta blir inte heller svaren tillförlitliga.
Maskininlärning
En alternativ lösning är maskininlärning. Med maskininlärning använder man data och matematiska modeller för att hitta mönster och göra förutsägelser. Om banken vill använda maskininlärning kan de till exempel:
- Samla ihop data från tidigare ränteförslag, fall för fall.
- Skapa en matematisk modell som kan beräkna en ränta utifrån alla parametrar.
- Anpassa modellen till datan, en process som kallas träning.
- Utvärdera modellen.
- Använda den om den är tillräckligt bra.
Till skillnad från regelbaserad programmering behöver du inte explicit berätta för modellen hur den ska lösa uppgiften. Allt du behöver ge är data – sedan identifierar träningsprocessen mönstren som krävs för ditt specifika användningsområde. Detta skifte av fokus från manuella regler till data är det som gör maskininlärning banbrytande.
Vilken metod ska jag välja?
Beroende på vilket problem man vill lösa kan olika metoder vara lämpliga.
- Regelbaserad programmering lämpar sig väl när processen har få och tydliga regler.
- Maskininlärning är ofta rätt lösning när sambanden är för komplicerade för att beskrivas med enkla regler och man måste arbeta datadrivet.
Det är viktigt att komma ihåg att maskininlärning inte alltid är den bästa lösningen. För att träna en modell behövs högkvalitativt data, gärna i stora mängder, och det finns inte alltid tillgängligt. I enkla fall där regelbaserad programmering är lämpliga kan en maskininlärningsmodell vara onödigt svår att både ta fram och underhålla. Det är viktigt att göra en noggrann avvägning beroende på ens egna läge.
