Machine Learning handlar om att hitta mönster i data med hjälp av olika metoder. Dessa delas ofta in i två huvudkategorier: supervised och unsupervised learning. Men vad är skillnaden mellan dem?

Vad är supervised learning?

Supervised learning hanterar data som är märkt på något sätt, exempelvis:

• Huspriser baserat på yta och läge
• E-postmeddelanden som är märkta som spam/icke-spam.

I supervised learning handlar det om att förutspå märkningen från datat. I våra exempel skulle det betyda:

• Förutspå ett bostadspris givet endast ytan och adressen.
• Identifiera spam-mejl baserat på innehåll.

Vad är unsupervised learning?

Unsupervised learning hanterar i stället data som saknar märkning – kanske är det bara en samling omärkta bilder, till exempel. I unsupervised learning handlar det istället om att identifiera dolda mönster inom datat och gruppera (klustra). Några exempel:

• Identifiera olika segment inom ett företags kunder.
• Upptäcka avvikande transaktioner hos en bank.

Varför spelar supervised och unsupervised learning roll?

När man implementerar AI i sin verksamhet måste man ha koll på skillnaden mellan supervised och unsupervised learning, och hur de kan användas. Med supervised learning kan man till exempel förutsäga priser, bedöma risker och automatisera beslut. Med unsupervised learning kan man hitta mönster som annars hade missats: kundsegment du inte visste fanns, ovanliga transaktioner eller beteenden som sticker ut. Tillsammans lägger de grunden för smartare beslut, effektivare processer och nya sätt att skapa konkurrenskraft.

Ett konkret exempel

Låt oss förtydliga skillnaden med ett exempel. Anta att du har en samling på bilder av djur. För enkelhetens skull tar vi två väldigt olika djur: katter och elefanter. Hur skiljer sig supervised och unsupervised learning på det här datat?

Supervised learning

I supervised learning skulle man kanske vilja träna en modell som särskiljer elefanter från katter. Det gör man så här:

1. Märk upp alla bilder med antingen “katt” eller “elefant”.
2. Utveckla en modell
3. Träna den på bilderna
4. Använd modellen för att kategorisera helt nya bilder.

Unsupervised learning

I unsupervised learning vet man kanske inte vad det är för bilder, men vill ändå hitta mönster i dem. En lämplig modell kanske upptäcker att bilderna hamnar i två kategorier:

• Kategori A: Har alltid något spetsigt i sig.
• Kategori B: Har alltid runda och fladdriga former.

Du kanske har gissat att kategori A motsvarar kattöron och kategori B motsvarar elefantöron, men det kan inte modellen veta! Modellen kan endast berätta om en bild tillhör kategori A eller B – det blir sedan upp till dig att tolka att A är katter och B är elefanter.

Vilken metod är bäst?

Det beror helt på användningsområdet och ditt data. Några bra frågor att ställa sig kan vara:

• Vad har jag för data?
  • Är den redan märkt vill du nog använda supervised learning.
  • Annars behöver du kanske unsupervised learning.
• Vad behöver jag göra?
  • Vet du exakt vad du letar efter behöver du supervised learning.
  • Letar du efter struktur du inte själv vet om behöver du unsupervised learning.