Gå til indholdsfortegnelsen
Maskinindlæring, der identificerer biler

Hvad er maskinindlæring?

 

Denne webside er blevet maskinoversat for at gøre det nemmere for dig. SAP yder ingen garanti for maskinoversættelsens korrekthed eller fuldstændighed. Den originale engelske webside kan findes ved at bruge verdenskortet i øverste højre hjørne af denne side.

Maskinindlæring er et undersæt af kunstig intelligens (AI). Det er fokuseret på at undervise i computere for at lære af data og forbedre sig med erfaring – i stedet for at blive programmeret til det. I maskinindlæring uddannes algoritmer til at finde mønstre og korrelationer i store datasæt og til at træffe de bedste beslutninger og prognoser baseret på den analyse. Maskinindlæringsapplikationer forbedres ved brug og bliver mere nøjagtige, jo flere data de har adgang til. Applikationer af maskinindlæring er hele vejen rundt om os – i vores hjem, vores indkøbsvogne, vores underholdningsmedier og vores sundhedspleje.

Maskinindlæring forklaret

Hvordan er maskinindlæring relateret til AI?

Maskinindlæring – og dens komponenter i dybtliggende læring og neurale netværk – passer alle sammen som koncentriske undergrupper af AI. AI behandler data for at træffe beslutninger og prognoser. Maskinindlæringsalgoritmer gør det muligt for AI ikke kun at behandle disse data, men at bruge dem til at lære og blive klogere, uden at behøve yderligere programmering. Kunstig intelligens er overordnet for alle maskinindlæringsundersæt under den. Inden for det første undersæt er maskinindlæring. I det er dyb læring, og derefter neurale netværk inden for dette.

Diagram over AI vs. maskinindlæring

Diagram over relationen mellem AI og maskinindlæring

Hvad er et neuralt netværk?

 

Et kunstigt neuralt netværk (ANN) er modelleret på neuronerne i en biologisk hjerne. Kunstige neuroner kaldes noder og samles i flere lag, der fungerer parallelt. Når en kunstig neuron modtager et numerisk signal, behandler den den og signalerer de andre neuroner, der er forbundet med det. Som i en menneskelig hjerne resulterer neural forstærkning i forbedret mønstergenkendelse, ekspertise og overordnet læring.

 

Hvad er dyb læring?

 

Denne form for maskinindlæring kaldes "dyb", fordi den omfatter mange lag af det neurale netværk og massive mængder af komplekse og uensartede data. For at opnå dyb læring engagerer systemet sig med flere lag i netværket og udvinder i stigende grad resultater på et højere niveau. For eksempel vil et dybt læringssystem, der behandler naturbilleder og leder efter Gloriosa daisies – i første lag – genkende en plante. Da den går gennem de neurale lag, vil den så identificere en blomst, derefter en daisy, og til sidst en Gloriosa daisy. Eksempler på applikationer til dyb læring omfatter talegenkendelse, billedklassificering og farmaceutisk analyse.

Hvordan virker maskinindlæring?

Maskinindlæring består af forskellige typer maskinindlæringsmodeller ved hjælp af forskellige algoritmiske teknikker. Afhængigt af dataenes art og det ønskede resultat kan en af fire læringsmodeller anvendes: overvåget, uovervåget, halv-overvåget eller forstærket. Inden for hver af disse modeller kan der anvendes en eller flere algoritmiske teknikker – i forhold til de datasæt, der anvendes, og de tilsigtede resultater. Maskinindlæringsalgoritmer er grundlæggende designet til at klassificere ting, finde mønstre, forudsige resultater og træffe kvalificerede beslutninger. Algoritmer kan bruges en ad gangen eller kombineres for at opnå den bedst mulige nøjagtighed, når komplekse og mere uforudsigelige data er involveret. 

Diagram over, hvordan maskinindlæring fungerer

Sådan fungerer maskinindlæringsprocessen

Hvad er overvåget læring?

 

Superviseret læring er den første af fire maskinindlæringsmodeller. I overvågede læringsalgoritmer undervises maskinen ved hjælp af et eksempel. Superviserede læringsmodeller består af "input"- og "output"-datapar, hvor outputtet er markeret med den ønskede værdi. Lad os f.eks. sige, at målet er, at maskinen skal angive forskellen mellem daisier og paneler. Et binært inputdatapar inkluderer både et billede af en dagdom og et billede af en pansring. Det ønskede resultat for netop det par er at plukke daekningen, så det vil blive forhåndsidentificeret som det korrekte udfald.

 

Ved hjælp af en algoritme samler systemet alle disse træningsdata over tid og begynder at bestemme korrelative ligheder, forskelle og andre logiske punkter – indtil det kan forudsige svarene på daisy-or-pansy spørgsmål alle alene. Det svarer til at give et barn et sæt problemer med en svarnøgle og så bede dem om at vise deres arbejde og forklare deres logik. Superviserede læringsmodeller bruges i mange af de applikationer, vi interagerer med hver dag, såsom anbefalingsmotorer til produkter og trafikanalyse-apps som Waze, der forudsiger den hurtigste rute på forskellige tidspunkter af dagen.

 

Hvad er uovervåget læring?

 

Uovervåget læring er den anden af de fire maskinindlæringsmodeller. I uovervågede læringsmodeller er der ingen svarnøgle. Maskinen studerer inputdataene – hvoraf meget er ubetegnet og ustruktureret – og begynder at identificere mønstre og korrelationer ved brug af alle relevante, tilgaengelige data. På mange måder er uovervåget læring modelleret ud fra, hvordan mennesker observerer verden. Vi bruger intuition og erfaring til at gruppere tingene sammen. I takt med at vi oplever flere og flere eksempler på noget, bliver vores evne til at kategorisere og identificere det mere og mere nøjagtig. For maskiner defineres "erfaring" ved den mængde data, der indlæses og stilles til rådighed. Almindelige eksempler på uovervågede læringsapplikationer omfatter ansigtsgenkendelse, gensekvensanalyse, markedsforskning og cybersikkerhed.

 

Hvad er halv-overvåget læring?

 

Semikontrolleret læring er den tredje af fire maskinindlæringsmodeller. I en perfekt verden ville alle data være struktureret og mærket, før de blev indlæst i et system. Men da det tydeligvis ikke er muligt, bliver halv-overvåget læring en brugbar løsning, når der er enorme mængder af rå, ustrukturerede data til stede. Denne model består i at indtaste små mængder af markerede data for at øge antallet af datasæt uden etiketter. I bund og grund fungerer de markerede data for at give systemet en startende start og kan forbedre læringshastigheden og -nøjagtigheden betydeligt. En semikontrolleret læringsalgoritme instruerer maskinen i at analysere de markerede data for korrelative egenskaber, der kunne anvendes på data uden etiketter.

 

Som uddybet i dette forskningsdokument MIT Press er der dog risici forbundet med denne model, hvor fejl i de mærkede data bliver lært og replikeret af systemet. Virksomheder, der med størst succes anvender halv-overvåget læring, sikrer, at der findes protokoller for bedste praksis. Semikontrolleret læring bruges i tale- og sproganalyser, kompleks medicinsk forskning såsom proteinkategorisering og afsløring af svindel på højt niveau.

 

Hvad er videreuddannelse?

 

Forstærket læring er den fjerde maskinindlæringsmodel. Ved overvåget læring får maskinen svarnøglen og lærer ved at finde korrelationer blandt alle de korrekte resultater. Styrkelseslæringsmodellen omfatter ikke en svarnøgle, men giver snarere input til et sæt tilladte handlinger, regler og potentielle slutstater. Når algoritmens ønskede mål er fast eller binært, kan maskiner lære ved hjælp af et eksempel. Men i de tilfælde, hvor det ønskede resultat er foranderligt, skal systemet lære af erfaring og belønning. I forstærkningslæringsmodeller er "belønningen" numerisk og programmeres ind i algoritmen som noget, systemet søger at indsamle.

 

På mange måder er denne model analog til at undervise nogen i, hvordan man spiller skak. Det ville i hvert fald være umuligt at forsøge at vise dem ethvert potentielt træk. I stedet forklarer du reglerne, og de opbygger deres dygtighed gennem praksis. Belønninger kommer i form af ikke blot at vinde spillet, men også at erhverve modstanderens brikker. Applikationer til videreuddannelse omfatter automatiserede pristilbud for købere af onlinereklamer, udvikling af computerspil og børshandel med store aktier.

Maskinindlæring for virksomhed i aktion

Maskinindlæringsalgoritmer genkender mønstre og korrelationer, hvilket betyder, at de er rigtig gode til at analysere deres egen ROI. For virksomheder, der investerer i maskinindlæringsteknologier, giver denne funktion mulighed for en næsten øjeblikkelig vurdering af driftsmæssige konsekvenser. Nedenfor er blot et lille udsnit af nogle af de voksende områder af virksomhedsmaskinindlæringsapplikationer.

  • Anbefalingsmotorer: Fra 2009 til 2017 steg antallet af amerikanske husholdninger, der abonnerer på video-streamingtjenester, med 450 %. Og en artikel i magasinet Forbes i 2020 melder om endnu en spids i brugen af videostreaming på op til 70 procent. Anbefalingsmotorer har applikationer på tværs af mange detail- og indkøbsplatforme, men de kommer helt sikkert i sig selv med streaming af musik og video­ tjenester.
  • Dynamisk marketing: Generering af leads og indlejring af dem gennem salgstragten kræver evnen til at indsamle og analysere så mange kundedata som muligt. Moderne forbrugere genererer enormt mange varierede og ustrukturerede data – fra chattransskriptioner til billeduploads. Brugen af maskinindlæringsapplikationer hjælper marketingmedarbejdere med at forstå disse data – og bruge dem til at levere personaliseret marketingindhold og engagement i realtid med kunder og leads.
  • ERP og procesautomatisering: ERP-databaser indeholder brede og uensartede datasæt, som kan omfatte statistik over salgsperformance, forbrugeranmeldelser, rapporter om markedstendenser og forsyningskædestyringsrecords. Maskinindlæringsalgoritmer kan anvendes til at finde korrelationer og mønstre i sådanne data. Disse indsigter kan så bruges til at informere stort set alle forretningsområder, herunder optimere arbejdsgangene på Internet of Things (IoT)-enheder inden for netværket eller de bedste måder at automatisere gentagne eller fejlbehæftede opgaver på.
  • Prognosticeret vedligeholdelse: Moderne forsyningskæder og intelligente fabrikker gør i stigende grad brug af IoT-enheder og -maskiner samt cloud-konnektivitet på tværs af alle deres flåder og operationer. Afbrydelser og ineffektivitet kan resultere i enorme omkostninger og forstyrrelser. Når vedligeholdelses- og reparationsdata indsamles manuelt, er det næsten umuligt at forudsige potentielle problemer – endsige automatisere processer for at forudsige og forhindre dem. IoT-gateway-sensorer kan monteres på selv årtier gamle analoge maskiner, hvilket giver synlighed og effektivitet i hele forretningen.
placeholder

Kom i gang i dag

Se SAP's intelligente teknologier, herunder AI og maskinindlæring i aktion.

Maskinindlæringsudfordringer

I sin bog Spurous Correlationer påpeger dataforsker og Harvard-graduat Tyler Vigan, at “Det er ikke alle korrelationer, der indikerer en underliggende årsagsforbindelse.” For at illustrere dette inkluderer han et diagram, der viser en tilsyneladende kraftig sammenhaeng mellem margarineforbruget og skilsmisseprocenten i staten Maine. Denne hitliste skal selvfølgelig vaere en humoristisk pointe. Det er dog mere alvorligt, at maskinindlæringsapplikationer er sårbare over for både menneskelige og algoritmiske skævheder og fejl. Og på grund af deres tilbøjelighed til at lære og tilpasse sig, kan fejl og falske korrelationer hurtigt sprede og forurene resultater i det neurale netværk.

 

En yderligere udfordring kommer fra maskinindlæringsmodeller, hvor algoritmen og dens output er så komplekse, at de ikke kan forklares eller forstås af mennesker. Dette kaldes en “black box”-model, og den bringer virksomhederne i fare, når de ikke kan afgøre, hvordan og hvorfor en algoritme nåede frem til en bestemt konklusion eller beslutning.

 

I takt med at kompleksiteten af datasæt og maskinindlæringsalgoritmer øges, skal de værktøjer og ressourcer, der er til rådighed til risikostyring, heldigvis øges. De bedste virksomheder arbejder på at eliminere fejl og skævheder ved at etablere robuste og ajourførte retningslinjer for AI-styring og protokoller for bedste praksis.

placeholder

Få mest muligt ud af maskinindlæring

Følg "hurtigtlærende" i fodsporene med disse fem erfaringer.

Maskinindlæring - ofte stillede spørgsmål

Maskinindlæring er et undersæt af AI og kan ikke eksistere uden. AI bruger og behandler data til at tage beslutninger og forudsige – det er hjernen i et computerbaseret system og er den “intelligens”, der udvises af maskiner. Maskinindlæringsalgoritmer inden for AI'en samt andre AI-drevne apps gør det muligt for systemet ikke kun at behandle disse data, men at bruge dem til at udføre opgaver, lave prognoser, lære og blive klogere, uden at behøve yderligere programmering. De giver AI'en noget målorienteret at gøre med al den intelligens og data.

Ja, men man bør gribe det an som en erhvervsomfattende satsning, ikke blot en it-opgradering. De virksomheder, der har de bedste resultater med digitale transformationsprojekter, foretager en unflincherende vurdering af deres eksisterende ressourcer og færdigheder og sikrer, at de har de rette grundlæggende systemer på plads, inden de går i gang.

I forhold til maskinindlæring er data science et undersæt; det fokuserer på statistik og algoritmer, bruger regressions- og klassificeringsteknikker og fortolker og kommunikerer resultater.  Maskinindlæring fokuserer på programmering, automatisering, skalering og integration og lagring af resultater.

Maskinindlæring ser på mønstre og korrelationer; den lærer af dem og optimerer sig selv, som den går. Data mining bruges som en informationskilde til maskinindlæring. Data mining-teknikker anvender selv komplekse algoritmer og kan hjælpe med at levere bedre organiserede datasæt, som maskinindlæringsapplikationen kan bruge.

De tilsluttede neuroner med et kunstigt neuralt net kaldes noder, som er forbundet og samlet i lag. Når en node modtager et numerisk signal, signalerer den så andre relevante neuroner, som fungerer parallelt. Dyb læring bruger det neurale netværk og er "dybt", fordi det bruger meget store mængder data og engagerer sig med flere lag i det neurale netværk samtidig. 

Maskinindlæring er en blanding af flere læringsmodeller, teknikker og teknologier, som kan omfatte statistik. Statistikken fokuserer i sig selv på at bruge data til at lave prognoser og oprette modeller til analyse.

SAP Insights Newsletter

placeholder
Abonner i dag

Få nøgleindblik ved at abonnere på vores nyhedsbrev.

Yderligere læsning

Tilbage til toppen