Vad är maskininlärning?
Denna webbsida har maskinöversatts för att underlätta för dig. SAP ger inga garantier angående korrektheten eller fullständigheten av maskinöversättningen. Den ursprungliga engelska webbsidan hittar du genom att använda världskartan i det övre högra hörnet på denna sida.
Maskininlärning är en delmängd av artificiell intelligens (AI). Det är fokuserat på att lära ut datorer att lära av data och att förbättra med erfarenhet – istället för att uttryckligen programmeras att göra det. Inom maskininlärning tränas algoritmer för att hitta mönster och korrelationer i stora dataset och för att fatta de bästa besluten och prognoserna utifrån den analysen. Maskininlärningsapplikationer förbättras med användning och blir mer exakta ju mer data de har åtkomst till. Tillämpningar av maskininlärning finns överallt omkring oss – i våra hem, våra kundvagnar, våra nöjesmedier och vår sjukvård.
Hur är maskininlärning relaterat till AI?
Maskininlärning – och dess komponenter i djupinlärning och neurala nätverk – passar alla som koncentriska delmängder av AI. AI bearbetar data för att fatta beslut och prognoser. Maskininlärningsalgoritmer gör det möjligt för AI att inte bara bearbeta den datan, utan att använda den för att lära sig och bli smartare, utan att behöva någon ytterligare programmering. Artificiell intelligens är föräldern till alla maskininlärningsdelmängder under den. Inom den första delmängden finns maskininlärning, inom det är djupinlärning, och sedan neurala nätverk inom det.
Diagram över relationen mellan AI och maskininlärning
Vad är ett neuralt nätverk?
Ett artificiellt neuralt nätverk (ANN) är modellerat på neuronerna i en biologisk hjärna. Artificiella neuroner kallas noder och klustras ihop i flera lager, opererar parallellt. När en artificiell neuron får en numerisk signal bearbetar den och signalerar de andra neuroner som är kopplade till den. Liksom i en mänsklig hjärna leder neurala förstärkningar till förbättrad mönsterigenkänning, expertis och övergripande lärande.
Vad är djupinlärning?
Denna typ av maskininlärning kallas ”djup” eftersom den inkluderar många lager av det neurala nätet och massiva volymer av komplexa och olikartade data. För att uppnå djupinlärning engagerar sig systemet med flera lager i nätverket och utvinner allt högre utfall. Ett djupt inlärningssystem som bearbetar naturbilder och letar efter Gloriosa daisies kommer till exempel – vid det första lagret – att känna igen en växt. När den rör sig genom neuralskikten kommer den sedan att identifiera en blomma, sedan en daisy, och slutligen en Gloriosa daisy. Exempel på tillämpningar för djupinlärning är taligenkänning, bildklassificering och farmaceutisk analys.
Hur fungerar maskininlärning?
Maskininlärning består av olika typer av maskininlärningsmodeller, med hjälp av olika algoritmiska tekniker. Beroende på uppgifternas art och önskat resultat kan en av fyra inlärningsmodeller användas: övervakad, oövervakad, halvövervakad eller förstärkning. Inom var och en av dessa modeller får en eller flera algoritmiska tekniker tillämpas – i förhållande till de dataset som används och de avsedda resultaten. Maskininlärningsalgoritmer är i grunden utformade för att klassificera saker, hitta mönster, förutsäga utfall och fatta välgrundade beslut. Algoritmer kan användas en i taget eller kombineras för att uppnå bästa möjliga noggrannhet när komplexa och mer oförutsägbara data är inblandade.
Hur maskininlärningsprocessen fungerar
Vad är övervakat lärande?
Övervakad inlärning är den första av fyra maskininlärningsmodeller. I övervakade inlärningsalgoritmer lärs maskinen ut som exempel. Övervakade utbildningsmodeller består av datapar av typen ”input” och ”output”, där utdata är märkta med önskat värde. Låt oss till exempel säga att målet är att maskinen ska visa skillnaden mellan daisies och pansies. Ett binärt indatapar inkluderar både en bild av en daisy och en bild av en pansy. Det önskade utfallet för just det paret är att plocka daisy, så det kommer att föridentifieras som det korrekta utfallet.
Genom en algoritm sammanställer systemet alla dessa träningsdata över tid och börjar fastställa korrelativa likheter, skillnader och andra logiska punkter – tills det kan förutsäga svaren på daisy-or-pansy-frågor av sig själv. Det är detsamma som att ge ett barn en uppsättning problem med en svarsnyckel, och sedan be dem att visa sitt arbete och förklara sin logik. Övervakade studiemodeller används i många av de applikationer vi interagerar med varje dag, till exempel rekommendationsmotorer för produkter och trafikanalysappar som Waze, som förutspår den snabbaste vägen vid olika tider på dygnet.
Vad är oövervakat lärande?
Oövervakad inlärning är den andra av de fyra maskininlärningsmodellerna. I oövervakade utbildningsmodeller finns ingen svarsnyckel. Maskinen studerar indata – varav en stor del är omärkt och ostrukturerad – och börjar identifiera mönster och korrelationer med hjälp av alla relevanta, tillgängliga data. På många sätt modelleras oövervakat lärande efter hur människor observerar världen. Vi använder oss av intuition och erfarenhet för att gruppera ihop saker. När vi upplever allt fler exempel på något blir vår förmåga att kategorisera och identifiera det allt mer korrekt. För maskiner definieras ”erfarenhet” av mängden data som matas in och görs tillgängliga. Vanliga exempel på oövervakade inlärningstillämpningar är ansiktsigenkänning, gensekvensanalys, marknadsforskning och cybersäkerhet.
Vad är halvövervakad utbildning?
Halvövervakad inlärning är den tredje av fyra maskininlärningsmodeller. I en perfekt värld skulle alla data struktureras och märkas innan de matas in i ett system. Men eftersom detta uppenbarligen inte är möjligt blir halvövervakat lärande en fungerande lösning när det finns stora mängder råa, ostrukturerade uppgifter. Modellen består i att mata in små mängder märkta data för att utöka mängden omärkta data. I huvudsak verkar de märkta uppgifterna för att ge systemet en löpstart och kan avsevärt förbättra inlärningshastigheten och noggrannheten. En halvövervakad inlärningsalgoritm instruerar maskinen att analysera märkta data för korrelativa egenskaper som kan tillämpas på data utan etikett.
Som utforskats ingående i detta forskningsdokument om MIT Press finns det dock risker förknippade med denna modell, där brister i de märkta uppgifterna lär sig och replikeras av systemet. Företag som mest framgångsrikt använder sig av halvövervakat lärande ser till att det finns protokoll för bästa praxis. Halvövervakat lärande används inom tal- och språkanalys, komplex medicinsk forskning som proteinkategorisering och bedrägeriupptäckt på hög nivå.
Vad är förstärkning av lärandet?
Förstärkt inlärning är den fjärde maskininlärningsmodellen. Vid övervakat lärande får maskinen svarsnyckeln och lär sig genom att hitta korrelationer bland alla korrekta utfall. Förstärkningsmodellen innehåller inte en svarsnyckel, utan anger en uppsättning tillåtna åtgärder, regler och potentiella slutstatusar. När algoritmens önskade mål är fast eller binärt kan maskiner lära sig genom exempel. Men i de fall där det önskade utfallet är mutabelt måste systemet lära sig genom erfarenhet och belöning. I förstärkande inlärningsmodeller är ”belöningen” numerisk och programmeras in i algoritmen som något som systemet försöker samla in.
På många sätt är denna modell analog till att lära någon hur man spelar schack. Visst skulle det vara omöjligt att försöka visa dem varje potentiellt drag. Istället förklarar du reglerna och de bygger upp sin skicklighet genom praktiken. Belöningar kommer i form av att inte bara vinna spelet utan även skaffa sig motståndarens pjäser. Applikationer för förstärkt lärande inkluderar automatisk prisupphandling för köpare av onlinereklam, datorspelsutveckling och börshandel med höga andelar.
Företagsmaskininlärning pågår
Maskininlärningsalgoritmer känner igen mönster och korrelationer, vilket innebär att de är mycket bra på att analysera sin egen ROI. För företag som investerar i maskininlärningsteknik möjliggör denna funktion en nästan omedelbar bedömning av den operativa effekten. Nedan visas bara ett litet urval av några av de växande områdena för företagsmaskininlärningsapplikationer.
- Rekommendationsmotorer: Från 2009 till 2017 steg antalet amerikanska hushåll som abonnerar på videostreamingtjänster med 450 procent. Och en artikel i tidningen Forbes 2020 rapporterar om ytterligare en spikning i användningssiffror för videostreaming på upp till 70 procent. Rekommendationsmotorer har tillämpningar i många detaljhandels- och shoppingplattformar, men de kommer definitivt till sin rätt med strömmande musik och videotjänster.
- Dynamisk marknadsföring: För att skapa leads och ta dem genom försäljningstratten krävs förmåga att samla in och analysera så mycket kunddata som möjligt. Moderna konsumenter genererar en enorm mängd varierad och ostrukturerad data – från chatttranskript till bilduppladdning. Användning av maskininlärningsapplikationer hjälper marknadsförare att förstå dessa data och använda dem för att leverera personligt marknadsföringsinnehåll och realtidsinteraktion med kunder och leads.
- ERP och processautomatisering: ERP-databaser innehåller breda och olikartade dataset, som kan inkludera statistik över försäljningsprestanda, kundgranskningar, marknadstrendrapporter och försörjningskedjeadministrationsposter. Maskininlärningsalgoritmer kan användas för att hitta korrelationer och mönster i sådana data. Dessa insikter kan sedan användas för att informera praktiskt taget varje verksamhetsområde, inklusive optimering av arbetsflöden för sakernas Internet (IoT)-enheter inom nätverket eller de bästa sätten att automatisera repetitiva eller felbenägna uppgifter.
- Prediktivt underhåll: Moderna försörjningskedjor och smarta fabriker använder i allt större utsträckning IoT-enheter och maskiner samt molnkonnektivitet över alla sina flottor och verksamheter. Nedbrott och ineffektivitet kan leda till enorma kostnader och störningar. När underhålls- och reparationsdata samlas in manuellt är det nästan omöjligt att förutse potentiella problem – än mindre automatisera processer för att förutse och förhindra dem. IoT gatewaysensorer kan monteras på till och med årtionden gamla analoga maskiner, vilket ger synlighet och effektivitet över hela verksamheten.
Maskininlärningsutmaningar
I sin bok Spurious CorRelations påpekar datavetaren och Harvardexaminatorn Tyler Vigan att “Alla korrelationer tyder inte på ett underliggande orsakssamband.” För att illustrera detta inkluderar han ett diagram som visar ett till synes starkt samband mellan margarinkonsumtion och skilsmässofrekvensen i delstaten Maine. Givetvis är den här listan tänkt att göra en humoristisk poäng. Men på ett allvarligare sätt är maskininlärningsapplikationer sårbara för både mänsklig och algoritmisk partiskhet och misstag. Och på grund av deras benägenhet att lära och anpassa sig kan fel och falska korrelationer snabbt sprida och förorena utfall över det neurala nätet.
Ytterligare en utmaning kommer från maskininlärningsmodeller, där algoritmen och dess output är så komplexa att de inte kan förklaras eller förstås av människor. Detta kallas ”black box”-modell och det sätter företag på spel när de inte kan avgöra hur och varför en algoritm kommit fram till en viss slutsats eller ett visst beslut.
Som tur är ökar komplexiteten hos dataset och maskininlärningsalgoritmer, så gör även de verktyg och resurser som finns för att hantera risker. De bästa företagen arbetar för att eliminera fel och partiskhet genom att upprätta robusta och uppdaterade riktlinjer för AI-styrning och protokoll för bästa praxis.
Utnyttja maskininlärning
på bästa sätt
Följ i ”snabblärarnas” fotspår med dessa fem lärdomar.
Vanliga frågor om maskininlärning
Maskininlärning är en delmängd av AI och kan inte finnas utan den. AI använder och bearbetar data för att fatta beslut och förutsägelser – det är hjärnan i ett datorbaserat system och är den “intelligens” som maskinerna ställer ut. Maskininlärningsalgoritmer inom AI, liksom andra AI-drivna appar, gör det möjligt för systemet att inte bara bearbeta dessa data, utan att använda dem för att utföra uppgifter, göra prognoser, lära sig och bli smartare, utan att behöva någon ytterligare programmering. De ger AI något målorienterat att göra med all den intelligens och data.
Ja, men det bör hanteras som en affärsmässig strävan, inte bara som en IT-uppgradering. De företag som har bäst resultat med digitala omvandlingsprojekt gör en omflackande bedömning av sina befintliga resurser och kompetensuppsättningar och ser till att de har rätt grundsystem på plats innan de sätter igång.
I förhållande till maskininlärning är datavetenskap en delmängd; den fokuserar på statistik och algoritmer, använder regressions- och klassificeringstekniker samt tolkar och kommunicerar resultat. Maskininlärning fokuserar på programmering, automatisering, skalning och att införliva och lagerhålla resultat.
Maskininlärning tittar på mönster och korrelationer, den lär sig av dem och optimerar sig som den går. Data mining används som informationskälla för maskininlärning. Data mining-tekniker använder komplexa algoritmer själva och kan hjälpa till att tillhandahålla bättre organiserade dataset för maskininlärningsapplikationen.
De anslutna neuronerna med ett artificiellt neuralt nätverk kallas noder, som är sammankopplade och kluriga i lager. När en nod tar emot en numerisk signal signalerar den sedan andra relevanta neuroner, som fungerar parallellt. Djup inlärning använder neuralnätet och är ”djup” eftersom den använder mycket stora datavolymer och engagerar sig med flera lager i neuralnätet samtidigt.
Maskininlärning är amalgam för flera inlärningsmodeller, tekniker och tekniker, som kan innehålla statistik. Statistiken fokuserar på att använda data för att göra prognoser och skapa modeller för analys.
SAP Insights nyhetsbrev
Prenumerera idag
Få viktiga insikter genom att prenumerera på vårt nyhetsbrev.