I de sidste to år har jeg arbejdet med machine learning, og det giver nogle udfordringer, fordi det for mange er et nyt, ukendt begreb. Formålet med dette blogindlæg er ikke at definere machine learning, men at komme med et konkret eksempel, der vil hjælpe dig, som ikke ved, hvad machine learning er, til at forstå, hvad machine learning kan bruges til, på en lavpraktisk, pædagogisk måde. På den måde tror jeg, at du vil forstå, hvad denne diffuse verden består af, og hvorfor det egner sig til at løse komplekse problemer.
Intro
Du kan se machine learning som en slags erstatning for, hvad mennesker ville gøre i en given situation. Mens valg for mennesker baserer sig på erfaringer, så baserer valg i machine learning sig på data. Meget data. Faktisk er det sådan, at jo mere kvalitetsdata, machine learning kan tage udgangspunkt i, jo bedre og mere korrekte beslutninger kan der tages.
Machine learning er som sådan ikke et programmeringssprog, men groft sagt en matematisk metode, der baserer sig på sandsynlighedsregning. Det er oppe i tiden, fordi regnekraften nu har nået et niveau, som gør det anvendeligt i langt flere cases end hidtil.
Eksempel
For at forklare machine learning tager jeg udgangspunkt i en simpel problemstilling, som jeg kalder ”elevator-dilemmaet” i en etageejendom med indgang i stueplan og beboelse kun på 1. etage. Problemet, der skal løses, er på overfladen simpelt: Skal elevatoren være i stuen, hvor folk kommer ind, eller skal den være på 1. etage, for at dem, der skal bruge elevatoren, skal vente kortest mulig tid?
For at uddybe nuancerne i problemstillingen kan jeg opliste et par af dem her:
– Hvis elevatoren altid starter i stuen, vil det være uhensigtsmæssigt, når alle er hjemme, mens det omvendt vil spare mest mulig tid for beboerne, hvis den altid kører til 1. etage.
– Hvad med midt på dagen, hvor folk kommer og går? Hvor skal elevatoren så være?
– Er der tidspunkter på dagen, hvor der er flest mennesker hjemme eller på arbejde?
– Hvordan tager man hensyn til, at der er rengøring hver dag?
Med machine learning kan man løse dette problem ved at give en masse kvalitetsdata til den software, som skal bestemme, hvor det er optimalt, at elevatoren skal køre til. Fx kunne en strøm af data være, at alle i ejendommen angiver, hvornår de er på arbejde, og hvornår de er hjemme (man kunne forestille sig, at deres kalendere kunne levere disse data). Et andet datainput kunne være, at det måles, hvornår folk rent faktisk bruger elevatoren. Disse data gemmes, hvorefter elevatorens endestation løbende kan justeres.
Fordelen ved machine learning er, at der er mulighed for løbende at blive klogere og dermed optimere den måde, folk bruger elevatoren. Det kan et stykke statisk software ikke gøre, medmindre der løbende kommer software-opdateringer.
Afslutning
Machine learning er meget mere end et elevator-dilemma, for det kan bruges til ufatteligt mange ting. Eftersom machine learning også lærer løbende, kan det være en udfordring at arbejde med machine learning, hvis ikke du har nok kvalitetsdata. Et af de vigtigste elementer i machine learning er nemlig datamængden – den skal være stor, før man kan få kvalitetsresultater.
