Maskinlæringskteknikker
For å gjøre det litt mer konkret hva vi snakker om her, la oss se på to ulike maskinlæringsteknikker. Nemlig veiledet maskinlæring, og ikke-veiledet maskinlæring.
1. Veiledet maskinlæring (supervised learning):
Her fôrer vi maskinlæringsprogrammet med både input (spørsmål) og output (svar) for at det skal trene seg på å koble riktig input med riktig output.
Vi kan eksempelvis gi det bilder av ulike dyr med navn på de ulike dyrene. Med nok trening vil det lære seg å matche riktig bilde med riktig navn. Ikke ulikt hvordan vi som barn brukte pekebøker for å lære oss ulike ord.
2. Ikke-veiledet maskinlæring (unsupervised learning):
Når vi bruker denne læringsteknikken gir vi ikke output (svaret) til maskinlæringsprogrammet. Vi har ikke kategorisert treningsdataene. I stedet vil maskinlæringsprogrammet selv se etter sammenhenger og mønster.
Under veiledet og ikke-veiledet finner vi andre former for maskinlæring som vi raskt skal nevne, men uten å gå for dypt inn på det – fordi dette raskt blir litt komplisert.
Dyp læring: Gjenkjenning ved hjelp av «nevrale nettverk».
Nevrale nettverk er algoritmer som er strukturert på en måte som er inspirert menneskehjernen. Algoritmene har hver sine spesifikke oppgaver og utveksler informasjon med hverandre ikke ulikt hvordan dette foregår med nevroner og synapser i hjernen.
Maskiner med nevrale nettverk kan blant annet trenes til å gjenkjenne mønstre, linjer, kanter, tekst eller lyder. De lærer seg å skille data fra hverandre, klassifisere, gruppere og se sammenhenger i data. I tillegg til å gjenkjenne bilder og ansikter, kan dyp læring for eksempel brukes til å tolke tale og språk.
Forsterket læring: Optimalisering av handling eller atferd, basert på belønning.
Maskinen lærer seg å optimalisere en handling, eller en atferd, basert på en form for belønning. Dette egner seg perfekt til scenarier hvor det er mange veier til mål, og hvor det ikke er gitt hvilken vei som er den beste. Vi kan se på dette som en hybrid mellom veiledet og ikke-veiledet læring, hvor maskinslæringsprogrammet lærer gjennom prøving og feiling.
Naturlig språkprosessering (NLP): Analyse og forståelse av tekst.
Forkortelsen NLP brukes relativt hyppig, og står for Natural Language Processing. Her lærer maskinen seg å trekke ut informasjon fra en tekst for å analysere og forstå teksten. Gode «modeller» (programmer) lærer seg til og med å identifisere forfatterens følelser basert på teksten. I motsetning til dyp og forsterket læring, er ikke dette en ren form for maskinlæring. Her kombineres nemlig ofte bruken av tradisjonell programmering, statistiske metoder, dype læringsalgoritmer og andre former for maskinlæringsalgoritmer.
Naturlig språkprosessering brukes blant annet i chatbots, men kan for eksempel også brukes til å analysere kontrakter og lovverk. Når vi ber Siri eller Alexa om å søke på nettet for oss, brukes dyplæring til å gjenkjenne tale. Talen oversettes til tekst, og så brukes naturlig språkprosessering til å gjennomføre søket på nett.