Machine learning/Maskininlärning

Vad är grejen som alla snackar om? En genomgång av maskininlärningens fördelar, nackdelar och optimala tillämpningsområden

Maskininlärning (Machine learning, ML) är en av de mest inflytelserika och kraftfulla tekniker vi har i dagens samhälle. Men som alla tekniker har det både för- och nackdelar. Förståelse för dess styrkor och svagheter är avgörande för att kunna utnyttja denna kraftfulla teknik i rätt sammanhang och på bästa sätt.

Men vad är egentligen maskininlärning?

Maskininlärning är att få maskiner att göra något som är naturligt för oss människor: att lära sig av erfarenheter (=befintlig data). Ett annat sätt att uttrycka det är att säga att den omvandlar information till kunskap. 
 
Traditionell programmering handlar oftast om att vi har data och en regel, vilket ger ett svar. T ex

Maskininlärning är i stället att vi har data och svar, och försöker hitta regeln. För att göra det, måste datorn prova olika regler och bedöma hur bra de verkar stämma - den behöver utvärdera resultaten och gå igenom en inlärningsprocess. Därav termen maskininlärning.

Styrkor/fördelar med maskininlärning

Maskininlärningsmodeller är bra på att känna igen komplexa mönster och trender och kan automatisera komplexa uppgifter och processer. Rätt använt ger det ökad produktivitet och effektivitet. Genom att enkelt kunna arbeta med mycket stora datamängder, kan ML hjälpa till att ta mer välgrundade (och därmed bättre) beslut. Maskininlärningsmodeller kan dessutom enkelt kontinuerligt anpassas och förbättras över tid, genom att exponera dem för ytterligare data - träna dem mer.
 
Tack vare dess styrka i mönsterigenkänning, kan man med hjälp av ML göra mer skräddarsydda användarupplevelser; man kan ge rekommendationer, innehåll och tjänster baserat på personliga preferenser. 
 
Ett annat viktigt användningsområde där ML fungerar bra, är prediktiv analys, dvs att ge prognoser och förutsäga framtida trender. Detta underlättar allt som har med planering att göra.

Nackdelar/utmaningar med maskininlärning

En av de största nackdelarna är att ML är så starkt beroende av kvaliteten och kvantiteten av den data som den tränas med. Biased (ej representativ) eller otillräcklig data kan leda till felaktiga förutsägelser. Detta kan tyvärr ofta vara svårt att upptäcka, vilket är en stor risk idag när det blivit så lättillgängligt. Maskininlärningsmodeller kan dessutom överanpassas till träningsdata och presterar ibland dåligt på ny, osedd data. Dessa utmaningar kräver god kunskap om både datan och själva modellen, för att kunna justera modellen till att ge korrekta resultat. 
 
En annan nackdel med ML är att det är kostsamt att implementera, eftersom insamling av (bra) data för träning och modellutveckling är tidskrävande och (återigen) kräver god kunskap.
 
Ytterligare ett problem är att maskininlärningsmodeller tyvärr förstärker befintliga biaser/snedvridningar i träningsdata, vilket utöver felaktiga förutsägelser även kan resultera i etiska problem, särskilt inom områden som rekrytering, finans och rättsväsende.
 
Maskininlärningsmodeller är också helt beroende av historisk data vilket leder till att om oförutsedda händelser inträffar eller om förändringar i underliggande mönster sker, så kommer modellen inte kunna anpassa sig till det (förrän man uppdaterar den, och tränar den på denna nya data).
 
Dessa nackdelar innebär betydande utmaningar och belyser hur viktigt det är att personen som implementerar och tränar en modell har god kunskap om området som maskinen ska lära sig och dess data, för att kunna se och förstå om resultaten är rättvisande eller ej. 

Maskininlärningens bästa områden

• Repetitiva uppgifter:
  Maskininlärning är utmärkt för att automatisera upprepande och regelbaserade uppgifter (vilket kan frigöra mänskliga resurser för mer kreativa och komplexa arbetsuppgifter)
  
  
• Stora och komplexa datasets:
  Maskininlärning presterar bäst vid arbete med stora och komplexa datamängder där mönster kan vara svårt eller omöjligt för människor att upptäcka
  
  
• Personifiering och rekommendationer:
  Maskininlärning är mycket effektivt för att ge personliga rekommendationer och upplevelser baserat på användarbeteende och preferenser
  
  
• Prediktivt underhåll:
  Maskininlärning är väl lämpad för att förutsäga när utrustning eller system sannolikt kommer att misslyckas och möjliggör proaktivt underhåll
  
  
• Naturlig språkbehandling (NLP, Natural Language Processing):
  Maskininlärning är bra på NLP-uppgifter, inklusive åsiktsanalys, språköversättning och interaktioner med människor i form av chatbots
  
  
• Bild- och taligenkänning:
  Maskininlärning är skicklig på uppgifter som bild- och taligenkänning, vilket gör det värdefullt i tillämpningar som ansiktsigenkänning och röstassistenter

Sammanfattningsvis är ML särskilt lämpat för repetitiva uppgifter och hantering av stora och komplexa datasets till bland annat personifiering och rekommendationer. Men, för att lyckas med ML krävs djup kunskap om området och dess data samt förmåga att hantera de etiska utmaningar som kan uppstå.

Är du intresserad av att veta mer om Agero, lämna dina kontaktuppgifter så hör vi av oss!

agero.se/kontakt