Machine learning
Machine learning, på dansk maskinlæring, er software der lærer af data i stedet for at følge faste regler. Almindelig software gør præcis det, en udvikler har skrevet. Machine learning finder selv mønstre i eksempler og bruger dem til at svare på nyt. Det er fundamentet under det meste af den AI, vi taler om i dag.
Hvordan virker machine learning?
Tænk på et spamfilter. Ingen kan skrive regler, der fanger alle svindelmails. I stedet viser man systemet tusindvis af mails. Hver mail er mærket som spam eller ikke spam. Systemet lærer mønstrene og bygger en model. Modellen kan derefter vurdere mails, den aldrig har set før.
Det er kernen i al machine learning: eksempler ind, mønstre ud, og en model der forudsiger. Jo flere og jo bedre eksempler, jo bedre bliver modellen. Uden gode data er der intet at lære af.
Hvad bruges machine learning til?
Mere end de fleste opdager. Banken bruger det til at fange svindel. Webshoppen til at anbefale varer. Vindmøllen til at melde slid, før noget knækker. I en almindelig virksomhed er de oplagte opgaver prognoser og vurderinger: Hvad skal vi have på lager? Hvilke kunder er på vej væk? Hvilke fakturaer ser forkerte ud? Og hvornår skal maskinen have service?
Fælles for dem alle: svaret gemmer sig i jeres egne historiske data.
Machine learning, deep learning og LLM
De tre ord blandes tit sammen, men de er lag i samme kage. AI er det store paraplybegreb. Machine learning er metoden, hvor software lærer af data. Deep learning er en gren af machine learning, bygget på store neurale netværk. Og en LLM er en model lavet med deep learning, specialiseret i sprog.
Sagt kort: ChatGPT er en LLM, en LLM er deep learning, og deep learning er machine learning.
Hvad kræver det at komme i gang?
Først og fremmest data. Modellen er aldrig bedre end de eksempler, den lærer af. Har I års historik i økonomi, lager eller sager, har I nok at starte på. Har I ikke, er første skridt at samle data ét sted, og det arbejde ligner det, vi kender fra business intelligence.
Og så et ærligt spørgsmål: kræver opgaven overhovedet machine learning? Mange opgaver løses bedre med klare regler og en god integration. Machine learning er værktøjet, når reglerne ikke kan skrives ned, men skal findes i data.
De typiske faldgruber
Den første er dårlige data. Fejl og huller i historikken bliver til fejl i forudsigelserne. Den anden er, at verden ændrer sig. En model trænet på gamle mønstre bliver langsomt dårligere. Den skal følges og trænes igen. Den tredje er blind tillid. En forudsigelse er et kvalificeret gæt, ikke en facitliste. Lad mennesker tage de beslutninger, der er dyre at tage forkert.
Hvad betyder det for jeres forretning?
I skal ikke ansætte forskere for at få gavn af machine learning. I skal finde de beslutninger, hvor et godt gæt på forhånd sparer penge, og hvor svaret ligger i jeres egne tal. Det er en forretningsvurdering, før det er teknik.
Vi hjælper med at vurdere, om opgaven kalder på machine learning. Nogle gange er svaret sunde regler og et bedre datagrundlag. Og vælger I at gå i gang, bygger vi løsningen ind i de systemer, I allerede har. Gevinsten skal kunne ses på bundlinjen, ellers siger vi det.