Maskininlärning: alla pratar om det men vad är det?

Vad är maskininlärning?

Maskininlärning (ibland kallad ”automatisk inlärning” eller ”intelligent inlärning”) handlar, som namnet antyder, om att göra en maskin eller system kapabel att lära sig på egen hand. Detta markerar en betydande avvikelse från klassisk datorprogrammering, som bestod av att en människa gav en order och att maskinen utförde ordern. I maskininlärning kan maskinen anpassa sig till situationer och på så sätt lära sig själv. För att detta ska hända handlar det inte bara om mjukvarualgoritmer utan hårdvarukomponenter som kan hålla sig är också mycket viktiga, som TPU-chippet som Google tillkännagav under Google I/O förra veckan.

Mänsklig inblandning i programmering är inte perfekt eftersom utvecklingen av ett program (tillägg av nya regler) kan orsaka konflikter med den befintliga koden, vilket resulterar i instabilitet. Om ett system gör ”utvecklingen” på egen hand, kommer det inte att göra något dumt (i teorin…). Med det sagt utvecklas maskininlärning inom många andra områden, som vi kommer tillbaka till senare.

Vad är skillnaden mellan maskininlärning och artificiell intelligens?

Även om maskininlärning och artificiell intelligens inte är helt olika begrepp, är de inte exakt samma heller. Machine Learning kan sammanfattas som en maskins förmåga att anpassa sig till situationer och utvecklas på egen hand. På sätt och vis är det en av de processer som krävs för artificiell intelligens, som i sin tur är ett autonomt system.

Låt oss ta exemplet med en autonom bil – alltså en bil som kan gå från punkt A till punkt B i enlighet med vägkoden. Det handlar om artificiell intelligens eftersom maskinen kan anpassa sig. Hade den programmerats för att lära sig och observera för att anpassa sig till trafik eller olika situationer, då skulle detta vara maskininlärning. Om det hade programmerats att följa miljarder fördefinierade regler som förblir fixerade tills det finns en uppdatering, då skulle det ha varit artificiell intelligens utan maskininlärning.

Självklart har maskininlärning den högsta potentialen för att förbättra artificiell intelligens och det ger oss en enhet som fungerar på lång sikt.

Maskininlärning har den högsta potentialen för att förbättra artificiell intelligens

Vad är poängen med maskininlärning?

Huvudpoängen med maskininlärning är att tillåta ett datorsystem att reagera på egen hand för att skydda sig själv eller ett nätverk från cyberattacker. Det finns många fördelar med detta, bland annat att datavetare inte längre behöver vara uppkopplade vid tidpunkten för attacken för att hantera problemet. Precis som många andra moderna teknologier är maskininlärning avsedd att så småningom bli mainstream för alla att använda och inte förbli orienterad bara mot en nischpublik.

Det här är vägen som maskininlärning syftar till, och används inom olika sektorer som, som du kan föreställa dig, har mer gemensamt än vad man först kan se. Under Google I/O keynote förra veckan förklarade Google att de använder detta koncept i sin Google Foto-app. Den senare lär sig av hur du använder appen och använder självklart den data som finns på din telefon (foton, namn etc) och försöker erbjuda dig den upplevelse som den tror att du förväntar dig av den.

Googles strategi är inte begränsad till Google Photos: dess strategi är att konsolidera de flesta (eller kanske alla?) av sina tjänster. Ansiktet för denna strategi är uppenbarligen artificiell intelligens: Google Assistant. Assistenten lär sig av allt den observerar och Googles ekosystem förbättrar bara kvaliteten på tillgänglig information (och därmed potentialen för anpassning).

• Google Assistant tips och tricks: allt du behöver veta från nybörjare till expert

En intressant teknik men du ska inte bli för bekväm

”Det är frestande att avfärda föreställningen om mycket intelligenta maskiner som enbart science fiction. Men detta skulle vara ett misstag, och potentiellt vårt värsta misstag i historien. […] Tyvärr kan det också vara den sista, om vi inte lär oss hur vi ska undvika riskerna.” Detta är vad fysikern Stephen Hawking tycker om artificiell intelligens som, låt oss påminna dig, är kulmen på maskininlärning. Konsekvenserna av denna teknik är därför betydande men det är nödvändigt att hålla vissa element i vår siktlinje.

Per definition lär maskininlärning sig, så om det syftar till att lära oss om dig (som är fallet med Google), bör vi givetvis ställa oss etiska frågor och därmed komma i konflikt med modern pragmatism. Är det acceptabelt att någon (eller snarare något) kan komma åt så mycket information om oss? Som min kollega Hans-Georg påpekade får vi inte glömma att Google och flera amerikanska myndigheter (statliga departement) också har tillgång till dessa data.

En annan synvinkel att överväga är vilken påverkan detta kan ha på samhället. Som min kollega Stefan påpekade i sina intryck av Google I/O håller Google Assistant på att bli ett slags ”center”, en enda kontaktpunkt för alla dina handlingar (fråga om vägbeskrivning, beställa mat, etc.). Bortsett från konsekvensen på våra sociala interaktioner (som vi bara kommer att kunna se effekterna av på lång sikt), kan vi också överväga begreppet ”en maskin som tänker”, skulle denna teknik kunna ersätta människor? Jag menar inte detta som science fiction utan snarare ur ett professionellt perspektiv: maskiner ersätter redan människor för många uppgifter, maskininlärning kan fortsätta att driva på detta momentum. Dessutom är Google mycket medvetet om de effekter detta kommer att ha på sysselsättningen eftersom företaget även tog tillfället i akt på Google I/O för att lansera sin nya Google Jobs-tjänst, en arbetssökande portal.

Så avslutningsvis, låt oss inte glömma ett uppenbart faktum: tekniken följer reglerna för den som skapar den. Om det kan användas för gott, kan det användas för det onda. Naturligtvis lever vi inte i Terminator, ett (maskindrivet) universum, men cybernetiska konflikter kan mycket väl utvecklas på ett helt annat sätt.

Kort sagt, maskininlärningssystemet är väldigt användbart och har en lång framtid framför sig, men tidsbesparingen och ansträngningsbesparingen som följer med det bör tas lätt på.

Var tycker du att maskininlärning är mest användbar? Var kommer det att ha störst effekt? Låt oss veta dina tankar i kommentarerna nedan.