Kan maskinlæring løse alle problemer?

For ikke veldig mange år siden skulle “alle” ha en app. Få hadde tanker om hva appen skulle gjøre eller hvilke behov den skulle løse, men de fleste bedrifter, store som små, var enige om at de trengte minst én app. Heldigvis er den tiden forbi.

Apper ble mer og mer vanlige, det ble gjort forskning på nytten av å ha en app, og flere ildsjeler kastet seg inn i diskusjonen. Når den første hypen hadde lagt seg, ble det konsensus om at apper ikke nødvendigvis løser alle problemer. Noen ganger kan en responsiv nettside være å foretrekke.

Hva som er den beste løsningen bør styres ut fra de behovene en løsning skal forsøke å dekke.

De siste årene har det vært mye snakk om kunstig intelligens og maskinlæring. De fleste bedrifter, store som små, er enige om at de trenger maskinlæring. Få har tanker om hva det skal brukes til eller hvilke utfordringer de ønsker at maskinlæringen skal løse, men de trenger maskinlæring.

I dette innlegget ønsker vi at du og din bedrift kan forstå hva maskinlæring kan brukes til, i hvilke tilfeller det er suverent, samt når det ikke bør brukes.

Les mer: Maskinlæring – artificial intelligence og predictive analytics

Denne artikkelen ble først publisert i 2017.

Problemtyper egnet for maskinlæring

Så, hvilke problemer kan maskinlæring løse? Maskinlæringsalgoritmer kan i hovedsak brukes til to ting;

  1. Supervised learning: Å predikere hva som vil skje i fremtiden, gitt historiske data. Dette kalles veiledet læring.
  2. Unsupervised learning: Å finne mønster i data. Dette kalles ikke-veiledet læring.

Fagfeltet har mange bruksområder, blant annet innenfor helse, transport og markedsføring. En høyaktuell applikasjon av veiledet læring er klassifisering av bilder. For eksempel kan en lege i mange tilfeller si om en svulst er godartet eller ondartet ved å se på bilder av den. Dette problemet kan løses ved hjelp av maskinlæring. Ved å bruke historiske data er det mulig å lage en maskinlæringsmodell som kan  predikere om en svulst er godartet eller ondartet. Klassifisering av bilder av svulster er et arbeid som mange steder i dag gjøres manuelt. Her har maskinlæring potensiale til både å effektivisere prosessen, og å redusere feilmarginen.

Et annet godt kjent eksempel, som nok for mange virker ganske mystisk, er selvkjørende biler. De selvkjørende bilene har samlet data fra tidligere kjøreturer. I nye trafikksituasjoner vil bilen ta avgjørelser basert på erfaringer fra lignende situasjoner. Den er dermed avhengig av enorme datasett. Når avgjørelsen og utfallet av den nye trafikksituasjonen er tatt, legges dette til datasettet. På denne måten vil selvkjørende biler hele tiden forbedre seg.

Et eksempel på ikke-veiledet læring er gruppering av kunder. Like kunder vil havne i samme kundegruppe. Dette kan være nyttig dersom vi eksempelvis ønsker å gi ulike kundegrupper forskjellig oppfølging, anbefaling eller reklame.

Meld deg på gratis introduksjonskurs i maskinlæring her!

 

Forutsetninger som bør være på plass for å bruke maskinlæring

Dersom vi har et behov som faller inn under en av de to problemtypene nevnt over, kan det være aktuelt å løse det ved hjelp av maskinlæring. Det at problemet faller inn under disse gruppene er likevel ikke nok til å si med sikkerhet at den beste måten å løse problemet på er med en maskinlæringsalgoritme. Det finnes noen viktige faktorer som i tillegg bør være på plass;

  • Store mengder data: Vi bør ha store mengder god, historisk data. Hvor mye og hvilken data som trengs avhenger av problemet som skal løses.
  • Regelmotor er ikke et alternativ: Vi bør ikke bruke maskinlæring til å løse et problem dersom det er mulig å løse det ved bruk av en regelmotor.
  • Det finnes ikke etablerte algoritmer: Vi bør ikke bruke maskinlæring til å løse et problem dersom det allerede finnes etablerte algoritmer for det spesifikke problemet (eks. Shortest path). Dersom det finnes en spesifikk algoritme for å løse et gitt problem, er denne algoritmen mest sannsynlig bearbeidet og optimalisert.
  • Mange input-variabler: For å benytte maskinlæring bør vi ha mange input-variabler. Dersom vi har få input-variabler kan det ofte lønne seg å løse problemet ved bruk av en ikke-iterativ metode.

Konklusjon

La oss unngå å bruke millioner på maskinlæringsløsninger hvis det finnes bedre alternativer. Maskinlæringsalgoritmer kan være uslåelige når de brukes riktig, men enkelte faktorer som store mengder data og gode input-variabler må være på plass for å oppnå gode resultater.

 

Vil du lære mer om hvordan du kan benytte maskinlæring i dine business intelligence og analytics prosjekter?

Last ned gratis guide her