Slik lærer AI
Introduksjon
Section titled “Introduksjon”🎯 Læringsmål
- Forstå forskjellen mellom tradisjonell programmering og maskinlæring
- Vite hvordan AI “trenes” i stedet for å “programmeres”
- Forstå grunnprinsippet bak nevrale nettverk
- Kjenne til hvorfor data er avgjørende for AI-ens ytelse
For å forstå hvordan AI fungerer må vi starte med hvordan tradisjonelle datamaskinprogrammer fungerer – og hvorfor maskinlæring er noe fundamentalt annerledes.
Tradisjonell programmering og maskinlæring bygger på helt ulike prinsipper. Forskjellen avgjør hvilke problemer som i det hele tatt kan løses ved hjelp av datamaskiner.
Fra regler til eksempler: en fundamental forskjell
Tradisjonell programmering
Section titled “Tradisjonell programmering”En programmerer skriver eksakte instruksjoner:
HVIS temperaturen er over 25 grader Vis "Det er varmt ute"HVIS temperaturen er mellom 15-25 grader Vis "Det er behagelig ute"HVIS temperaturen er under 15 grader Vis "Det er kaldt ute"Hver regel, hvert scenario må defineres på forhånd. Dette fungerer utmerket for oppgaver med tydelige regler.
Men noen oppgaver lar seg ikke programmere med regler
Section titled “Men noen oppgaver lar seg ikke programmere med regler”Prøv å skrive eksakte regler for:
- Å gjenkjenne en katt på et bilde (har den pels? Spisse ører? Men andre dyr har jo også det…)
- Å avgjøre om en tekst er positiv eller negativ (ironi kompliserer alt…)
- Å avgjøre om noen er sint, glad eller lei seg basert på stemmen
Det finnes ingen enkel regel som alltid fungerer – for mange variasjoner, for mange nyanser. Det er her maskinlæring kommer inn.
I stedet for å prøve å skrive regler gir vi AI-systemet tusenvis eller millioner av eksempler – og lar det oppdage mønstrene selv.
Maskinlæring: lær av eksempler i stedet for regler
Eksempel: å gjenkjenne katter
Section titled “Eksempel: å gjenkjenne katter”Tradisjonell programmering (i praksis umulig): “En katt har fire bein, spisse ører, værhår…” – Men hvordan koder man “søt”? Hvordan skiller man katt fra rev?
Maskinlæring:
- Gi AI-en 100 000 bilder av katter (merket “katt”)
- Gi AI-en 100 000 bilder av andre dyr (merket “ikke katt”)
- La systemet finne mønstre i pikslene som skiller katter fra andre dyr
- Test med nye bilder systemet aldri har sett – det gjenkjenner katter med høy presisjon
Ingen mennesker har skrevet regler. AI-en har oppdaget mønstre selv gjennom eksempler.
Hvordan foregår treningsprosessen i praksis? Her går vi gjennom den steg for steg med et hverdagslig eksempel.
Slik fungerer trening: et konkret eksempel
Oppgave: Tren en AI til å skille søppelpost fra vanlig e-post.
Steg 1: Samle data
Section titled “Steg 1: Samle data”Vi samler 10 000 e-poster, hvorav 5 000 er søppelpost og 5 000 er legitime. Hver e-post er merket – dette kalles labeled data.
Steg 2: AI-en finner mønstre
Section titled “Steg 2: AI-en finner mønstre”Systemet analyserer e-postene og oppdager mønstre:
- Søppelpost inneholder ofte ordene “gratis”, “vinn”, “klikk her”
- Søppelpost har oftere stavefeil
- Søppelpost kommer oftere fra ukjente avsendere
- Legitime e-poster inneholder ofte navnet ditt i hilsningsfrasen
AI-en lager en matematisk modell basert på disse mønstrene.
Steg 3: Test på nye e-poster
Section titled “Steg 3: Test på nye e-poster”Vi gir AI-en e-poster den aldri har sett før. Den bruker modellen sin for å gjette: søppelpost eller ikke?
Steg 4: Forbedre modellen
Section titled “Steg 4: Forbedre modellen”Hvis AI-en gjetter feil, justeres modellen. Dette gjentas til AI-en er god nok.
Resultat: En AI som kan klassifisere nye e-poster uten at noen har skrevet regler som “hvis e-posten inneholder ordet ‘gratis’, merk som søppelpost”.
Den kraftigste typen maskinlæring bruker nevrale nettverk – løst inspirert av hvordan hjernen fungerer.
Nevrale nettverk: inspirasjon fra hjernen
Hvordan fungerer hjernen?
Section titled “Hvordan fungerer hjernen?”Hjernen din inneholder milliarder av nerveceller (nevroner) koblet til hverandre. Når du ser en katt sender visse nevroner signaler til hverandre, og sammen danner de mønsteret “katt”. Jo mer du ser katter, desto sterkere blir disse koblingene.
Kunstige nevrale nettverk gjør noe lignende – systemet består av lag av kunstige “nevroner” (matematiske funksjoner) koblet til hverandre.
Forenklet eksempel – bildegjenkjenning:
Section titled “Forenklet eksempel – bildegjenkjenning:”- Første lag: Gjenkjenner enkle detaljer (kanter, linjer, fargeforskjeller)
- Andre lag: Kombinerer disse til former (sirkler, trekanter)
- Tredje lag: Kombinerer former til deler (ører, nese, pote)
- Siste lag: Kombinerer deler til objekter (“dette er en katt”)
Hvert lag lærer stadig mer komplekse mønstre ved å kombinere resultatet fra laget før.
Dype nevrale nettverk har mange lag (derav “dyp” læring – deep learning på engelsk). Dette gjør at de kan lære ekstremt komplekse mønstre.
Den kanskje viktigste innsikten om maskinlæring handler ikke om algoritmer eller maskinvare – men om data.
Data er nøkkelen – Garbage in, garbage out
En AI er bare så god som dataene den er trent på.
- Hvis du trener en AI til å gjenkjenne hunder men bare viser bilder av golden retrievere, klarer den kanskje ikke å gjenkjenne en dachs eller schäfer
- Hvis du trener en AI på tekster fulle av feil, lærer den å skrive feil
- Hvis du trener en AI på data med fordommer, lærer AI-en fordommene
Eksempler fra virkeligheten:
Section titled “Eksempler fra virkeligheten:”- En AI for jobbsøknader trent på historiske data (der de fleste sjefer var menn) lærte å diskriminere mot kvinnelige søkere
- En AI trent til å gjenkjenne ansikter på bilder med mesteparten lyshudede personer fungerte dårligere for mørkere hud
- En AI trent på medisinske studier med mesteparten mannlige deltakere ble dårligere til å diagnostisere kvinnesykdommer
Dette er ikke fordi AI-en er “ond” – den lærer bare mønstre fra dataene. Hvis dataene er skjeve blir AI-en skjev. Dette kalles bias (skjevhet) og er ett av AI-ens største problemer.
Maskinlæring er ikke én enkelt teknikk – det finnes ulike tilnærminger avhengig av hvilken type problem som skal løses.
Tre typer maskinlæring
Overvåket læring (Supervised Learning)
Section titled “Overvåket læring (Supervised Learning)”AI-en lærer av eksempler med riktige svar.
- Gi den 10 000 bilder merket “katt” eller “hund”
- Den lærer forskjellen og kan deretter klassifisere nye bilder
Brukes til: bildegjenkjenning, søppelpostfilter, diagnosestøtte
Uovervåket læring (Unsupervised Learning)
Section titled “Uovervåket læring (Unsupervised Learning)”AI-en får data uten svar og finner mønstre selv.
- Gi den 10 000 kundeprofiler uten merking
- Den finner grupper av lignende kunder – segmenter du kanskje ikke kjente til
Brukes til: å finne mønstre, kundesegmentering, anomalideteksjon
Forsterkningslæring (Reinforcement Learning)
Section titled “Forsterkningslæring (Reinforcement Learning)”AI-en lærer ved å prøve og få tilbakemelding – som å trene en hund.
- Systemet prøver ulike ting
- Får “belønning” for gode valg, “straff” for dårlige valg
- Lærer hvilke handlinger som fører til best resultat
Brukes til: spill-AI, robotikk, selvkjørende biler
Oppsummering
Section titled “Oppsummering”Her samler vi de viktigste innsiktene fra avsnittet før du går videre til quizen.
- Tradisjonell programmering bygger på eksakte regler. Maskinlæring lar AI-en lære mønstre fra eksempler i stedet
- AI trenes ved å få tusenvis eller millioner av eksempler og finne statistiske mønstre – ingen skriver regler, systemet oppdager dem selv
- Nevrale nettverk er inspirert av hjernen og består av lag som lærer stadig mer komplekse mønstre. Deep learning innebærer mange lag og evne til å lære ekstremt komplekse sammenhenger
- Data er avgjørende: en AI er bare så god som dataene den er trent på – dårlige eller skjeve data gir dårlig eller skjev AI (bias)
Test kunnskapen din
4 spørsmål · 100 % riktige for å bestå · Gå gjennom svar når du er ferdig