Introduktion
🎯 Lärandemål
- Förstå skillnaden mellan traditionell programmering och maskininlärning
- Veta hur AI “tränas” istället för “programmeras”
- Förstå grundprincipen bakom neurala nätverk
- Känna till varför data är avgörande för AI:s prestanda
För att förstå hur AI fungerar måste vi börja med hur traditionella datorprogram fungerar – och varför maskininlärning är något fundamentalt annorlunda.
Traditionell programmering och maskininlärning bygger på helt olika principer. Skillnaden avgör vilka problem som överhuvudtaget går att lösa med hjälp av datorer.
Från regler till exempel: En fundamental skillnad
Traditionell programmering
En programmerare skriver exakta instruktioner:
OM temperaturen är över 25 grader
Visa "Det är varmt ute"
OM temperaturen är mellan 15-25 grader
Visa "Det är behagligt ute"
OM temperaturen är under 15 grader
Visa "Det är kallt ute"Varje regel, varje scenario måste definieras i förväg. Detta fungerar utmärkt för uppgifter med tydliga regler.
Men vissa uppgifter går inte att programmera med regler
Försök skriva exakta regler för:
- Känna igen en katt på en bild (har den päls? Spetsiga öron? Men andra djur har ju också det…)
- Avgöra om en text är positiv eller negativ (ironi komplicerar allt…)
- Avgöra om någon är arg, glad eller ledsen baserat på rösten
Det finns ingen enkel regel som alltid fungerar – för många variationer, för många nyanser. Det är här maskininlärning kommer in.
Istället för att försöka skriva regler ger vi AI-systemet tusentals eller miljontals exempel – och låter det upptäcka mönstren själv.
Maskininlärning: Lär av exempel istället för regler
Exempel: Att känna igen katter
Traditionell programmering (i princip omöjligt): “En katt har fyra ben, spetsiga öron, morrhår…” – Men hur kodar man “söt”? Hur särskiljer man katt från räv?
Maskininlärning:
- Ge AI:n 100 000 bilder av katter (märkta “katt”)
- Ge AI:n 100 000 bilder av andra djur (märkta “inte katt”)
- Låt systemet hitta mönster i pixlarna som skiljer katter från andra djur
- Testa med nya bilder systemet aldrig sett – det känner igen katter med hög precision
Ingen människa har skrivit regler. AI:n har upptäckt mönster själv genom exempel.
Hur går träningsprocessen till i praktiken? Här går vi igenom den steg för steg med ett vardagligt exempel.
Så fungerar träning: Ett konkret exempel
Uppgift: Träna en AI att skilja spam-mail från vanliga mail.
Steg 1: Samla data
Vi samlar 10 000 mail, varav 5 000 är spam och 5 000 är legitima. Varje mail är märkt – detta kallas labeled data.
Steg 2: AI:n hittar mönster
Systemet analyserar mailen och upptäcker mönster:
- Spam innehåller ofta orden “gratis”, “vinn”, “klicka här”
- Spam har oftare felstavningar
- Spam kommer oftare från okända avsändare
- Legitima mail innehåller ofta ditt namn i hälsningsfrasen
AI:n skapar en matematisk modell baserad på dessa mönster.
Steg 3: Testa på nya mail
Vi ger AI:n mail den aldrig sett förut. Den använder sin modell för att gissa: spam eller inte spam?
Steg 4: Förbättra modellen
Om AI:n gissar fel justeras modellen. Detta upprepas tills AI:n blir tillräckligt bra.
Resultat: En AI som kan klassificera nya mail utan att någon skrivit regler som “om mailet innehåller ordet ‘gratis’, märk som spam”.
Den mest kraftfulla typen av maskininlärning använder neurala nätverk – löst inspirerade av hur hjärnan fungerar.
Neurala nätverk: Inspiration från hjärnan
Hur fungerar hjärnan?
Din hjärna innehåller miljarder nervceller (neuroner) kopplade till varandra. När du ser en katt skickar vissa neuroner signaler till varandra, och tillsammans bildar de mönstret “katt”. Ju mer du ser katter, desto starkare blir dessa kopplingar.
Artificiella neurala nätverk gör något liknande – systemet består av lager av artificiella “neuroner” (matematiska funktioner) kopplade till varandra.
Förenklat exempel – bildigenkänning:
- Första lagret: Känner igen enkla detaljer (kanter, linjer, färgskillnader)
- Andra lagret: Kombinerar dessa till former (cirklar, trianglar)
- Tredje lagret: Kombinerar former till delar (öron, nos, tass)
- Sista lagret: Kombinerar delar till objekt (“detta är en katt”)
Varje lager lär sig alltmer komplexa mönster genom att kombinera resultatet från lagret innan.
Djupa neurala nätverk har många lager (därav “djup” inlärning – deep learning på engelska). Detta gör att de kan lära sig extremt komplexa mönster.
Den kanske viktigaste insikten om maskininlärning handlar inte om algoritmer eller hårdvara – utan om data.
Data är nyckeln – Garbage in, garbage out
En AI är bara så bra som den data den tränats på.
- Om du tränar en AI att känna igen hundar men bara visar bilder på golden retrievers, kanske den inte känner igen en tax eller schäfer
- Om du tränar en AI på texter fulla av felaktigheter kommer den lära sig att skriva felaktigt
- Om du tränar en AI på data med fördomar kommer AI:n lära sig fördomarna
Exempel från verkligheten:
- En AI för jobbansökningar tränad på historisk data (där de flesta chefer var män) lärde sig diskriminera mot kvinnliga sökande
- En AI tränad att känna igen ansikten på bilder av mestadels ljushyade personer fungerade sämre på personer med mörk hud
- En AI tränad på medicinska studier med mestadels manliga deltagare blev sämre på att diagnostisera kvinnors sjukdomar
Detta är inte för att AI:n är “ond” – den lär sig bara mönster från datan. Om datan är skev blir AI:n skev. Detta kallas bias (skevhet) och är ett av AI:ns största problem.
Maskininlärning är inte en enda teknik – det finns olika tillvägagångssätt beroende på vilken typ av problem som ska lösas.
Tre typer av maskininlärning
Övervakad inlärning (Supervised Learning)
AI:n lär av exempel med rätt svar.
- Ge den 10 000 bilder märkta “katt” eller “hund”
- Den lär sig skillnaden och kan sedan klassificera nya bilder
Används för: Bildigenkänning, spam-filter, diagnosstöd
Oövervakad inlärning (Unsupervised Learning)
AI:n får data utan svar och hittar mönster själv.
- Ge den 10 000 kundprofiler utan märkning
- Den hittar grupper av liknande kunder – segment du kanske inte kände till
Används för: Att hitta mönster, gruppering av kunder, anomalidetektering
Förstärkningsinlärning (Reinforcement Learning)
AI:n lär sig genom att testa och få feedback – som att träna en hund.
- Systemet provar olika saker
- Får “belöning” för bra val, “straff” för dåliga val
- Lär sig vilka handlingar som leder till bäst resultat
Används för: Spel-AI, robotik, självkörande bilar
Sammanfattning
Här samlar vi ihop de viktigaste insikterna från avsnittet innan du går vidare till quizet.
- Traditionell programmering bygger på exakta regler. Maskininlärning låter AI:n lära sig mönster från exempel istället
- AI tränas genom att få tusentals eller miljontals exempel och hitta statistiska mönster – ingen skriver regler, systemet upptäcker dem själv
- Neurala nätverk är inspirerade av hjärnan och består av lager som lär sig alltmer komplexa mönster. Deep learning innebär många lager och förmåga att lära sig extremt komplexa samband
- Data är avgörande: en AI är bara så bra som datan den tränats på – dålig eller skev data ger dålig eller skev AI (bias)