Introduksjon til maskinlæring

Viktige konsepter på denne siden

Kunstig intelligens er mye mer enn bare store språkmodeller, som chatGPT.
Maskinlæring er forskjellig fra vanlig programmering fordi det er to adskilte faser: treningen og bruken av modellene.

Historien om Liora og de Fire Sirklers Vei

I neonriket Cognitia, hvor data fløt som elver og stjerner summet av elektrisk kode, ønsket en lærling ved navn Liora å forstå hvordan maskiner kunne tenke. Hun oppsøkte sin mentor, den eldgamle meka-vismannen Varen, hvis øyne flimret av kvantelys. «For å forstå maskinsinn, barn, må du gå de Fire Sirklers Vei.»

Sirkel En: Kunstig Intelligens

De klatret opp marmortrappene til et enormt observatorium fylt med glødende kuler. «Dette,» sa Varen, «er Sirkelen for Kunstig Intelligens – kunsten å få maskiner til å handle fornuftig. Noen følger regler, andre etterligner, noen planlegger eller er visjonære. Alle hører til her. Det er hele kosmoset av maskintenkning.»

Sirkel Fire: Store språkmodeller

Til slutt gikk de inn i et kammer av hviskende stemmer – uendelige setninger vevd i lysende strømmer. «Her,» sa Varen, «er de store språkmodellene. De tilhører den delen av dyplæringen som skaper i stedet for bare å analysere. Dette er generativ AI. Fra data kommer uttrykk, fra mønstre kommer dialog.» Liora så på den glitrende teksten som strømmet ut i uendeligheten. «Så sirklene er nøstet i hverandre,» sa hun mykt. «KI inneholder maskinlæring, maskinlæring inneholder dyplæring, og dyplæring gir opphav til generativ AI.»

Kunstig intelligens: Feltet for å skape maskiner som kan utføre oppgaver som krever menneskelignende intelligens, som resonnering, persepsjon og problemløsning.
Maskinlæring: En underkategori av KI som gjør det mulig for systemer å lære mønstre fra data og forbedre ytelsen sin uten å være eksplisitt programmert for det.
Dyplæring: En gren av maskinlæring som bruker flerlags nevrale nettverk for automatisk å trekke ut komplekse mønstre fra store mengder data.
Store språkmodeller: Dyplæringsmodeller trent på massive tekstdatasett for å forstå, generere og manipulere menneskelig språk.

MODELL: Programmerere håndlager nøyaktige instruksjoner og regler for datamaskinen å følge, f.eks. reglene for stein-saks-papir, og hvordan programmet velger sitt trekk i spillet.
Når du bruker programmet, taster du inn trekket ditt, f.eks. "stein" (= INPUT) og programmet velger så et trekk, f.eks. tilfeldig "saks" og beregner resultatet i henhold til reglene - "Du vinner!" (= OUTPUT).

En eksisterende modell (utrent) får store mengder både INPUT og OUTPUT som passer sammen, f.eks. inndata: "stein" mot "saks" gir som utdata (OUTPUT): "Du vinner!".
Denne treningsprosessen endrer litt på den eksisterende modellen, som nå er trent til å spille stein-saks-papir. Treningen utføres vanligvis av store KI-selskaper med mye ressurser og tid.
Når modellen er ferdig trent og publisert, kan du bruke den, f.eks. spille så mange runder du vil. Den kan bare bruke det den lærte i treningsfasen og endrer seg ikke ut fra hvordan du bruker den.

Videre lesning

Det finnes mange ulike metoder for maskinlæring. En interessant en, som også er ganske visuell og relativt lett å forstå, er beslutningstreet (decision tree algorithm).
Du kan også sjekke ut de overordnede konseptene i maskinlæring: overvåket læring (supervised), uovervåket læring (unsupervised), forsterkningslæring (reinforcement learning), osv.