Intelligente byggeklosser

– Standard programmering er når man gir maskinen data og et sett regler, slik at den kan utføre oppgaver. Maskinlæring derimot er når maskinen skal finne ut av reglene selv. Vi gir den bare en fasit, så må den selv finne ut av reglene og metodene, sier Sara Clausen Jønvik.

Begynner med fasiten

Maskinlæring kan deles inn i to hovedkategorier, veiledet og ikke veiledet. For å forklare hvordan det fungerer helt enkelt kan man se for seg at to personer sitter med hvert sitt sett byggeklosser foran seg.

Den ene personen har bare blå klosser og den andre personen har bare gule klosser. Maskinen lærer seg hvem de forskjellige klossene hører til ved å lage egne regler. Når maskinen får et nytt sett med klosser, klarer den å sortere riktig kloss til riktig person. For å gjøre dette må maskinen forstå hva fasiten er og lage egne regler for å sortere klossene. Det er to måter å gjøre det på.

– Når man snakker om veiledet læring, kan man se for seg to personer med hvert sitt sett klosser, hvor det klart er definert hvilke klosser som tilhører deg (dine er gule den andres er blå). Så lærer du algoritmen basert på de ferdig merkede klossene hva som kjennetegner mine eller dine klosser, forklarer Sara.

I ikke-veiledet vet maskinen ikke noe om klossene. Her lager den maskinen egne algoritmer som grupperer klosser som ligner på hverandre sammen, ved at den ser at et sett med klosser ligner fordi de er blå og et annet sett ligner fordi de er gule. Modellen kan gi deg et bilde på hvordan dataene henger sammen, om det er noe tydelige grupper i dataen. 

Maskinlæring i praksis

Sara Clausen Jønvik sitter sammen med et Bouvet-team i Bjørvika i Oslo. Der jobber hun på prosjekt hos Avinor, hvor de bruker en variant av maskinlæring; Deep Learning for å gjøre hverdagen enklere og mer effektiv på flyplasser rundt om i hele landet. 

– Vi bruker Deep Learning for å lage algoritmer som kan estimere hvor mange som kommer til å gå igjennom sikkerhetskontrollen på en flyplass på et bestemt tidspunkt i fremtiden. Det gjør at man kan forhindre dødtid og kø på flyplassen, sier Sara.

For å lære algoritmen hvordan den kan gjøre gode prediksjoner, mates den med data fra flere år bakover i tid. Informasjon om hvor mange fly som har gått i gitte tidsrom, hvor mange seter disse flyene har hatt og informasjon om sesong og helligdager. Den store mengden data som maskinen er matet med er avgjørende for å få gode estimater på hvor mange reisende det vil være.

Tar over verden

For mange er kunstig intelligens og maskinlæring en del av en fremtid der man aldri trenger å kjøre bil igjen, besøke leger, gå i butikker eller utføre tjenester. For noen er dette de første tegnene på at maskiner vil ta over verden.

– Det er veldig spennende å følge med på utviklingene og hvordan man kan bruke maskinlæring til å blant annet lage dype nevrale nettverk som kan etterlikne en hjerne og gi oss et unikt innblikk i data. Men jeg tror ikke det betyr at maskinene kommer til å ta over verden for det, sier Sara.