Machine learning explained: how AI actually learns (Without the bs)
Din mors opskriftsbog
Lad mig fortælle dig om min mor. Hun laver den bedste æbletærte, jeg nogensinde har smagt. Helt perfekt. Hver eneste gang.
Sagen er den: hun har aldrig brugt en opskrift. Ikke en eneste gang. Hun har lavet den tærte i 40 år. Hun ved bare, hvad der virker.
Hvordan lærte hun det?
Hun startede med sin mors opskrift. Første tærte? Helt ok. Anden tærte? Hun tilsatte lidt mere kanel, fordi den første var for kedelig. Tredje tærte? Mindre sukker, fordi den anden var for sød. Fjerde tærte? Mere smør i dejen, fordi den var for tør.
År efter år, tærte efter tærte, justerede hun. Lagde mærke til mønstre. "Når æblerne er for syrlige, tilsæt mere sukker. Når de er søde, tilsæt mindre. Hvis det er fugtigt, brug mindre vand i dejen. Hvis det er tørt, brug mere."
Hun lærte af erfaring. Af feedback. Af at lave hundredvis af tærter og lægge mærke til, hvad der virkede, og hvad der ikke gjorde.
Det er præcis sådan, maskinlæring fungerer. Bortset fra at det i stedet for at lave tærter er computere, der laver forudsigelser. Og i stedet for 40 år gør de det på et par timer.
Lad mig vise dig hvordan.
Hvad "læring" faktisk betyder (for maskiner)
Når folk siger, at en computer har "lært" noget, mener de ikke, at den har forstået det. De mener, at den er blevet bedre til en opgave gennem øvelse.
Min mor forstod ikke kemien bag, hvordan smør gør dejen sprød. Hun vidste bare, at det gjorde den. Hun fandt et mønster: mere smør giver sprødere dej. Det er læring.
Computere gør det samme, men med data i stedet for tærter.
Lad mig give dig et konkret eksempel, du møder hver dag: din e-mails spamfilter.
Den gamle måde (før læring)
Manuelle regler, der hele tiden gik i stykker
Nogen skulle skrive regler: "Hvis e-mailen siger 'nigeriansk prins', er det spam. Hvis den siger 'Du har vundet i lotteriet', er det spam. Hvis den har mere end 10 udråbstegn, er det spam."
Problemet? Spammerne tilpassede sig. De begyndte at skrive "N1geriansk pr1ns" eller "L0tteri." Reglerne gik i stykker. Nogen skulle manuelt skrive nye regler. Igen og igen. For evigt.
Den nye måde (med læring)
Computeren finder selv sine mønstre
Du viser computeren 10.000 e-mails. "Disse 5.000 er spam. Disse 5.000 er ægte." Computeren kigger på dem og finder mønstre, du aldrig bad den om at lede efter:
- → Spam-e-mails har ofte bestemte ord sammen
- → De kommer fra bestemte typer e-mailadresser
- → De har usædvanlige tegnsætningsmønstre
- → Linkene i dem ser mistænkelige ud på bestemte måder
Når spammere nu ændrer taktik, viser du bare computeren nye eksempler på spam. Den finder nye mønstre. Ingen grund til at skrive nye regler manuelt.
Det er machine learning: computere, der bliver bedre til opgaver ved at finde mønstre i eksempler, ikke ved at følge regler, nogen har skrevet.
De tre måder, maskiner øver sig på
Ligesom mennesker lærer på forskellige måder, har maskiner forskellige læringsmetoder til forskellige situationer. Lad mig fortælle dig om de tre vigtigste ved hjælp af eksempler, du faktisk kan relatere til.
Læring med en lærer (superviseret læring)
Kan du huske at lære gangetabellen i skolen? Din lærer gav dig opgaver OG svarene. "Hvad er 7 gange 8?" "56." Du øvede dig, indtil du kunne svare uden at kigge.
Det er superviseret læring. Computeren får spørgsmål og svar sammen.
Eksempel: At lære en computer at genkende fotos
Du viser den 1.000 fotos. For hvert enkelt fortæller du den, hvad der er på det:
- 📷 Dette foto: Kat
- 📷 Dette foto: Hund
- 📷 Dette foto: Bil
Computeren begynder at gætte tilfældigt. I starten er gættene elendige. Derefter opdager den mønstre: "Fotos med spidse ører og knurhår er som regel katte. Fotos med hængeører og våde snuder er som regel hunde. Fotos med hjul og vinduer er som regel biler."
Den øver sig på de 1.000 fotos, indtil den bliver rigtig god. Derefter tester du den på nye fotos, den aldrig har set. Hvis den har lært mønstrene godt, genkender den dem korrekt.
Sådan genkender din telefon ansigter, sådan bruger læger AI til at opdage sygdomme på røntgenbilleder, og sådan forstår stemmeassistenter, hvad du siger.
Læring uden en lærer (ueret læring)
Forestil dig nu, at du sorterer din afdøde tantes knapsamling. Hun havde hundredvis af knapper, alle blandet sammen. Du har ingen guide. Du begynder bare at sortere dem i bunker, der giver mening for dig.
At finde mønstre på egen hånd
- → Store knapper her. Små knapper der.
- → Metalknapper i denne bunke. Plastikknapper i den bunke.
Du finder mønstre uden at nogen fortæller dig, hvad du skal kigge efter.
Det er ueret læring. Computeren leder efter mønstre uden at få at vide, hvad svaret skal være.
Eksempel: Find kundegrupper
En butik har data om 10.000 kunder: hvad de køber, hvornår de handler, og hvor meget de bruger. Ingen fortæller computeren, hvilke grupper der findes. Den kigger bare og finder mønstre:
Gruppe 1: Unge, der handler sent om aftenen, køber små beløb og kommer ofte
Gruppe 2: Familier, der handler i weekenden, køber i store mængder og kommer ugentligt
Gruppe 3: Pensionister, der handler midt på dagen på hverdage, køber bestemte varer og er meget regelmæssige
Ingen fortalte den, at disse grupper fandtes. Den fandt dem ved at lægge mærke til, hvilke kunder der opfører sig ens.
Sådan grupperer Netflix serier, du måske vil kunne lide, sådan finder svindeldetektering usædvanlige transaktioner, og sådan opdager forskere mønstre i DNA.
Læring ved at prøve sig frem (forstærkningslæring)
Kan du huske, da du lærte en hund at sidde? Du forklarer ikke, hvad det vil sige at sidde. Du siger bare "sit", og når hunden sætter sig, giver du den en godbid. Når den ikke sætter sig, ingen godbid. Hunden regner det ud: at sidde giver godbidder. Ikke at sidde giver ingen godbidder.
Det er forstærkningslæring. Prøv ting. Se, hvad der virker. Gør mere af det, der virker.
Eksempel: Lær en computer at spille skak
Computeren kender ikke reglerne i starten. Den prøver bare forskellige træk. Tilfældigt. De fleste er forfærdelige.
Men her er sagen: når den vinder et spil, siger du "godt gået". Når den taber, siger du "det virkede ikke". Den begynder at lægge mærke til:
- ✓ At flytte dronningen hertil fører ofte til sejr
- ✗ At lade kongen stå ubeskyttet fører normalt til tab
- ✓ At kontrollere midten af brættet er en fordel
Efter at have spillet millioner af spil mod sig selv bliver den rigtig, rigtig god. Ikke fordi nogen lærte den strategi. Men fordi den prøvede alt og lærte, hvad der virker.
Sådan lærte AI at slå verdensmestre i skak og Go, hvordan robotter lærer at gå, og hvordan selvkørende biler lærer at køre.
De tre læringsstile
Sådan foregår træningen i virkeligheden (Den hemmelige proces)
Okay, så computeren træner ved at kigge på eksempler. Men hvad sker der egentlig indeni? Lad mig tage dig igennem det, som om du kigger computeren over skulderen.
Trin 1: Start med vilde gæt
Som at gætte et græskars vægt
Forestil dig, at du prøver at gætte vægten på et græskar bare ved at kigge på det. Du har aldrig gjort det før, så du bare kaster et tilfældigt tal ud. "Øh... 15 pund?"
Det er præcis, hvad computeren gør. Den starter med tilfældige gæt. Helt tilfældige. Det er som at bede en nyfødt baby om at genkende farver. Gættene er elendige. Det er okay. Det er udgangspunktet.
Trin 2: Tjek, hvor meget du tager fejl
Måling af fejlen
Nu lægger du græskarret på en vægt. Det vejer faktisk 23 pund. Du ramte forkert med 8 pund. Det er din fejl.
Computeren gør det samme. Den gætter, tjekker det rigtige svar og beregner, hvor meget den tog fejl. "Jeg sagde, at dette billede var en hund. Det er faktisk en kat. Jeg tog meget fejl."
Trin 3: Justér dit næste gæt
At lære af sine fejl
Det næste græskar ligner det første. Du gætter ikke 15 pund igen. Du har lært, at græskar som dette er tungere, end du troede. Så du gætter 22 pund. Tættere på!
Computeren gør præcis det. Den justerer sin gættemetode ud fra sine fejl. "Jeg blev ved med at gætte 'hund', når jeg så hængeører, men jeg tog fejl. Lad mig også være mere opmærksom på andre kendetegn."
Trin 4: Gentag tusindvis af gange
Øvelse gør mester
Hvis du gættede vægten på 1.000 græskar og tjekkede vægten hver gang, ville du blive ret god til det. Du ville opdage mønstre: "Store, runde græskar med tykke stilke er som regel tunge. Høje, tynde er som regel lettere."
Computeren gør det tusindvis eller millioner af gange. Hver gang bliver den en lille smule bedre. Til sidst er den rigtig god til den opgave, den øver sig på.
Det er hele processen. Gæt. Tjek, hvor meget du tager fejl. Justér. Gentag, indtil du er god nok. Simpel idé. Men gør det millioner af gange rigtig hurtigt, og du får stærke resultater.
Hvorfor det virker så godt (og hvorfor det ikke er magi)
Her er det fantastiske: denne utrolig simple proces virker til et utrolig bredt udvalg af opgaver.
Den samme grundidé (øvelse med feedback) kan:
- ✓ Lære at genkende dit ansigt for at låse din telefon op
- ✓ Lære at oversætte mellem sprog
- ✓ Lære at opdage tumorer i medicinske scanninger
- ✓ Lære at forudsige, om det regner i morgen
- ✓ Lære at anbefale film, du sikkert vil kunne lide
Hvorfor virker det til alle disse forskellige ting?
Fordi de i bund og grund alle er problemer med mønstergenkendelse. Dit ansigt har mønstre. Sprog har mønstre. Tumorer har mønstre. Vejret har mønstre. Dine filmpræferencer har mønstre.
Computeren finder disse mønstre ved at øve sig med eksempler. Den "forstår" ikke ansigter, sprog eller medicin. Den finder bare ud af: når jeg ser dette mønster, er svaret som regel det.
Det er stærkt. Men det er ikke magi. Det er mønstergenkendelse, øvet i en skala, mennesker ikke kan matche.
Hvad computeren faktisk lærer (sandheden kan overraske dig)
Her er noget, de fleste tager fejl om: computeren lærer ikke forståelse. Den lærer genveje.
Lad mig vise dig, hvad jeg mener, med en sand historie.
Hudkræft-AI'en, der snød
Forskere trænede en AI til at genkende hudkræft ud fra billeder. Den blev rigtig god. Bedre end nogle læger. Fantastisk, ikke?
Så opdagede de noget mærkeligt. AI'en kiggede på linealer. Mange af kræftbillederne havde linealer i sig (for at vise størrelsesforholdet). Mange af de ikke-kræft billeder havde det ikke.
AI'en lærte: "Hvis jeg ser en lineal, er det sandsynligvis kræft." Det er teknisk set et mønster, der virkede i træningsdataen. Men det er ikke at forstå kræft. Det er at tage en genvej.
Det sker hele tiden:
Eksempler på AI's lærte bias og genveje
- ⚠️ En ansættelses-AI lærte, at CV'er med navnet "Jared" oftere førte til ansættelse (fordi træningsdataen indeholdt biased menneskelige beslutninger)
- ⚠️ Et ansigtsgenkendelsessystem fungerede bedre på hvide mænd (fordi de var overrepræsenteret i træningsbillederne)
- ⚠️ Et lånegodkendelsessystem diskriminerede mod bestemte kvarterer (fordi det lærte fra historisk biased udlånsdata)
Computeren finder mønstre i de data, du giver den. Hvis dataen har bias, lærer den bias. Hvis dataen har genveje, lærer den genvejene. Den ved ikke bedre. Den finder bare det, der virker i de eksempler, den har set. Det er derfor, machine learning kræver omhyggelig opmærksomhed. Den er kraftfuld, men den er ikke vis.
De to måder at øve på (traditionel vs. anderledes)
Husk, da jeg sagde, at computere lærer ved at justere deres gæt ud fra fejl? Der er to hovedmåder at foretage den justering på.
Den traditionelle måde: små justeringer af tal
Sådan fungerer det meste AI i dag
Computeren har millioner af små knapper (kaldet vægte). Hver knap er indstillet til et bestemt tal.
Når computeren laver en fejl, finder den ud af, hvilke knapper den skal dreje, og i hvilken retning. Den drejer dem bare en lille smule. Så laver den et nyt gæt, laver en ny fejl, og drejer knapperne igen. Igen og igen. Efter at have gjort dette millioner af gange, er alle disse knapper indstillet til tal, der giver gode gæt.
Det gode
Det fungerer rigtig godt. Det kan finde utroligt komplekse mønstre. Det er bevist og pålideligt.
Det dårlige
Det bruger en enorm mængde computerkraft. At træne disse systemer koster millioner af dollars i elektricitet. Og når det er færdigt, har du millioner af knapindstillinger, men du kan ikke rigtig forklare, hvorfor de er indstillet til netop disse tal. Det er en sort boks.
En anderledes måde: at finde regler i stedet for tal
Sådan fungerer nogle nyere systemer
Nogle systemer (som dem, virksomheder som Dweve bygger) fungerer anderledes. I stedet for at justere millioner af tal-knapper leder de efter logiske regler.
I stedet for at lære "vægt 47 skal være 0,8234" lærer de "hvis e-mailen indeholder hasteord OG kommer fra en ukendt afsender OG har mærkelige links, så er den sandsynligvis spam."
Det minder mere om, hvordan mennesker lærer
Du har ikke tal i hovedet. Du har tommelfingerregler: "Hvis brødet lugter surt, er det sikkert dårligt. Hvis himlen er mørk og tung, kan det blive regn."
Det gode
Du kan faktisk forklare beslutningerne. "E-mailen blev markeret som spam, fordi den matchede disse tre mønstre." Det er også langt mere effektivt. Bruger langt mindre strøm.
Det dårlige
Ikke alle problemer egner sig godt til regler. Nogle ting kræver virkelig de millioner af små taljusteringer.
Ingen af metoderne er altid bedre. De er værktøjer. Du bruger det rigtige til opgaven.
Sådan foregår læringsprocessen i virkeligheden
Hvor det faktisk virker i din hverdag
Lad mig vise dig, hvor du allerede bruger machine learning hver eneste dag, sandsynligvis uden at du tænker over det.
⏰ Din morgenalarm
Din telefons alarm har sikkert en funktion, der langsomt skruer op for lyden. Det er simpelt. Men nogle telefoner lærer også, hvornår du har tendens til at vågne naturligt, og foreslår bedre alarmtidspunkter. Machine learning har opdaget: "Du trykker altid på snooze ved 6-alarmen, men vågner naturligt kl. 6:30. Lad mig foreslå 6:30 i stedet."
🚗 Din pendling
Kort-apps forudsiger trafik. Hvordan? De har lært fra millioner af ture: "Tirsdag morgen bliver denne motorvej overbelastet omkring kl. 7:45. Når det regner, bliver denne rute 15 minutter langsommere." Mønstre fundet i data.
📧 Din e-mail
Hver spam-mail, der ikke når din indbakke? Machine learning. Hver e-mail, der automatisk bliver sorteret i mapper? Machine learning. Din mail-app har lært fra millioner af eksempler, hvordan spam ser ud, og hvad der er vigtigt for netop dig.
🎬 Din underholdning
Netflix foreslår serier. Spotify laver playlister til dig. YouTube anbefaler videoer. Alt sammen machine learning. De har lært: "Folk, der har set disse tre serier, kan normalt også godt lide denne fjerde serie. Folk, der lytter til denne kunstner, kan normalt også godt lide disse andre kunstnere."
🛒 Din shopping
"Kunder, der købte dette, købte også..." Machine learning. "Du kunne også lide..." Machine learning. Selv de priser, du ser, kan være justeret af machine learning baseret på efterspørgselsmønstre.
🔒 Din sikkerhed
Blokerer dit kreditkortselskab en mistænkelig transaktion? Machine learning har opdaget et mønster: "Dette køb matcher ikke personens normale forbrugsvaner. Det kan være svindel."
Alle disse systemer lærte af eksempler. De fandt mønstre. De blev bedre med øvelse. Det er machine learning, der rører ved dit liv dusinvis af gange om dagen.
De ærlige begrænsninger (hvad det ikke kan)
Machine learning er kraftfuldt, men det er ikke magi. Lad mig være helt ærlig om, hvad det ikke kan.
Det kan ikke lære uden eksempler
Du har brug for data. Masser af det. Vil du lære en computer at genkende en sjælden sygdom? Så har du brug for tusindvis af eksempler på den sygdom. Har du dem ikke? Så kan du ikke træne systemet. Det er så enkelt.
Det kan ikke forstå kontekst, som mennesker gør
Et menneske ser et "STOP"-skilt dækket af sne og ved stadig, at det er et stopskilt. En computer genkender det måske ikke, fordi alle dens træningseksempler viste rene, synlige stopskilte. Den lærte mønsteret for perfekte stopskilte, ikke konceptet "stop".
Det kan ikke forklare sin ræsonnering (som regel)
Spørg en læge, hvorfor de tror, du har influenza: "Du har feber, ømme muskler, og det er influenzasæson." Klar ræsonnering.
Spørg de fleste AI-systemer, hvorfor de traf en beslutning: "Fordi disse 47 millioner tal er sat til disse specifikke værdier." Ikke særlig hjælpsomt.
Det vil lære dine fordomme
Hvis du træner det på forudindtaget data, lærer det fordommen. Hvis historiske ansættelsesdata viser bias mod bestemte grupper, lærer AI'en også at være forudindtaget. Den ved ikke bedre. Den lærer bare, hvad der er i dataene.
Det kan ikke tilpasse sig helt nye situationer
Mennesker er gode til det her. Du har aldrig set en lilla giraf, men hvis du så en, ville du genkende den som en giraf, der tilfældigvis er lilla.
En computer trænet på almindelige giraffer kan blive helt forvirret over en lilla en. Den var ikke i træningsdataene. Systemet ved ikke, hvordan man generaliserer på den måde.
Det er ikke småproblemer. Det er grundlæggende forhold ved, hvordan machine learning fungerer. Det er lige så vigtigt at forstå disse begrænsninger, som det er at forstå mulighederne.
Det, du skal huske
Hvis det føles som meget, så er det her, hvad der faktisk betyder noget:
- 1 Machine learning er øvelse med feedback. Computeren gætter, tjekker om det er rigtigt, justerer og gentager. Præcis som når du lærer noget gennem øvelse.
- 2 Der findes tre hovedtyper. Superviseret (med facitlister), usuperviseret (at finde mønstre på egen hånd) og forstærkende (at lære ved at prøve sig frem). Hver type passer til forskellige problemer.
- 3 Den finder mønstre, ikke forståelse. Computeren "forstår" det ikke. Den lægger bare mærke til: når jeg ser dette mønster, er svaret som regel det. Kraftfuldt, men ikke det samme som menneskelig forståelse.
- 4 Du bruger det hele tiden. Din e-mail, dine kort, din underholdning, dine indkøb. Machine learning rører ved dit liv dusinvis af gange om dagen.
- 5 Det har reelle begrænsninger. Har brug for masser af data. Lærer fordomme. Kan ikke forklare sig selv let. Generaliserer ikke som mennesker. At forstå begrænsningerne betyder lige så meget som at forstå mulighederne.
- 6 Der findes forskellige tilgange. De fleste AI-systemer justerer millioner af tal-knapper. Nogle systemer lærer i stedet logiske regler. Forskellige værktøjer til forskellige opgaver.
Bundlinjen
Machine learning er ikke mystisk. Det er bare en computer, der bliver bedre til noget gennem øvelse.
Vis den eksempler. Lad den gætte. Sig til, når den tager fejl. Se den justere og forbedre sig. Gentag tusindvis af gange. Til sidst er den rigtig god til opgaven.
Den lærer ikke, som du lærte at cykle, læse eller få venner. Den udvikler ikke forståelse, visdom eller sund fornuft.
Den finder statistiske mønstre i data gennem gentagen øvelse og justering. Det er alt. Men når det sker i en skala, mennesker ikke kan matche, med millioner af eksempler, giver det virkelig nyttige resultater.
Din spamfiltrering virker. Din stemmeassistent forstår dig. Dine kort ruter dig uden om trafikken. Alt sammen fordi computere øvede sig på millioner af eksempler, indtil de fandt mønstre, der virker.
Ordet "læring" får det til at lyde magisk. Virkeligheden er matematisk. Men den matematik, praktiseret i stor skala, ændrer, hvordan du lever dit liv hver eneste dag.
Nu ved du, hvordan det virker. Mysteriet er væk. Machine learning er mønsteropdagelse gennem øvelse. Simpelt koncept. Kraftfuld udførelse. Og du bruger det lige nu, mens du læser disse ord på en enhed fyldt med systemer, der har lært at gøre dit liv lettere.
Nogle virksomheder, som Dweve, undersøger forskellige måder at "praktisere" på ud over blot at justere tal på skalaer. At lære logiske regler i stedet for numeriske vægte. At finde begrænsninger i stedet for træningsparametre. Forskellige tilgange til forskellige problemer. For maskinlæring behøver ikke at være én størrelse, der passer til alle.