Home » Andet » Fokus: Maskinlæring
Fokus: Maskinlæring

Fokus: Maskinlæring

Share

En kombination af neurale netværk og open source-læring tegner meget interessant, men den kræver enorme mængder af arbejde

De fleste mennesker har hørt om maskinlæring (ML). Hvis du har været i nærheden af internettet i nyere tid, har du med stor sandsynlighed modtaget data, der er blevet dynget sammen ved hjælp af maskinlæring-algoritmer, og din brug af dem er blevet sendt videre til træningsmodeller med henblik på at lave andre tilsvarende algoritmer.

I 1958, da Mark 1 Perceptron (et tidligt neuralt netværk til ansigtsgenkendelse) blev bygget, sagde eksperterne, at det var “en elektronisk computers foster, og eksperter fra flåden forventer, at den vil kunne gå, tale, se, skrive, reproducere sig selv og være sig sin eksistens bevidst.” Der er sket mange fremskridt siden da, og til trods for, at vi endnu ikke har set bevidste maskiner, har man opnået nogle forbløffende resultater. ML har hjulpet med at afsløre narkotika, finde exoplaneter og forbedre Netflix-anbefalinger for alle og enhver.

Takket være muligheden for enorme datasæt, hardwarefremskridt såsom gpu’er og tpu’er og udviklingen af værktøjer – navnlig FOSS-varianter (free and open source software), der markant forenkler træningsmodeller – er maskinlæring nu temmelig allestedsnærværende. Meget af væksten er blevet ansporet af det industrielt-akademiske samarbejde.

Forskerne har studeret formelle ML-teknikker fra et teoretisk standpunkt siden 1950’erne (og man kan finde kim til dette område omkring 200 år tidligere). Imidlertid var hardwaren (eller snarere pengene til at bygge denne hardware), så den kunne bruges til noget praktisk, kun til rådighed for organisationer som IBM og statsejede laboratorier. Men nu betyder nye partnerskaber og den almægtige cloud-computing, at adgangen er blevet langt mere demokratiseret.

Den generelle overskrift “kunstig intelligens” dækker over masser af teknikker og fører nemt til science fiction. Et eller andet sted under denne overskrift finder vi disciplinen maskinlæring, der har påkaldt sig megen opmærksomhed uden på noget tidspunkt at forlade de videnskabelige kendsgerningers domæne.

ML betegner i den bredest mulige forstand ethvert system, der bruger data til at løse problemer – snarere end at satse på forprogrammerede regler eller algoritmer. Det kan dreje sig om noget meget snævert som at finde den bedste linje via en række punkter, eller det kan være mere avanceret som billedbehandling eller sentimentanalyse.

Se også:  Kan dagens mobilantenner blive bedre? Ja, det kan de godt!

ML vender op og ned på traditionel programmering. I stedet for at levere noget input til en algoritme, som derefter leverer output i form af et svar, tager ML et sæt af datapunkter (par af input og output) og kvitterer med noget i retning af en algoritme, der forbinder dem. Når den modtager et nyt datapunkt, bør den være i stand til at klassificere det korrekt (matche det med et output).

Vi bør ikke pege fingre ad linjeeksemplet. I hvert fald ikke når det virker. Uden noget kendskab til, hvad dataene repræsenterer, er maskinen nået frem til en generel regel, som blive brugt på nye data og producerer meningsfulde resultater. Jo mere man tænker over det, desto mere erkender man, hvor stærkt det er. Prøv at forestille dig pythagoræernes forbløffelse, da deres leder afdækkede forholdet mellem linjer og hypotenuse.

Mere end overskrifter

Der verserer en masse hype om ML. ML kan løse mange problemer og vil være i stand til at løse mange flere i fremtiden, men det er næppe sandsynligt, at man kan blive rig med en bot, der praktiserer aktiehandel. Og ML er heller ikke noget grusomt instrument, der ender med at lægge menneskeheden i graven. Vi får hele tiden at vide, at alle vores jobs snart bliver automatiseret. Det er ofte fabriksarbejdere, der blive nævnt, men noget tyder på, at det kun er ganske få fag, der ikke bliver berørt af denne automatiseringsbølge. Automatiseret journalistik (oh rædsel!) bliver allerede brugt til tekster, der inddrager tal og statistisk. Den første skildring af et jordskælv i 2014 blev skrevet af journalisten Ken Schwenckes Quakebot-system.

Det afgørende spørgsmål er naturligvis, om de hårdtarbejdende skribenter på Alt om DATA bør være bekymrede. Ikke lige i øjeblikket. Det er svært at definere, hvordan man finder på gode og originale ideer til guider og testartikler, ligesom det ikke er nemt at beslutte, hvilke emner der skal behandles, og hvordan de skal samles i en artikel. Hertil kommer en masse arbejde bag kulisserne: opsætning af testmiljøer, slagsmål om forskellige måder at gøre tingene på og håndtering af uventede programfejl. Og så er vi endnu ikke begyndt at skrive. Hertil kræves der omfattende kendskab til sproget i kombination med en personlig stil. Der kommer til at gå vinter og vår, før maskiner kan klare alt dette. Men Natural Language Processing er et område, der udvikler sig hurtigt i disse år.

Maskiner spiller spil

Siden stormesteren Bent Larsen i 1988 tabte et parti skak til computeren Deep Thought, har computere slået menneskelige skakspillere mange gange. Men i slutningen af 2017 fik vi overskrifter om, at Googles AlphaZero “lærte sig selv at spille skak” på fire timer, hvorefter programmet slog Stockfish, verdens bedste skaksoftware (se www.chess.com/news/view/google-s-alphazero-destroys-stockfish-in-100-game-match). Denne træning fandt sted på noget af verdens mest avancerede hardware, og det modsvarer formentlig mange års arbejde på standardhardware. Derfor skal vi ikke lægge for stor vægt på det med de fire timer. Det interessante er den spillestil, som AlphaZero viste.

Se også:  Nu tager de lærenemme maskiner over

I de ti partier, der blev offentliggjort (https://deepmind.com/research/alphago/alphazero-resources), syntes det ikke at være bange for at bringe ofre, hvis der var mulighed for en gevinst, og i nogle tilfælde foretog programmet træk, der tilsyneladende ikke gav nogen mening. Det giver mindelser om den kreative og jokeragtige stil, man kender fra Mikhail Tal. Forskere har også brugt kunstig intelligens til at lære videospil, og maskinerne har overrasket alle. For eksempel viste en artikel fra Freiburg, der blev offentliggjort tidligere i år (https://arxiv.org/abs/1802.08842), hvad der sker, når man lærer dem at spille Atari-klassikeren Q*bert fra 1992. Maskinen (der brugte Evolutionary Strategy-teknikker) opdagede en fejl i spillet og udnyttede den til at opnå en score, som intet menneske nogensinde kunne håbe på.

TAGS
Maskinlæring
netværk
Open Source

DEL DENNE
Share

Seneste Tech test
Seneste konkurrencer

Mest populære
Populære
Nyeste
Tags

Find os på de sociale medier

Modtag dagligt IT-nyhedsbrev

Få gratis tech-nyheder i din mail-indbakke alle hverdage. Læs mere om IT-UPDATE her

Find os på FaceBook

Alt om DATA

Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
redaktion@altomdata.dk

Datatid TechLife

Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
redaktion@datatid.dk

Audio Media A/S

CVR nr. 16315648,
Lautrupsgade 7,
DK-2100 København Ø
Telefon: 33 91 28 33
info@audio.dk
Annoncesalg / Prislister:
Lars Bo Jensen: lbj@audio.dk Telefon: 40 80 44 53
Annoncer: Medieinformation


Alt om DATA, Datatid TechLife  © 2019
Privatlivspolitik og cookie information - Audio Media A/S