Vad är maskininlärning?

Typer av maskininlärning

Maskininlärningens historia

Även om ML kan låta som en ny teknologi har den funnits i årtionden. Maskininlärningen som vi ser idag har sina rötter så långt tillbaka i tiden som på 1940-talet.

1940s

1943 skapade Warren McCulloch och Walter Pitts det första neurala nätverket. Detta gjorde så att datorer kunde kommunicera med varandra utan mänsklig interaktion.

1950s

Alan Turing skapade Turingtestet för att avgöra om maskiner kan bete sig som människor. Forskare använder fortfarande Turingtestet idag för att se om människor kan se skillnad på mänskligt genererade och maskingenererade resultat.

1960s

Thomas Cover och Peter Hart publicerade algoritmen K-närmaste grannar (KNN)., en av de första ML-algoritmerna som kunde identifiera mönster i en stor mängd data.

1970s

Paul Werbos skrev 1974 en avhandling med namnet The Roots of Backpropagation, som jämnade vägen för bakåtpropagering – en teknologi som gör så att neurala nätverk kan känna igen mönster korrektare.

1980s

Förklaringsbaserad inlärning (EBL) gjorde det möjligt för datorer att analysera och träna sig själva baserat på data, liksom att bortse från oviktiga data. Det artificiella neurala nätverket NetTalk lärde sig även att uttala text på engelska korrekt.

1990s

1997 chockade IBM världen när deras superdator Deep Blue besegrade en mänsklig schackmästare. Detta visade världen att maskiner kan lära sig att prestera lika bra eller ännu bättre än människor.

2000s

Torch (nu känt som PyTorch), ett kostnadsfritt programvarubibliotek, blev världens första storskaliga ML-plattform – vilket gjorde maskininlärning mycket tillgängligare. Under 2000-talet lärde sig datorer även att ”se” text och bilder med djupinlärning.

2010s

Google utvecklar Google Brain, ett djupt neuralt nätverk som automatiskt kategoriserar objekt. Facebook, Amazon och Microsoft utvecklar även de ML-modeller.

2020s

I november 2022 tog OpenAI:s ChatGPT världen med storm. Denna gjorde ML och AI tillgängliga för vanliga människor som använder teknologin till allt från att generera följebrev för jobbansökningar till att skriva e-postmeddelanden.

Fördelarna med att använda maskininlärningssystem

Maskininlärning är en användbar teknologi som hjälper företag att:

• Förbättra produktiviteten. Över 80 % av alla anställda tror att AI förbättrar arbetet de gör. Genom att automatisera uppgifter som normalt sett måste göras av människor kan ML öka organisationers produktivitet.
• Hjälpa kunderna. Företag använder ML för att optimera sina produkter för att underlätta för sina kunder. 62 % av konsumenterna är faktiskt villiga att dela sina data om det innebär att de får en bättre upplevelse.
• Färre fel som beror på människor. ML Automatiserar manuella uppgifter som normalt sett ofta har fel orsakade av människor, som felskrivningar. Detta innebär att organisationer kan få renare data för bättre affärsinsikter.
• Förbättra tillgängligheten. Man ska vara medveten om att 51 % av konsumenterna förväntar sig att företag ska vara tillgängliga dygnet runt, alla dagar. Att implementera ML-lösningar för ert företag gör att ni kan vara tillgängliga för kunderna dag som natt.
• Ta bort risker. Att sluta efterleva regler kan kosta er organisation miljoner i böter och förlorade inkomster. Som tur är följer ML förutbestämda regler som hjälper er att fortsätta efterleva regler i stor skala.
• Minska antalet repetitiva uppgifter. ML automatiserar repetitiva uppgifter, så att era anställda kan fokusera på viktigare uppgifter. I själva verket vill 68 % av anställda ha mer AI-baserad teknik som kan hjälpa dem att utföra uppgifter.
• Hitta insikter. ML kan komma till insikter som människor ofta inte har hjärnkapacitet att ens överväga.

Nackdelarna med maskininlärningsalgoritmer

Det finns några nackdelar med att använda maskininlärningssystem, inklusive:

• Mängden data som krävs. ML-modeller kräver ofta en stor mängd data för att vara effektiva.
• Datauppsättningens storlek. Storleken och kvaliteten på en datauppsättning är två av de viktigaste faktorerna när det gäller att avgöra hur bra en modell är, och ju mer data du har, ju mer tid tar det att sätta etiketter på dem korrekt för att användning i övervakade inlärningsmetoder,
• Kombination av datatyper. Du måste tänka på de olika typerna av data som du behöver lägga till i din datauppsättning för att göra modellen robust eftersom du lär maskinen att fatta beslut på samma sätt som en människa.
• Potentiell partiskhet. En annan nackdel med ML har att göra med etik, särskilt när det gäller djupinlärning. Många av de här modellerna avslöjar inte hur de fattar beslut, så du vet inte exakt vilka faktorer de använder. Modellen kan inte bli bättre än de data som du matar in i den, men du kanske ändå inte vet vilka slags relationer modellen kommer att upptäcka och om de är moraliskt rättvisa.
• Potentiella fel. Det är viktigt att minnas att även om den kan vara effektivare än människor så är ML inte felfri. Om det finns fel i dina data eller din logik så kommer maskininlärningsmodellen att reflektera dessa felaktigheter.
• Kostnad. Om du vill skapa en anpassad ML-lösning för er organisation så finns det kostnader kopplade till att anställa datavetare för att bygga och underhålla dessa modeller. I genomsnitt lägger organisationer 60 000 $ till 95 000 $ under de första fem åren de använder en modell. Om du väljer lösningar som Adobe Sensei kan ditt företag dock kompensera för många de här kostnaderna.

Hur företag använder maskininlärning

Det finns många tillfällen då implementering av ML-algoritmer kan hjälpa till att effektivisera och optimera en organisations resurser. Ett vanligt fall är när det finns så mycket data att det är för mycket för en människa att gå igenom, men de innehåller viktig information som skulle kunna påverka företagets beslut.

Den här fördelen gäller inte bara techföretag – 68 % av företag över hela världen använder ML och den siffran kommer sannolikt att öka. Eftersom maskininlärning är så fördelaktig ökar dess användning i olika branscher.

Sjukvård

Sjukvårdsföretag använder ML för att behandla patientdata – samtidigt som man följer dataskyddslagstiftningen. Till exempel använder en del organisationer maskininlärning för att förbättra korrektheten vid bilddiagnostik för att upptäcka sjukdomar i ett tidigt stadium. Det är även användbart för att upptäcka bedrägerier, hitta fel och personalisera behandling.

Tillverkningsindustri

Fler tillverkare börjar använda ML för att få ett smartare, förebyggande underhåll. Istället för att slösa tid och pengar på att underhålla maskiner som inte behöver underhåll ännu kan tillverkare använda maskininlärning för att analysera datatrender och optimera vilka maskiner som underhålls.

Men detta är inte det enda sättet som tillverkare använder maskininlärning. De drar även nytta av den här teknologin för att hantera semiautonoma och helt självkörande fordon i sina lokaler.

Underhållning

Har du ett Netflix-konto? Då har du sett ML i verkligheten. Strömningstjänsten använder maskininlärning för att personalisera miniatyrbilder, rekommendera filmer och serier och för att optimera strömningskvaliteten.

Marknadsföring

Låt oss säga att ert marknadsföringsteam granskar nya data från olika kundsegment. Det är svårt att gå igenom de olika attributen för kunderna för att identifiera högpresterande segment eller vad för preferenser kundsegment A har jämfört med kundsegment B.

Med de mängder data som finns tillgängliga är det inte troligt att ert marknadsföringsteam kommer att ha kapacitet att behandla alla, och ännu mindre dra användbara slutsatser. Detta är något ML kan göra snabbt och förmodligen bättre än människor.

Att använda automatisering av maskininlärning skulle kunna resultera i prediktiva insikter som ert team kanske inte skulle kunna komma fram till själva.

Ekonomi

Robotrådgivare blir mer och mer populära i finansvärlden. Till exempel använder tjänster som Wealthfront ML och AI för att automatisera portföljhantering för sina användare. Detta minskar den tid som finansföretag lägger på att förvalta sina klienters investeringar samtidigt som de fortfarande ger klienterna fördelarna med förvaltade investeringar.

Skapa otroliga kundupplevelser med maskininlärning.

Behöver ni förbättrad segmentering och personalisering med maskininlärning (ML)? Då kan ni ha nytta av Adobe Real-Time CDP.