En introduktion till maskininlärning och djupinlärning

Maskininlärning innebär att en dator lär sig utifrån data utan att den programmerats att göra just den uppgiften. Ett exempel på maskininlärning är Spotify som använder en algoritm för att lära känna dina musikinställningar och sedan använder den informationen för att göra en förutsägelse om vilken annan musik du kan gilla. Maskininlärning sträcker sig över fler branscher för att automatisera både grundläggande och komplexa uppgifter.

Exempel på lösningar där maskininlärning används inom produktion är: hitta defekter genom att titta på tusentals produkter samtidigt, förebyggande underhåll, orsak till maskinkrascher, försäljningsanalys, lageroptimering, distributionsoptimering, analys av kunddata etc. Läs mer här.

Användningen av maskininlärning begränsas av hur data samlas in. Ofta krävs noggrann planering av insamlingen samt att man på förhand förstår vilka relationer i data som är relevanta. I det första stycket tog vi upp exemplet med din musikinställning där maskininlärning är en bra tillämpning eftersom vi vet att det du lyssnar på är korrelerat med vilken musik du skulle vilja lyssna på i framtiden. Däremot kan vi inte dra fler slutsatser än så. Därför kan det som heter djupinlärning vara mer användbart.

Djupinlärning är en typ av maskininlärning. Medan en maskininlärnings-modell måste använda sig av data på ett specifikt sätt, kan djupinlärning liknas med hur en människa skulle uppfatta något, tänka på det och sedan dra en slutsats. För att uppnå detta baseras inlärningen vid djupinlärning på särdrag i datan som lagras i flera lager. Särdragen skapas genom att data transformeras i flera lager (flera abstraktionsnivåer) där data först transformeras till en representation och sedan blir mer och mer abstrakt i varje lager av det så kallade neurala nätverket. På så sätt kan man skapa komplicerade algoritmer som fokuserar på detaljer och exkluderar irrelevant data.

Ett exempel på när djupinlärning används är Googles AlphaGo. Google skapade ett datorprogram som lärde sig att spela det abstrakta brädspelet Go, ett spel berömt för att kräva skarp mänsklig intuition. Genom att använda djupinlärning lärde det sig hur man spelar på professionell nivå genom att spela mot andra professionella Go-spelare i stället för att få veta när den ska göra ett specifikt drag, som det skulle vara i en standard maskininlärningsmodell. Genom att använda en modell som bygger på neurala nätverk kunde AlphaGo slå 2016 års Go-världsmästaren, vilket ansetts vara utom räckhåll för teknologi som bygger på algoritmer, det vill säga traditionell maskininlärning. AlphaGo har hyllats som en milstolpe inom utvecklingen av artificiell intelligens.

I produktion kan djupinlärning användas för att upptäcka defekter (t ex visuellt), köra självkörande bilar, hitta smarta underhållssätt, förutsäga stopp, hitta flaskhalsar genom att identifiera mönster som leder till minskad kapacitet etc.