Kan en maskin lære å forbedre seg over tid?

Når begrepet kunstig intelligens omtales, dukker maskinlæring ofte opp. Og motsatt. Maskinlæring er et subfelt innenfor kunstig intelligens, og koblingen mellom de to begrepene er dermed åpenbar. For noen. For andre er koblingen mer uklar. Det skal vi se om vi kan få gjort noe med nå.

Ta samme valg flere ganger

Kunstig intelligens handler om den menneskelige kapasiteten til å løse et problem. Men hva er da maskinlæring? Maskinlæring blir aktuelt så snart dette problemet vi bruker kunstig intelligens for å løse, er løst. For hva er verdien av å kunne komme opp med en god løsning én gang, hvis du ikke greie å gjøre det samme en gang til? Og skulle du greie å repetere løsningen, vil du da også kunne gjøre det dersom forutsetningene og konteksten endret seg?

Målet med kunstig intelligens er å kunne gi gode anbefalinger og forutsi hva som vil være en god løsning i fremtiden, uansett forutsetninger. For å få dette til er maskinlæring helt nødvendig.

Dette var viktig for Kolumbus da de hadde et ønske om å kunne tilby de reisende i Rogaland en enda bedre opplevelse. Computas hjalp dem med å oppnå dette målet ved å opprette et prognosesystem som kunne forutsi bussens ankomst, avgang og eventuelle forsinkelser.

Å lære av egne feil og forbedre seg over tid

Vi har fremdeles mye å lære når det gjelder maskinlæring. Innenfor mange områder kommer vi fremdeles for kort. I dag har maskinlæring sånn sett et begrenset handlingsrom: Det kan fungere godt, men helst innenfor separate siloer eller avgrensede områder.

Innenfor nesten alle bransjer har man utforsket mulighetene for bruk av kunstig intelligens og maskinlæring. Ofte kan dette være en god løsning. Utfordringen ligger som regel i det å få resultatet til å forbedre seg over tid og dermed maskinens evne til å lære av egne feil og av løsninger som ser ut til å fungere godt.

Eksempel: Ved hjelp av kunstig intelligens kan selvkjørende biler kjenne igjen mennesker på gata og unngå å kjøre ned gamle damer som krysser veien. Men skulle bilen være så uheldig at den kjørte ned en gammel dame, er det et mål at den i alle fall ikke ville ha gjort det igjen. For å få dette til må intelligensen evne å lære av sine egne feil og forbedre seg over tid. Dette er kun mulig ved hjelp av maskinlæring.

Computas utviklet et nytt anbefalingssystem basert på maskinlæring og kunstig intelligens, slik at POWER kunne forbedre handleopplevelsen for sine kunder. 

Kunstig intelligens i norsk næringsliv

Maskinlæring kan være svært nyttig for en rekke norske bedrifter, blant annet ved at du kan kutte kostnader ved å jobbe mer effektivt. Dette gjelder både ved salg, vedlikehold og logistikk, men også innenfor produksjon og prosessering av kortere og lengre tekster.

Eksempel: Det er vanskelig og tidkrevende for et menneske å finne frem i et arkiv med mange tusen dokumenter. Til og med søkemotorer vil kunne slite med å finne frem til nøyaktig riktig dokument på en effektiv og brukervennlig måte. Hadde man tatt i bruk kunstig intelligens her, ville maskinen evne å trekke ut essensen av det brukere søker etter. Ved hjelp av maskinlæring blir det mulig å forbedre denne prosessen over tid.

Computas med spesialisering i maskinlæring

Som første nordiske selskap har Computas oppnådd Google-spesialisering i maskinlæring. Spesialiseringen er basert på antall sertifiserte eksperter og reelle prosjekter hos virksomheter med bruk av Google Cloud Platform og maskinlæring.


portrettbilde av Rune

Vil du vite mer?

Har du flere spørsmål om maskinlæring? Kontakt oss gjerne på e-post for en uforpliktende prat.

Rune Hagbartsen