Hvad er Machine Learning?

Tre typer machine learning

Næsten al machine learning falder i tre kategorier, der løser hver sin slags opgave.

Supervised learning, overvåget læring, er den mest udbredte i erhvervslivet. Modellen trænes på data, hvor det rigtige svar er kendt på forhånd: historiske kunder med en markering for, om de opsagde eller blev. Modellen lærer sammenhængen og kan så forudsige nye tilfælde. Churn prediction, lead scoring og kreditvurdering er alle supervised.

Unsupervised learning, ikke-overvåget læring, arbejder uden facit. Modellen finder selv struktur i data: grupperer kunder, der ligner hinanden, opdager afvigelser, eller samler beslægtede dokumenter. Det bruges til segmentering og anomalidetektion, hvor man ikke på forhånd ved, hvad man leder efter.

Reinforcement learning, forstærkningslæring, lærer ved at prøve sig frem og få belønning eller straf. Det driver robotstyring, lagerrobotter og optimering af komplekse systemer, og det indgår også i, hvordan moderne sprogmodeller finjusteres til at svare brugbart.

Vi hjælper danske virksomheder med at finde de ML-opgaver, der kan betale sig, og bygge dem hele vejen til drift. Kontakt os for en indledende vurdering af jeres data og muligheder.

Hvad bruger danske virksomheder machine learning til?

Machine learning er sjældent et mål i sig selv. Det er motoren bag konkrete forretningsopgaver, hvor mønstre i data kan omsættes til beslutninger.

Prædiktiv vedligeholdelse: forudsig, hvornår en maskine i produktionen er på vej til at bryde ned, ud fra sensordata, så I servicerer før nedbruddet i stedet for efter.

Kundeanalyse: churn prediction, lead scoring og livstidsværdi, så salg og marketing bruger tiden på de rigtige kunder. Det er typisk det første sted, en B2B-virksomhed ser gevinst.

Fraud detection: find mistænkelige transaktioner i realtid. Banker og forsikringsselskaber bruger ML, fordi mønstrene er for mange og skifter for hurtigt til faste regler.

Anbefalinger: foreslå produkter eller indhold ud fra adfærd, som de fleste kender fra webshops og streaming.

Kvalitetskontrol: billedbaseret inspektion på produktionslinjen, der fanger fejl hurtigere og mere ensartet end manuel kontrol.

Fælles for dem er, at opgaven er hyppig, datatung og målbar. Det er dér, ML betaler sig først.

Hvad machine learning kræver, og hvad det ikke er

En ML-model er ikke en black box, man bare tænder. Vejen fra data til drift har faste trin, og hvert af dem kan afgøre, om resultatet bliver brugbart.

Det starter med data af god kvalitet. Så følger feature engineering, hvor rådata laves om til de signaler, modellen kan lære af, dernæst træning og validering på data, modellen ikke har set, og endelig udrulning, hvor modellen begynder at give svar i produktion. Den disciplin, der holder modeller kørende bagefter, kaldes MLOps.

Arbejdet stopper ikke ved lanceringen. Verden ændrer sig, og så holder modellens mønstre op med at passe. Det kaldes model drift, og det er derfor, en ML-løsning skal overvåges og gentrænes, ikke sættes op én gang og glemmes.

Endelig er ML ikke det samme som et regelbaseret system, der gør præcis det, det er kodet til. Og det er ikke det samme som generativ AI: klassisk ML forudsiger og klassificerer, mens generativ AI skaber nyt indhold. Generativ AI er en gren af ML, ikke et alternativ til det.