Här är den visuella hierarkin och förklaringen av Maskininlärning och Djupinlärning.
Det övergripande målet.
Definition: Det breda fältet som handlar om att skapa system som kan utföra uppgifter som normalt kräver mänsklig intelligens.
AI som lär sig av data.
Definition: En delmängd av AI där datorn **lär sig av mönster i data** istället för att vara explicit programmerad.
ML med neurala nätverk.
Definition: En viktig del av ML är (artificiella) Neurala Nätverk. Dessa består av många dolda djupa lager (därav "djup").
Hur det fungerar: Modellen tränas på data där varje exempel har ett facit (en "etikett"). Modellen lär sig att mappa indata till korrekt utdata.
Hur det fungerar: Modellen får oetiketterad data och måste själv hitta dolda strukturer eller naturliga grupperingar i datan.
Hur det fungerar: En agent lär sig genom försök och misstag (trial-and-error). Den får belöningar för önskvärda handlingar.
Mål: Att tilldela ett diskreta etiketter (klasser) till indata. Modellen svarar på frågan: "Vad är det?"
Algoritm: Algortimer är generellt instruktioner som löser ett problem. Används här som binär klassificering (två utfall). Modellen använder en sigmoid-funktion (S-kurva) för att mappa resultat till en sannolikhet mellan 0 och 1.
**Princip:** Om sannolikheten är över 0.5 tillhör datapunkten Klass 1, annars Klass 0.
**Algoritm:** En enkel klassificerare som klassificerar en ny datapunkt baserat på majoriteten av dess **$K$ närmaste träningsgrannar**.
Mål: Att förutsäga ett kontinuerligt numeriskt värde. Modellen svarar på frågan: "Hur mycket?"**
Linjär Regression: AI hittar en rak linje ($y = mx + c$) som bäst beskriver sambandet mellan variablerna.
Linjär regression är en "arbetshäst" inom AI tack vare dess enkelhet, effektivitet och tydliga tolkning.
Exempel på användningsområden:
Det breda fältet som handlar om att skapa system som kan utföra uppgifter som normalt kräver mänsklig intelligens.
(Inkluderar alla gamla och nya metoder för problemlösning.)
En del av AI som fokuserar på att lära sig av data genom att bygga en matematisk modell.
Modellen tränas med facit (etiketter). Används för klassificering och regression.
Modellen tränas utan facit. Huvudmål är att hitta dolda mönster eller kluster i datan.
En agent lär sig genom trial-and-error och får belöningar för bra handlingar i sin miljö.
Mål: Tilldela diskreta etiketter (klasser). Svarar på: "Vad är det?".
Används för binär klassificering (två utfall). Modellen förutspår en sannolikhet mellan 0 och 1 med en S-kurva.
Klassificerar en ny punkt baserat på majoriteten av dess $K$ närmaste grannar i träningsdatan.
Mål: Förutsäga ett kontinuerligt numeriskt värde. Svarar på: "Hur mycket?".
Linjär Regression hittar den raka linje ($y = mx + c$) som bäst beskriver sambandet i datan.
Enkel men kraftfull, används för att förutsäga kontinuerliga värden i många branscher.
En del av ML som använder djupa neurala nätverk (använder många lager) för att automatiskt utvinna komplexa funktioner.
(Drivkraften bakom modern Vision, NLP(Naturlig språkbehandling) och Generativ AI.)
Som en slags sammanfattning kan vi konstatera att Maskininlärning (ML) är ett effektivt sätt att bygga olika typer av AI-lösningar. Utöver de enklare teknikerna vi sett, som Närmaste Granne, Linjär Regression och Logistisk Regression, finns det bokstavligen hundratals, om inte tusentals, olika maskininlärningstekniker.
Alla baserar sig ändå på en och samma fundamentala princip: att söka efter samband i data, samt att förstå hur dessa mönster kan användas och utnyttjas för att göra olika prognoser och prediktioner.
Problem och uppgifter som löses med maskininlärning är oftast väldigt krävande, och vi klarar sällan av att uppnå en perfekt lösning som alltid ger exakt rätt svar. Trots detta kan algoritmen vara mer praktisk än en människa. Den kan till exempel vara tusen gånger snabbare och den kan förutspå och ge svar dygnet runt utan att bli trött eller utmattad. Bra exempel på detta är bland andra rekommendationssystemen på tjänster som Netflix eller Spotify.
Följande faktorer kan påverka hur exakta prognoser vi kan uppnå med hjälp av maskininlärning:
När AI-system, särskilt rekommendationsmotorer och personliga flöden, blir allt bättre på att förutsäga vad vi gillar, skapar de oavsiktligt filterbubblor. Detta sker genom att algoritmen ständigt matar oss med information som bekräftar våra tidigare val och åsikter, vilket minskar vår exponering för nya, avvikande eller utmanande perspektiv.
Denna extrema personalisering, som är en styrka i ML, blir en potentiell risk i ett samhällsperspektiv. Därför är det avgörande att fortsätta utveckla det kritiska förhållningssättet till den information vi möter. Oavsett om informationen levereras av en AI-chattbot eller via traditionella sökmotorer, måste användaren alltid vara den som granskar och validerar informationens källa, relevans och opartiskhet.
Detta är en hierarki där varje bubbla är en delmängd av den föregående:
AI är helheten/allt. Det är målet.
Olika former av maskininlärning (ML) är ett av de mest effektiva verktygen för att uppnå AI-målet.
Djupinlärning (DL) är det mest kraftfulla slags ML-verktyg vi har idag, särskilt för komplex data som bilder och text.