Vad är maskininlärning?

Maskininlärning är den del av AI som de flesta tillämpningar i företag bygger på. Namnet beskriver precis vad det handlar om: maskiner som lär sig.

Vanlig programvara programmeras. Du skriver reglerna och maskinen följer dem. Maskininlärning vänder på det. Du ger exempel på indata och rätt svar, och systemet räknar ut reglerna själv.

Ett exempel. Säg att du vill förutsäga vilka kunder som riskerar att lämna. Med vanlig programvara skulle du skriva en regel: om kunden inte har loggat in på 30 dagar och det senaste supportärendet är olöst, flagga kunden. Maskininlärning gör på ett annat sätt. Du ger systemet historiska uppgifter om tusentals kunder, hur de betedde sig och om de lämnade. Systemet hittar sedan vilka kombinationer av faktorer som faktiskt förutsade det, ofta även mönster som ingen hade tänkt på att leta efter.

Tre typer som är bra att känna till

Övervakad inlärning är vanligast. Du ger märkta exempel, som "det här mejlet är skräppost, det här är det inte", och systemet lär sig sortera nya. Det mesta av AI:n i företag bygger på övervakad inlärning.

Oövervakad inlärning hittar mönster utan att få veta vad den ska leta efter. Den är användbar för kundsegmentering: att dela in kunder efter beteende utan att bestämma grupperna i förväg.

Förstärkningsinlärning lär sig genom att pröva sig fram och få återkoppling på varje handling. Den används i robotar, spelsystem och vissa rekommendationssystem.

Det praktiska

Det mesta av maskininlärningen i företag är övervakad inlärning som används för att förutsäga saker: vilka leads som blir kunder, vilka fakturor som betalas sent, vilka kunder som är i farozonen. Har du historiska data och en tydlig fråga är maskininlärning ofta den mest direkta vägen till ett svar.