Förstå maskininlärning

  • 4 minuter

Maskininlärning är grunden för de flesta AI-lösningar. Sedan 1950-talet har forskare, som ofta kallas dataforskare, arbetat med olika metoder för AI. De flesta moderna tillämpningar av AI har sitt ursprung i maskininlärning, en gren av AI som kombinerar datavetenskap och matematik.

Vi börjar med att titta på ett verkligt exempel på hur maskininlärning kan användas för att lösa ett svårt problem.

Hållbara lantbruksmetoder är avgörande för att maximera livsmedelsproduktionen och samtidigt skydda en sårbar miljö. Yield, ett jordbruksteknikföretag baserat i Australien, använder sensorer, data och maskininlärning för att hjälpa jordbrukare att fatta välgrundade beslut relaterade till väder, mark och växtförhållanden.

Se följande video för mer information.

Hur maskininlärning fungerar

Hur lär sig datorerna?

Svaret är att de lär sig från data. I dagens värld skapar vi enorma datavolymer i vår vardag. Från de SMS, e-postmeddelanden och inlägg på sociala medier som vi skickar, till de foton och videor som vi tar med våra telefoner, genererar vi enorma mängder information. Ännu mer data skapas av miljontals sensorer i våra hem, bilar, städer, kollektivtrafiksinfrastrukturer och fabriker.

Dataexperter kan använda alla dessa data för att träna maskininlärningsmodeller som kan göra förutsägelser och slutsatsdragningar baserat på de relationer de hittar i data.

Maskininlärningsmodeller försöker avbilda relationen mellan data. Anta till exempel att en miljöskyddsorganisation vill att volontärer ska identifiera och katalogisera olika arter av vilda blommor med hjälp av en telefonapp. Följande animering visar hur maskininlärning kan användas för att möjliggöra det här scenariot.

An animation of the steps of machine learning.

  1. Ett team av botaniker och forskare samlar in data om vildblomsprover.
  2. Teamet märker exemplen med rätt arter.
  3. Märkta data bearbetas med en algoritm som hittar relationer mellan egenskaperna hos exemplen och de märkta arterna.
  4. Algoritmens resultat sammanfattas i en modell.
  5. När volontärerna hittar nya exempel kan modellen identifiera rätt artetikett.

Metoder för AI har avancerat för att slutföra uppgifter med mycket större komplexitet. Dessa komplexa modeller utgör grunden för AI-funktioner.

Maskininlärning i Microsoft Azure

Microsoft Azure tillhandahåller Azure Machine Learning Service – en molnbaserad plattform för att skapa, hantera och publicera maskininlärningsmodeller. Azure Machine Learning Studio erbjuder flera redigeringsupplevelser, till exempel:

  • Automatiserad maskininlärning: Med den här funktionen kan icke-experter snabbt skapa en effektiv maskininlärningsmodell från data.
  • Azure Machine Learning Designer: ett grafiskt gränssnitt som möjliggör utveckling utan kod för maskininlärningslösningar.
  • Visualisering av datamått: analysera och optimera dina experiment med visualisering.
  • Notebook-filer: skriv och kör din egen kod på hanterade Jupyter Notebook-servrar som är direkt integrerade i studion.