Bare én optimalisert algoritme pr. prosess

Maskinlæring baserer seg i dag på å finne den algoritmen* https://no.wikipedia.org/wiki/Algoritme som er mest relevant og optimalisert for prosessen man ønsker å automatisere (det finnes ikke én algoritme som kan lære seg alt), og deretter koble denne mot den digitale prosessen som skal automatiseres. Når algoritmen og prosessen er sammenkoblet, brukes historiske data til å trene algoritmen til å predikere hvordan maskinen selv skal løse arbeidsoppgavene i den nå automatiserte prosessen.

Maskinlæring i praksis er fortsatt nytt og dermed i startfasen hva bred utbredelse og anvendelse gjelder. Derfor er også forberedelsene til å innføre maskinlæring tilsvarende i startfasen og ikke så åpenbare og veldefinerte at alle vet hva de bør gjøre nå og fremover. Når stadig flere bedrifter nå begynner å se på hvordan de kan automatisere prosessene sine, vil noen finne at de allerede har et godt utgangspunkt for å automatisere én eller flere prosesser, hvorpå andre vil måtte gå opptil flere skritt tilbake og implementere nye, digitale prosesser samt opparbeide seg relevante prosessdata over en periode.

Innen maskinlæring er det to retninger, som har vidt forskjellig forhold til data:

• Veiledet læring

• Ikke-veiledet læring

Veiledet læring tar utgangspunkt i et datasett som inneholder komplette og markerte eksempler som representerer riktige avgjørelser tatt i en prosess. Disse eksemp­lene leses og forstås av algoritmen og brukes til å predikere valg på nye eksempler som ikke er komplette.

Ta for eksempel et program som skal predikere om en mail er søppel eller vanlig. I en veiledet læringsprosess vil programmet få en liste over mail som har blitt markert som enten vanlig eller søppel. Denne listen representerer en sannhet om akkurat dette problemet og derfor kaller man det veiledet læring.

Ikke-veiledet læring tar utgangspunkt i et datasett som ikke er markert med avgjørelser som i utgangspunktet er riktige. Her leses alle eksemplene med tanke på å oppdage hittil ukjente koblinger og samle disse koblingene i avgrensede klynger.

La oss for eksempel si at vi skal lage et program som skal avdekke sikkerhetsbrudd i et nettverk. I en ikke-veiledet læringsprosess vil programmet få alle aktiviteter som er registrert i en tidsperiode. Programmet skal da lære seg hva som er normal og hva som er unormal oppførsel og deretter markere de unormale aktivitetene som mulige sikkerhetsbrudd. Den listen som kommer ut av denne prosessen er hva vi deretter referer til som sannhet og vi har da gått fra ikke-veiledet til veiledet læring.

Begge retninger kan brukes av bedrifter, men veiledet læring er i utgangspunktet best for å automatisere prosesser.