I stedet for at skrive regler for enhver situation, viser du en computer eksempler og lader den finde mønstre. Det er maskinlæring – algoritmer, der lærer af data for at lave forudsigelser. Et spamfilter lærer af millioner af mærkede e-mails. En anbefalingsmotor lærer af, hvad du har set, og hvad du har sprunget over.

Maskinlæring har tre hovedparadigmer. Superviseret læring bruger mærkede data. Uovervåget læring finder struktur i umærkede data. Forstærkende læring træner agenter gennem belønninger og straffe. Dyb læring bruger neurale netværk med mange lag til at håndtere billeder, tale og tekst.

Almindelige anvendelser

• Billedgenkendelse: ansigter, objekter, medicinske scanninger
• Naturligt sprog: oversættelse, chatbots, sentimentanalyse
• Anbefaling: produkter, film, musik
• Svigdetektering: kreditkort, forsikringskrav
• Autonome systemer: biler, droner, robotter

Maskinlæring er kraftfuldt, men uperfekt. Modeller kan være forudindtagede, skrøbelige og svære at fortolke. De har brug for store mængder rene data. De fejler på måder, som mennesker finder indlysende. Feltet udvikler sig hurtigt. Det gør autoværnet ikke.