I stedet for å skrive regler for hver situasjon, viser du en datamaskin eksempler og lar den finne mønstre. Det er maskinlæring – algoritmer som lærer av data for å komme med forutsigelser. Et spamfilter lærer av millioner av merkede e-poster. En anbefalingsmotor lærer av hva du har sett og hva du har hoppet over.

Maskinlæring har tre hovedparadigmer. Veiledet læring bruker merkede data. Uveiledet læring finner struktur i umerkede data. Forsterkningslæring trener agenter gjennom belønninger og straffer. Dyp læring bruker nevrale nettverk med mange lag for å håndtere bilder, tale og tekst.

Vanlige bruksområder

• Bildegjenkjenning: ansikter, objekter, medisinske skanninger
• Naturlig språk: oversettelse, chatboter, sentimentanalyse
• Anbefaling: produkter, filmer, musikk
• Svindeldeteksjon: kredittkort, forsikringskrav
• Autonome systemer: biler, droner, roboter

Maskinlæring er kraftig, men uperfekt. Modeller kan være partiske, skjøre og vanskelige å tolke. De trenger store mengder rene data. De feiler på måter som mennesker synes er åpenbare. Feltet utvikler seg raskt. Det gjør ikke rekkverket.