Maskinlæring

Arthur Samuel brugte udtrykket i sin artikel fra 1959 om et damprogram, der blev bedre ved at spille mod sig selv. Den mest citerede formelle definition er Tom Mitchells (1997): Et program lærer af erfaring E med hensyn til en klasse af opgaver T og et præstationsmål P, hvis dets præstation på T, målt med P, forbedres med E. I moderne termer er det meste maskinlæring empirisk risikominimering: Man vælger en modelfamilie (lineære modeller, beslutningstræer, neurale netværk), en tabsfunktion, der scorer fejl, og en optimeringsprocedure, der finder de parametre, som minimerer det gennemsnitlige tab over træningsdata, som regel med et regulariseringsled, der straffer kompleksitet.

Målet er ikke lav træningsfejl, men generalisering til usete data. Teorien bag hviler på antagelsen om, at trænings- og fremtidige data trækkes uafhængigt fra samme fordeling (i.i.d.). Valiants PAC-ramme (1984) og senere VC-teorien giver grænser for, hvor mange data en modelklasse kræver for at generalisere. I praksis brydes antagelsen jævnligt af distributionsskift: kovariatskift (sammensætningen af input ændrer sig), label- eller prior-skift (basisrater ændrer sig) og concept drift (selve sammenhængen ændrer sig, fx når svindlere tilpasser sig). Udrullede modeller kræver derfor overvågning og løbende gentræning, ikke en engangsgodkendelse.

Feltet opdeles normalt efter, hvilken feedback der er til rådighed: superviseret læring (mærkede eksempler, som giver klassifikation og regression), ikke-superviseret læring (struktur uden mærkater), selvsuperviseret læring (mærkater udledt af data selv, grundlaget for foundation models) og forstærkningslæring (belønningssignaler fra interaktion). Klassiske metoder som logistisk regression, support vector machines og gradient-boostede træer er stadig det stærkeste valg til mange tabelbaserede forretningsproblemer; deep learning dominerer for billeder, lyd og tekst.

Maskinlæring overlapper kraftigt med statistik, men lægger vægten anderledes: Statistik sigter traditionelt mod fortolkelige parametre og slutninger om en population, mens ML prioriterer forudsigelsesnøjagtighed på tilbageholdte data, målt med en streng opdeling i trænings-, validerings- og testsæt. En hyppig praktisk fejl er datalækage, hvor information, der ikke er tilgængelig på forudsigelsestidspunktet (et fremtidigt tidsstempel, et felt udfyldt efter udfaldet), sniger sig ind i features og puster offline-resultaterne op.

Konsekvenserne for governance følger af mekanismen. Fordi adfærden udledes af data frem for at blive specificeret, skal dokumentationen dække data og træningsprocedure lige så vel som koden: Værktøjer som model cards og datasheets for datasets og krav som artikel 10 (data og datastyring) og artikel 11 (teknisk dokumentation) i AI-forordningen for højrisikosystemer findes netop, fordi reglerne ikke kan læses ud af kildekoden.