Supervised learning

Supervised learning er maskinlæring, hvor modellen lærer på eksempler, der allerede har et kendt facit, også kaldet labels. I praksis betyder det, at I samler historiske data, f.eks. e-mails markeret som spam, eller kunder der forlod abonnementet, og bruger dem til at træne en model, som så forudsiger facit på nye cases.

Sådan virker Supervised learning i praksis

Forestil dig, at du viser en lærling 1.000 gamle fakturaer og påpeger, hvilke der blev ført forkert. Lærlingen ser mønstre og begynder at gætte rigtigt på nye fakturaer. Det er supervised learning: data + rigtigt svar = træning. I virksomheder bruges det oftest til klassifikation (er dette en spam-mail eller ej), eller prognoser (hvor stor er salget næste måned) og churn-forudsigelse (vil kunden blive eller forlade os).

Hvorfor ledelsen bør kende Supervised learning

De fleste kommercielle AI-løsninger i salg, kundeservice og økonomi bygger på supervised learning. Det betyder noget for beslutninger om tid, penge og ansvar, fordi modellen kun bliver god, hvis I kan levere historiske data med korrekte labels. Hvis I vælger en løsning uden at tjekke dataenes kvalitet, ender I med dårlige forudsigelser, mistillid i organisationen og ekstra arbejde med oprydning.

Eksempel: Supervised learning hos en dansk virksomhed

En indkøbschef i en mellemstor produktionsvirksomhed skulle reducere tiden, teamet brugte på at godkende leverandørfakturaer. Midt i kvartalet gav økonomisystemet adgang til 12.000 gamle fakturaer, hvor 900 var fejlmarkerede af regnskabsteamet. Indkøbschefen besluttede at prøve supervised learning: de samlede filerne og de eksisterende fejllabels, men opdagede hurtigt, at 250 labels var tvetydige eller forældede, fordi leverandørkoderne var ændret i 2019. Projektet tog to ekstra uger til oprydning, og modellen blev først trænet korrekt efter at have standardiseret leverandørkoderne og rettet labels i 900 poster. Modellen begyndte herefter at pege på fakturaer med høj sandsynlighed for fejl, men teamet måtte stadig godkende forslagene manuelt. Erfaringen var, at selve træningen ikke var svær, men arbejdet med at skabe rene, korrekte labels tog tid, og nogen i organisationen skulle eje det.

Supervised learning er ikke det samme som unsupervised eller reinforcement learning

Supervised learning bruger labels; unsupervised learning søger mønstre uden facit, og reinforcement learning lærer gennem belønning ved handlinger. Relaterede begreber er Maskinlæring som overordnet felt, Klassifikation når output er kategorier, og Churn-forudsigelse som en konkret anvendelse. Mange blander også supervised learning sammen med 'AI' i almindelig tale, men præcis: supervised learning kræver de rigtige træningssæt.

Hvad du skal være opmærksom på

Den største risiko er dårlige eller manglende labels. Fejl i facit arves af modellen, så I får systematiske fejl. Data skal være repræsentative for nutiden; gamle eksempler giver dårlige forudsigelser, hvis markedsbetingelserne har ændret sig. Vær også opmærksom på bias: hvis historiske beslutninger allerede favoriserer eller skader en gruppe, lærer modellen samme mønster. Til sidst: databeskyttelse er relevant, når persondata indgår, så tjek reglerne hos Datatilsynet. En kort pointe: supervised learning er effektivt, men det er ikke en trylleformular.

En skæv sammenligning: Supervised learning er som at træne en praktikant med en bunke gennemsigtige facitark, det går hurtigt, men hvis facitarkene er forkerte, lærer praktikanten dårlige vaner.

Vil I arbejde videre med supervised learning på jeres egne opgaver, er det dét, en AI-workshop går ud på. Skal I beslutte, hvor meget supervised learning må fylde hos jer, er det den slags valg, AI-rådgivning handler om.