Typer maskinlæring: Supervised, unsupervised og reinforcement learning forklart
TL;DR (Kort oppsummert)
Det finnes tre hovedtyper maskinlæring: Veiledet læring der datamaskinen lærer fra eksempler med fasit (som å lære fra en lærebok med svar). Ikke-veiledet læring der datamaskinen selv finner mønstre uten å få fasit (som å sortere Lego-klosser i grupper uten instruksjoner). Forsterkningslæring der datamaskinen lærer ved å prøve og feile og får poeng for gode valg (som å spille et dataspill).
Akkurat som mennesker lærer på ulike måter, kan datamaskiner også lære på forskjellige måter.
Tre måter datamaskiner kan lære på
Når vi snakker om maskinlæring, handler det om å lære datamaskiner nye ting uten å programmere dem med detaljerte regler. Men akkurat som mennesker lærer på ulike måter - fra lærebøker, ved å eksperimentere, eller gjennom prøving og feiling - kan datamaskiner også lære på forskjellige måter.
I denne artikkelen forklarer vi de tre hovedtypene maskinlæring på en enkel måte. Du trenger ikke teknisk bakgrunn for å forstå dette.
1. Veiledet læring: Læring med fasit
Veiledet læring (engelsk: supervised learning) er den mest brukte formen for maskinlæring. Her har datamaskinen en “lærer” - nemlig et datasett der vi allerede vet de riktige svarene.
Slik fungerer det:
Tenk deg at du vil lære et barn å skille mellom epler og appelsiner. Du viser barnet frukt etter frukt og sier “dette er et eple” eller “dette er en appelsin”. Etter mange eksempler lærer barnet å kjenne igjen fruktene på egen hånd.
Veiledet læring fungerer på akkurat samme måte:
- Vi gir datamaskinen tusenvis av eksempler der vi vet svaret
- Datamaskinen finner mønstre som skiller kategoriene
- Når den ser nye eksempler, kan den gjette riktig svar
Praktiske eksempler:
Spam-filter i e-post: Datamaskinen har lært fra millioner av e-poster som er merket “spam” eller “ikke spam”. Nå kan den sortere nye e-poster automatisk.
Kredittvurdering: Banker bruker veiledet læring for å vurdere om noen sannsynligvis vil klare å betale tilbake et lån. Modellen har lært fra historiske data om hvem som betalte og hvem som ikke betalte.
Bildegjenkjenning: Systemet som gjenkjenner ansikter på telefonen din har lært fra millioner av bilder der ansiktene allerede var markert.
Veiledet læring handler om å finne mønstre i data der vi allerede vet fasit.
IBM forklarer veiledet læring som den mest intuitive formen for maskinlæring - akkurat fordi den minner om hvordan mennesker lærer fra eksempler.
2. Ikke-veiledet læring: Å finne mønstre uten fasit
Ikke-veiledet læring (engelsk: unsupervised learning) er når datamaskinen selv må finne ut av ting uten at vi gir den svarene på forhånd.
Slik fungerer det:
Tenk deg at du gir et barn en haug med Lego-klosser og sier “sorter disse”. Du gir ingen instruksjoner om hvordan. Barnet kan velge å sortere etter farge, størrelse, form - eller en kombinasjon. Det finnes ikke nødvendigvis ett riktig svar.
På samme måte kan en datamaskin analysere data og finne naturlige grupperinger vi kanskje ikke hadde tenkt på.
Praktiske eksempler:
Kundesegmentering: En butikk kan gi datamaskinen informasjon om alle kundene sine. Datamaskinen finner selv ut at det finnes naturlige kundegrupper - for eksempel “prisbevisste studenter”, “kvalitetsfokuserte småbarnsfamilier” og “trendsettere som vil ha det nyeste”. Ingen fortalte den disse kategoriene på forhånd.
Oppdage uvanlig oppførsel: Kredittkortselskaper bruker ikke-veiledet læring for å oppdage svindel. Datamaskinen lærer hva som er “normal” oppførsel, og slår alarm når noe er unormalt - for eksempel et plutselig kjøp i et fremmed land midt på natten.
Anbefale lignende produkter: “Kunder som kjøpte dette, kjøpte også…” Datamaskinen har funnet produkter som ofte kjøpes sammen, uten at noen fortalte den hvilke produkter som hører sammen.
3. Forsterkningslæring: Læring gjennom prøving og feiling
Forsterkningslæring (engelsk: reinforcement learning) er inspirert av hvordan mennesker og dyr lærer gjennom konsekvenser. Gjør du noe bra? Du får belønning. Gjør du noe dumt? Du får straff.
Slik fungerer det:
Tenk på hvordan du lærer å spille et nytt dataspill. Ingen fortalte deg nøyaktig hvilke knapper du skulle trykke. Du prøvde forskjellige ting og lærte fra resultatene:
- Trykket på denne knappen og fikk poeng! Det var bra.
- Gikk i den retningen og døde. Det var dårlig.
Etter hvert lærer du å ta gode valg.
Praktiske eksempler:
Spillende AI: DeepMind sin AlphaGo lærte å mestre brettspillet Go ved å spille millioner av spill mot seg selv. Den fikk “belønning” for å vinne og “straff” for å tape.
Selvkjørende biler: Elementer av forsterkningslæring brukes for å lære biler å kjøre trygt. Bilen lærer at det er dårlig å komme for nært andre biler og bra å holde seg i riktig fil.
Roboter som lærer å gå: I stedet for å programmere nøyaktig hvordan en robot skal bevege bena, kan vi la den prøve tusenvis av ganger. Den lærer at noen bevegelser fører til at den faller (dårlig) og andre fører til at den beveger seg fremover (bra).
Forskjellige typer maskinlæring brukes til ulike formål i moderne bedrifter.
Hvilken type er best?
Det finnes ikke én “beste” type - de brukes til forskjellige ting:
| Type | Når brukes den? | Eksempel |
|---|---|---|
| Veiledet læring | Når vi har mye data med fasit | Spam-filter, bildegjenkjenning |
| Ikke-veiledet læring | Når vi vil oppdage mønstre vi ikke visste om | Kundesegmentering, anomalideteksjon |
| Forsterkningslæring | Når det handler om sekvenser av beslutninger | Spill, robotikk, selvkjøring |
Mange moderne AI-systemer kombinerer flere typer. For eksempel bruker ChatGPT først veiledet læring for å lære språk, og deretter forsterkningslæring for å bli bedre til å gi gode svar.
Vanlige spørsmål
Hvilken type bruker ChatGPT?
ChatGPT bruker en kombinasjon! Først lærer den fra enorme mengder tekst (en form for veiledet læring). Deretter bruker den forsterkningslæring fra menneskelig tilbakemelding (RLHF) for å lære å gi svar mennesker liker.
Må jeg kunne programmering for å forstå dette?
Nei! Dette er grunnleggende konsepter som alle kan forstå. Du trenger ikke kunne programmere for å skjønne forskjellen på de tre typene.
Hvilken type er mest brukt?
Veiledet læring er klart mest brukt i praksis, fordi den er enklest å kontrollere og gir forutsigbare resultater når man har gode treningsdata.
Kan de kombineres?
Ja, og det gjøres ofte! “Semi-supervised learning” kombinerer veiledet og ikke-veiledet læring. Mange moderne systemer bruker flere teknikker sammen.
Oppsummering
De tre hovedtypene maskinlæring er:
- Veiledet læring: Lærer fra eksempler der vi vet fasit. Mest brukt og enklest å forstå.
- Ikke-veiledet læring: Finner mønstre selv uten fasit. Nyttig for å oppdage ting vi ikke visste om.
- Forsterkningslæring: Lærer gjennom prøving og feiling med belønning og straff. Brukes for spill og komplekse beslutningssekvenser.
Alle tre har sin plass, og moderne AI-systemer kombinerer ofte flere typer for å oppnå best mulig resultater.
Kilder
Sist oppdatert: Januar 2026