Maskinlæring forklart: Hva er det og hvordan virker det?

Kort oppsummert

Maskinlæring, eller machine learning på engelsk, er når datamaskiner lærer fra eksempler i stedet for å følge forhåndsprogrammerte regler. Det ligner på hvordan et barn lærer hva en katt er når du viser mange bilder og sier “dette er en katt”. Det er denne teknologien som står bak anbefalingene på Netflix og spam-filteret i e-posten din.

Hva er machine learning, egentlig?

Har du noen gang lurt på hvordan Netflix vet hvilke filmer du sannsynligvis vil like, eller hvordan e-posten din sorterer ut spam uten at du gjør noe? Svaret er machine learning.

Machine learning er en metode der datamaskiner lærer å gjøre oppgaver ved å studere eksempler, i stedet for å følge detaljerte instruksjoner fra en programmerer. Metoden er en del av det større feltet kunstig intelligens, på engelsk artificial intelligence. Det viktige skillet er hvem som lager reglene. I stedet for at mennesker skriver regler for hva datamaskinen skal gjøre, finner datamaskinen selv ut av reglene ved å se på data.

Tenk deg at du skal lage et dataprogram som skiller mellom bilder av epler og appelsiner. På den tradisjonelle måten ville du skrevet regler som “Hvis frukten er rød eller grønn, er det et eple. Hvis den er oransje, er det en appelsin.” Men hva da med grønne eller røde appelsiner? Det blir fort komplisert.

Med machine learning gjør vi det annerledes. Vi samler tusenvis av bilder av epler og appelsiner, merker hvert bilde med riktig svar og lar datamaskinen selv finne ut hva som skiller dem. Da oppdager den gjerne mønstre vi ikke engang hadde tenkt på.

Hvordan fungerer det i praksis?

Machine learning følger en enkel grunnidé, selv om detaljene kan bli komplekse:

Trinn 1: Samle data Først trenger vi eksempler, og jo flere, desto bedre. For å lage et spam-filter trenger vi for eksempel tusenvis av e-poster som allerede er merket som “spam” eller “ikke spam”.

Trinn 2: La datamaskinen studere Datamaskinen analyserer alle eksemplene og leter etter mønstre. Kanskje oppdager den at spam-e-poster ofte inneholder ordene “gratis”, “vinner” eller “klikk her”, eller at spam ofte kommer fra ukjente avsendere.

Trinn 3: Test og forbedre Så gir vi datamaskinen nye e-poster den aldri har sett, og ser om den klarer å gjette riktig. Gjør den feil, justerer vi og prøver igjen.

Slik lærer systemet: data samles inn, mønsteret studeres, og resultatet testes før neste runde.

IBM beskriver machine learning som systemer som automatisk forbedrer seg gjennom erfaring. Jo mer data systemet får, desto bedre blir det, på samme måte som du blir flinkere til å kjenne igjen bilmerker jo flere biler du ser.

De tre typene machine learning

Det finnes tre hovedmåter datamaskiner kan lære på:

1. Supervised learning (veiledet læring)

Dette er den vanligste typen, og her har vi eksempler der vi allerede vet svaret.

Eksempel: Vi viser datamaskinen 10 000 bilder av hunder og katter og forteller den hva hvert bilde viser. Etter treningen kan den kjenne igjen nye bilder den aldri har sett før.

2. Unsupervised learning (ikke-veiledet læring)

Her vet ikke datamaskinen svaret på forhånd, så den leter bare etter mønstre og grupperinger i dataene.

Eksempel: En butikk gir datamaskinen informasjon om alle kundene sine. Uten at noen har fortalt den det på forhånd, finner datamaskinen selv ut at det finnes ulike kundetyper, for eksempel “prisbevisste studenter” og “kvalitetsfokuserte familier”.

3. Reinforcement learning (forsterkningslæring)

Her lærer datamaskinen ved å prøve og feile, og den får belønning når den gjør noe riktig.

Eksempel: Tenk på et dataspill der en AI-karakter lærer å spille. Den prøver forskjellige handlinger og lærer at noen gir poeng, mens andre fører til “game over”. Slik blir den bedre over tid.

Les mer: Typer machine learning forklart i detalj

Machine learning i hverdagen din

Du bruker sannsynligvis machine learning mange ganger om dagen uten å tenke over det:

Når du ser på Netflix eller YouTube: Algoritmene ser på hva du har sett før, sammenligner det med millioner av andre brukere og foreslår ting du sannsynligvis vil like. Netflix har skrevet om teknologien sin, blant annet om hvordan selskapet bruker machine learning til å gi deg bedre anbefalinger.

Når du bruker GPS-navigasjon: Google Maps og lignende apper bruker machine learning til å forutsi trafikkork. De ser både på historiske data og på sanntidsinformasjon fra andre brukere.

Når du låser opp telefonen med ansiktet: Ansiktsgjenkjenning er machine learning i praksis, for telefonen har lært å kjenne igjen ansiktet ditt ved å studere mange bilder av deg.

Når banken blokkerer et mistenkelig kortbruk: Systemer som oppdager svindel, bruker machine learning til å kjenne igjen uvanlige mønstre. Handler du plutselig i et fremmed land midt på natten, skjønner systemet at noe er rart.

Fire vanlige eksempler på maskinlæring i bruk: strømmetjenester, GPS-navigasjon, ansiktsgjenkjenning og svindelvarsling.

Hva er forskjellen på machine learning og deep learning?

Du har kanskje også hørt om deep learning, eller dyp læring. Det er en spesiell type machine learning som bruker kunstige neural networks med mange lag. På norsk kalles de nevrale nettverk.

Enkel forklaring: Tenk på machine learning som en stor verktøykasse. Deep learning er ett spesielt kraftig verktøy i den kassen, og det er særlig nyttig for krevende oppgaver som å forstå språk eller kjenne igjen bilder.

Det du trenger å vite, er at de mest imponerende AI-systemene i dag bruker deep learning, og ChatGPT er et av dem. Men til mange enklere oppgaver fungerer vanlig machine learning like bra, og det krever mindre datakraft.

Begrensninger: Hva machine learning IKKE kan

Det er viktig å forstå at machine learning ikke er magi:

Datamaskinen forstår ikke egentlig noe. Den finner bare mønstre. Et spam-filter vet ikke hva spam ER, men det har lært å kjenne igjen visse mønstre som ofte finnes i spam.

Kvaliteten avhenger av dataene. Trener du et system med skjeve eller feil data, lærer systemet feil ting. Dette kalles bias, og det er et stort diskusjonstema innen AI-etikk. Datatilsynet har skrevet om dette og gir bedrifter råd om hvordan de kan unngå slike problemer.

Det krever MYE data. For at machine learning skal fungere godt, trengs ofte tusenvis eller millioner av eksempler. Derfor kan det være vanskelig å få nok data når det gjelder sjeldne tilfeller.

Vanlige spørsmål

Kan jeg bruke machine learning selv?

Ja! Du trenger ikke være programmerer for å bruke tjenester som bygger på machine learning, for eksempel ChatGPT, Google Translate eller Canva Magic Design. Vil du lære å lage egne machine learning-systemer, finnes det mange gratiskurs på nett.

Er machine learning farlig?

Machine learning er et verktøy, og akkurat som en hammer kan det brukes til både gode og dårlige ting. Utfordringene handler mest om personvern, om skjeve data som fører til urettferdig behandling, og om hvordan vi bruker teknologien. Det er derfor vi har regler og retningslinjer.

Vil machine learning ta jobbene våre?

Machine learning vil nok endre mange jobber. Historien viser likevel at ny teknologi vanligvis skaper nye jobber samtidig som noen gamle forsvinner. Derfor er det viktigste å forstå teknologien og lære hvordan du kan bruke den som et verktøy.

Trenger machine learning internett?

Ikke nødvendigvis. Når de først er trent, kan mange machine learning-modeller kjøre uten internett. Ansiktsgjenkjenningen på telefonen din fungerer for eksempel også uten nettilkobling.

Oppsummering og kilder

Det viktigste å ta med seg:

Machine learning handler om å lære fra data
Det finnes tre hovedtyper: supervised, unsupervised og reinforcement learning
Du bruker machine learning hver dag, ofte uten å vite det
Deep learning er en kraftig undergruppe av machine learning

Kilder:

Sist oppdatert: Januar 2026

Hva er maskinlæring? Enkelt forklart med eksempler