Machine Learning er en slags softwarerobot, som lærer og bliver klogere over tid. Det er en måde i praksis at udføre kunstig intelligens på – men der er omvendt ikke mere magi i det, end at det i sidste ende bare er matematik og statistik trukket ned over store mængder data.

Arthur Samuel, som almindeligvis anses, som en af dem der opfandt Machine Learning, definerede allerede i 1959 Machine Learning som the ability to learn without being explicitly programmed.

Samuel undersøgte hvordan han, ved at få maskiner til at spille spil (f.eks. dam), kunne udvikle, hvordan man angriber generelle problemstillinger, ved hjælp af en computer. Det fungerede bl.a. ved at lade computeren spille mod sig selv en masse gange og lagre oplysninger om, hvor godt et givet træk viste sig at være. Man kan sige at han ”trænede” algoritmen.

Her starter vi med at kigge på historiske svar og data. Hvis vi skal blive i indkøbsanalogien, kunne Machine Learning hjælpe med at optimere grænsen for fri fragt. Data vil være en database over historiske brugere, og svar vil være hvordan algoritmens forsøg med forskellige fri fragtgrænser var gået. Ud af algoritmen kommer reglen – nemlig hvad den optimale fri fragtgrænse er.

Ovenstående er lidt en simplificering. Det viser princippet, men det fulde billede af Machine Learning kræver et step mere – så hold fast lidt endnu. Machine Learning er nemlig delt op i læringsdelen (illustreret herover) og eksekveringsdelen.

Eksekveringsdelen er den del af processen, der efterfølgende anvender de regler, der er blevet defineret i læringsdelen, på den enkelte bruger. Bemærk at vi ikke finder en konkret fri fragtgrænse, og trækker denne ned over alle kunder. Vi har muligheden for at kigge på en række faktorer og vælge den mest optimale grænse for den aktuelle bruger. Herefter præsenterer vi fri fragtgrænsen for brugeren og holder øje med om kunden køber eller ej. Denne information gemmer vi som et feedback-loop til næste gang – så vi ved om vi har været for grådige eller ej.

Min anbefaling er at gøre Machine Learning til et forretningsemne hos ledelsen i virksomheden. Næste skridt er at identificere et overkommeligt område i virksomheden – tænk gerne hele værdikæden – vælg ét hvor Machine Learning kan skabe værdi. Lav en kortfattet analyse af det valgte områdes processer og opstil et par KPI’er – altså hvordan succes med Machine Learning ville se ud. Eksekver og lad ledelsen eje projektet.