Alan Turings magiska maskin som ligger till grund för alla dagens datorer kan helt utan att göra det minsta misstag utföra instruktioner som har specificerats i detalj av oräkneliga flinka programmerare.

Dagens IT-värld är baserad på oräkneliga oföränderliga algoritmer som liksom väldiga virtuella skördetröskor tröskar igenom ofantliga mängder data i de väldiga datormolnen.

Men det finns också en annan trend inom IT och det är maskinlärning som handlar om algoritmer som kan lära sig av den data dom hanterar. Ett bra exempel är hur vi googlar efter någonting, gör ett stavfel och snabbt ser hur Google har rättat felet och visar oss vad vi egentligen letar efter. Googles forskningschef Peter Norvin är, som det visar sig, en av maskinlärningens ledare. Som han visar i den här videon.

Nu har Pedro Domingos vid University of Washington i Seattle skrivit en fascinerande bok om just maskinlärning, som recenseras av David Auerbach i Slate: The Programs That Become the Programmers “Machine learning” is starting to reshape how we live. It’s time we understood it.

Machine learning, in many of its forms, is about building programs that themselves build programs. But these machine-generated programs—neural networks, Bayesian belief networks, evolutionary algorithms—are nothing like human-generated algorithms. Instead of being programmed, they are “trained” by their designers through an iterative process of providing positive and negative feedback on the results they give. They are difficult (sometimes impossible) to understand, tricky to debug, and harder to control. Yet it is precisely for these reasons that they offer the potential for far more “intelligent” behavior than traditional approaches to algorithms and A.I.

Det här är ett oerhört viktigt område som bara blir viktigare i takt med att samhället skapar allt mer data. Från vilka datorer kan utläsa mer och mer information.

Läs och begrunda.

Pressklipp:

USABloggen på Twitter

Fler inlägg om Kalifornien