06.06.2019
4 min læsetid

Fra brætspil til machine learning: Arthur Samuel

Begrebet machine learning stammer fra den amerikanske pioner inden for computerspil og kunstig intelligens, Arthur Samuel. Han skabte et Dam-spilleprogram, som var blandt verdens første succesfulde selvlærende programmer.

IDA Learning

af IDA Learning

Den spæde begyndelse: Machine Learning bliver født

I 1959 brugte den amerikanske pioner inden for kunstig intelligens Arthur Samuel for første gang begrebet machine learning.

Arthur Samuel (1901-1990) var brætspilsentusiast og var overbevist om, at det at lære computere at spille brætspil ville give os indsigt og metoder til at løse mere generelle problemstillinger.

Samuel valgte at fokusere på spillet Dam, da det er et relativt enkelt men alligevel strategisk spil. Han forsøgte forskellige tilgange til at skrive computerprogrammer, der var gode til at spille Dam.

“I became so intrigued with this general problem of writing a program that would appear to exhibit intelligence that it was to occupy my thoughts during almost every free moment for the entire duration of my employment by IBM and indeed for some years beyond.”

Han fik dog først et gennembrud, da han fik idéen til at skrive et computerprogram, der kunne tilpasse sin strategi ud fra erfaringer fra tidligere spil. Computerprogrammet kunne ”lære” af historisk data - og machine learning var født.

Det lykkedes faktisk Arthur Samuel at gøre computeren (IBM 701) i stand til at spille bedre Dam end ham selv. Dette var en imponerende bedrift på dette tidspunkt og har en række filosofiske implikationer.

Fra 1959 til 2019

Da Samuel begyndte at arbejde med machine learning, havde han kun en meget begrænset mængde tilgængelig computerhukommelse. Det problem løste han ved at implementere det, vi i dag kender som alpha-beta pruning.

Han benyttede sig af search trees for hver mulig position på spillebrættet - men i stedet for at afsøge hver vej frem til spillets afslutning, udviklede Samuel en scorings-funktion baseret på spillebrættets position på et givent tidspunkt. Denne funktion forsøgte at måle chancen for at vinde for hver side i den givne position.

Programmet valgte sit træk baseret på en minimax-strategi, hvilket betyder, at det gjorde det skridt, der optimerede værdien af denne funktion, forudsat at modstanderen forsøgte at optimere værdien af den samme funktion ud fra sit synspunkt.

Samuels Dam-spilleprogram var blandt verdens første succesfulde selvstudier og som sådan en meget tidlig demonstration af det grundlæggende koncept for kunstig intelligens.

I løbet af de seneste år er det blevet meget lettere at arbejde med machine learning i praksis. Det skyldes, at computerhardware er blevet hurtigere og billigere, at data bliver indsamlet og gemt i et hidtil uset omfang, samt at open source-software har gjort det langt lettere at komme i gang med at træne avancerede machine learning modeller.

Vil du igang med machine learning?

Hvilke opgaver egner sig til machine learning? Kan machine learning hjælpe din virksomhed? Lær at forberede dine data og træn en klassifikationsmodel på IDAs introduktionskursus til machine learning.