Maskinlæring er metoder der en datamaskin finner mønstre i eksempler, i stedet for å følge regler en person har skrevet. Språkmodeller er én type maskinlæring. Det finnes mange flere.
Det kan høres ut som noe nytt og mystisk. Det er det ikke. Det er å la maskinen finne regelen selv, ut fra svar du allerede har.
I vanlig programmering skriver du reglene og gir maskinen data. Den gir deg svar. I maskinlæring snur du det: du gir maskinen data og de riktige svarene, og den finner reglene.
Det er nyttig der regler er vanskelige å skrive. Ingen kan forklare i en setning hvordan en motor høres ut når den er i ferd med å svikte. Men gi maskinen tusen opptak av motorer som svikta og tusen som holdt, så finner den noe som skiller dem.
Modellen starter med en grense, eller en formel, som er mer eller mindre tilfeldig. Så måler den hvor mange feil den gjør på eksemplene, justerer litt, og måler på nytt. Det gjentas til feilene ikke blir særlig færre. Det er i store trekk det «trening» betyr.
Det viktigste kommer etterpå: å teste den på eksempler den ikke har sett. En modell som bare har lært eksemplene utenat, ser flott ut i treningen og feiler i virkeligheten.
Tenk på en erfaren operatør som har hørt tusen motorer. Hun kan ikke forklare reglene, men hun hører at noe er galt. Maskinlæring prøver å lage den samme magefølelsen, av data i stedet for av år på verkstedet.
Maskinlæring er en del av et større fagfelt. Tegner du det som ringer i ringer, ligger språkmodellene helt innerst.
Ofte er en liten modell trent på egne målinger bedre, billigere og mer forutsigbar enn en stor språkmodell. Ikke alt er generativ AI. Les mer om det i Klassisk maskinlæring i industrien.
Oppdatert oktober 2026. Begge figurene er forenklede. Punktene i den første er konstruert, og feiltallene er regnet ut mot dem. Inndelingen av fagfeltet i figur to er en vanlig måte å tegne det på, men grensene mellom begrepene er ikke skarpe.