Det er forelesningen som definerer universitetet, – godt fulgt av forskningsartikkelen. Men fremst står undervisningen for den gir inntektene. Der hvor intet er, har selv keiseren tapt sin rett. Administrasjon og ledelse søker kontroll og styring med dette.
Dagens generative KI, og i større grad morgendagens, utfordrer forelesnings-regimet. Den spiser seg innover i den akademiske kroppen med faktorberegninger, forskningens imprimatur, redimensjonering, institusjonalisering av det skarpe skillet mellom vårt universitet og de andre.
Her er en liten illustrasjon.
Vi stiller et spørsmål om et underpunkt i det å forklare maskinlæring. Det gjelder et begynnende arbeid med å forstå forskjellen på veiledet (supervised), selvregulert (unsupervised) og trinnvis utøvende (reinforced) maskinlæring. Ved å stille følgende enkle spørsmålet til en KI-maskin:
Explain differences between supervised, unsupervised and reinforced machine learning
– kan det automatisk avledes –
- En forklarende tekst.
- En eller flere illustrasjoner.
- En muntlig forklaring (podcast).
Noe av dette er godt integrert i KI-maskiner fra Google (NotebookLM), mens andre er på vei som løsninger fra Microsoft/OpenAI og Anthropic. Teknologien er åpen og vil virke på samme måte som det åpne operativsystemet Linux. Det dominerer global infrastruktur. Det åpne WordPress, som er organisator av denne teksten, er dominerende publiseringsplattform. Vi får Open Science, Open Data og OER – Open Educational Resources. Med det brytes også det akademiske kunnskapsmonopolet og universitetenes tradisjonelle konfigurasjon. For hver enkelt universitetsstudent i Norge blir det 1.000 i den øvrige verden. De har tilgang til nettverket og kunnskapsrepresentasjonene der.
Eksempelet nedenfor er basert på noen slike funksjoner, men sydd sammen manuelt. Vi må forvente et større utbud av menystyrte løsninger for utvikling og sammenbinding. Slike tekster må kontrolleres for feil og justeres for bedre flyt og retorikk. Studentene kan jo delta i dette?
Uløst problem
Enten timen er organisert på samme sted eller går online, gir det nå liten mening med lærers monolog og Powerpoint som støttehjul. Studentene må selv være aktive. De kan bygge egne læringsressurser og læringsmiljøer. Det inngår i danning og utdanning.
Det blir et tydelig krav til underviserne at de kan legge opp og lede slike aktivitetsbaserte læringsformer. Det samme gjelder å utvikle eller forbedre digitale læringsressurser for enkel bruk og gjenbruk. Forskerutdanning og opptreningen der legger liten vekt på dette, særlig på lavere nivåer og i masseutdanning. Man blir god av å øve.
Dosentstigen er bedre posisjonert. Men det fordrer et annet samspill mellom utforskning og utviklingsarbeid. Universitetet utvikler jo teknikk, prosedyrer og metodikk for å kunne utforske fenomener, og de utforsker dem for å kunne utvikle nye operative tilnærminger. Det første fanges godt i begrepet om eksperimentelt utviklingsarbeid. Siden det i så stor grad handler om tekster og tekstteknologi, kreves det også evne til praktisk og fagdidaktisk kuratering – sheer digital curation – av læringsressursene.
Vi trenger bedre balanse.
Helge Høivik 30.11.24
Eksempel
Here we contrast three core machine learning paradigms: supervised learning, which uses labelled data to predict outcomes; unsupervised learning, which identifies patterns in unlabelled data; and reinforcement learning, which trains agents to make decisions through trial and error via rewards and penalties.
Each approach employs different algorithms and is suited to distinct tasks. The text highlights key features, algorithms, and examples for each paradigm, concluding that the optimal choice depends on the problem and data availability. Supervised learning excels at prediction, unsupervised learning at uncovering hidden structures, and reinforcement learning at decision-making in dynamic environments.
Machine learning (ML) can be broadly categorized into three main paradigms based on how algorithms learn from data and interact with their environment:
- supervised learning,
- unsupervised learning, and
- reinforcement learning.
Each has distinct characteristics, methods, and use cases.
Supervised Learning
- Definition: Supervised learning involves training an ML model on a labeled dataset, where each input is paired with a corresponding output (label). The model learns to map inputs to outputs by minimizing the error in predictions.
- Key Features:
- Requires labeled data.
- Focuses on predicting outcomes or classifying data.
- The model’s performance is measured by its accuracy on test data.
- Algorithms:
- Regression (e.g., linear regression, logistic regression)
- Classification (e.g., decision trees, support vector machines, neural networks)
- Examples:
- Predicting house prices based on features like size and location (regression).
- Classifying emails as spam or not spam (classification).
Unsupervised Learning
- Definition: Unsupervised learning deals with unlabeled data. The goal is to uncover patterns, groupings, or structures within the data without predefined labels or outcomes.
- Key Features:
- Does not require labeled data.
- Focuses on discovering hidden patterns or relationships.
- Outputs are often clusters or associations rather than specific predictions.
- Algorithms:
- Clustering (e.g., k-means, hierarchical clustering)
- Dimensionality reduction (e.g., PCA, t-SNE)
- Examples:
- Grouping customers into segments based on purchasing behavior (clustering).
- Reducing the number of features in a dataset while retaining meaningful information (dimensionality reduction).
Reinforcement Learning (RL)
- Definition: Reinforcement learning focuses on training agents to make sequential decisions by interacting with an environment. The agent learns by receiving feedback in the form of rewards or penalties for its actions.
- Key Features:
- Requires a defined environment and reward structure.
- Focuses on learning optimal policies for decision-making.
- Performance improves through trial and error.
- Algorithms:
- Q-Learning
- Deep Reinforcement Learning (e.g., Deep Q-Networks)
- Policy Gradient Methods
- Examples:
- Training a robot to navigate a maze by rewarding it for reaching the goal.
- Developing an AI agent to play chess or video games by maximizing winning strategies.
Key Differences
Conclusion
The choice between supervised, unsupervised, and reinforcement learning depends on the problem’s nature and the available data. Supervised learning excels at predictive tasks, unsupervised learning uncovers hidden insights, and reinforcement learning drives decision-making in dynamic environments. Each paradigm plays a unique role in expanding the capabilities of machine learning.