Masinõpe on teadusvaldkond, mille eesmärk on töötada välja algoritme, mis teevad empiiriliste andmete põhjal otsuseid ja ennustusi. Just masinõpe on tänapäeva tehisintellekti rakenduste – juturobotite, pildituvastuse ja soovitussüsteemide – alus.
Algus 1950. aastatel
Masinõpe sai alguse 1950. aastatel, kui Arthur Samuel lõi kabet mängiva programmi. 1959. aastal ilmunud Oliver Selfridge’i artikkel „Pandemoonium” kirjeldas arhitektuuri, mis suutis modelleerida inimesega sarnast mustrite tuvastamist.
Pertseptronist otsustuspuudeni
1960. aastatel loodi esimene tehisnärvivõrk ehk pertseptron, mis on lineaarne klassifitseerija. 1970. aastatel arendas Ross Quinlan välja otsustuspuid genereeriva ID3 algoritmi. Järgnevatel aastakümnetel arendati andmekaevet, Bayesi võrkudel põhinevat õpet ja tugivektor-masinaid ning tehisnärvivõrgud kogusid uuesti populaarsust.
Kuidas masinõpe töötab?
Lihtsustatult: algoritmile antakse palju näiteid ja see leiab neist mustreid. Näiteks rämpsposti filter õpib tuhandete märgistatud kirjade põhjal eristama rämpsposti tavalisest kirjast. Mida paremad ja mitmekesisemad on andmed, seda täpsem on mudel.
Reeglid Euroopas
Euroopa Liidu tehisintellektimäärus kehtestab masinõppel põhinevatele süsteemidele riskipõhised reeglid: enamik süsteeme on minimaalse riskiga, kuid suure riskiga süsteemidele kehtivad ranged nõuded.