Machine Learning je AI pristup gde algoritmi uče iz podataka bez eksplicitnog programiranja, kontinualno poboljšavajući svoje predikcije. Umesto da programer napiše sve pravila, ML algoritam „uči“ sa vremenom dok se primeni na nove podatke.

Kako funkcioniše? (1) Algoritam se obučava na velikom skupu podataka sa poznatim rezultatima. (2) Algoritam pronalazi obrasce u podacima – npr. „obično e-mailove sa reči ‘KUPUJ SADA’ su spam“. (3) Sa novim e-mailom, algoritam koristi usvojena obrasce da prediče – „ovo je verovatno spam“. (4) Ako predikcija krivi, algoritam se prilagođava.

Praktičan primer: Netflix koristi ML. Netflix skuplja milije podataka: koji filmovi gledaš, koliko minuta gledaš, sa kim gledaš. Zatim ML pronalazi obrasce – „osobe koje vole sci-fi često vole horore takođe“. Onda preporučuje slične filmove.

Vrste ML: (1) Supervised learning – algoritam uči sa znanjem šta je tačno (classification, regression); (2) Unsupervised learning – algoritam sam pronalazi obrasce (clustering); (3) Reinforcement learning – algoritam uči kroz nagrada i kaznu (kao game AI).

Prednosti ML: (1) Automatizacija – umesto da napiše pravila, sistema se sama prilagođava; (2) Skalabilnost – sa više podataka, model je bolji; (3) Adaptabilnost – sistem se menja kada se podaci menjaju; (4) Predikcija – može predviđati budućnost sa dobrom tačnošću.

Međutim, ML ima probleme: (1) Needs data – trebalo milije primera za dobar model; (2) Bias – ako podaci sadržavaju pristrasnosti, model će biti pristrasna; (3) Opaque – nije jasno kako model dolazi do zaključaka; (4) Costly – obučavanje je skupo.

Za startape: ML je moćna alat. Koristi za predvidjanja, klasifikacije, preporuke.