Metabeskrivelse: Da nevrale nettverk feilet, tok ren statistikk over. Les om SVM, Random Forest og epoken da maskinlæring ble et pålitelig industrielt verktøy.
Etter to runder med overopphetede forventninger og påfølgende AI-vintre var forskningsmiljøet på 1990-tallet ferdig med store filosofiske visjoner om å gjenskape menneskehjernen. Feltet trengte resultater som fungerte i praksis – ikke biologiske metaforer, men streng matematisk etterrettelighet.
Dette tiåret markerer skiftet der maskinlæring for alvor forlot «kunstig intelligens»-leiren og ble adoptert av statistikere, matematikere og dataingeniører.
Vladimir Vapnik og Support Vector Machines (SVM)
Det mest innflytelsesrike symbolet på denne epoken kom i 1995, da Vladimir Vapnik og Corinna Cortes presenterte Support Vector Machines (SVM).
Hvor et nevralt nettverk kunne være ustabilt og lande på vilkårlige løsninger, tilbød SVM en elegant, geometrisk garanti. Algoritmen leter etter det optimale hyperplanet – den skillelinjen som maksimerer avstanden (marginen) mellom to klasser med data.
Det geniale lå i det som kalles «kjernetrikset» (the kernel trick). Hvis dataene ikke lar seg skille med en rett linje i to dimensjoner, projiserer SVM punktene matematisk opp i et høydimensjonalt rom der de plutselig kan deles med et flatt plan – uten at det koster enorme mengder regnekraft.
Gjennom hele 90-tallet og tidlig 2000-tall knuste SVM nevrale nettverk i nesten alle praktiske oppgaver, fra tekstklassifisering til medisinsk diagnostikk.
Trær, skoger og spamfiltre
Samtidig vokste andre pragmatiske metoder frem:
Beslutningstrær og Random Forests: Leo Breiman og Adele Cutler utviklet teknikker som kombinerte hundrevis av enkle beslutningstrær for å gjøre robuste prediksjoner uten overtilpasning.
Naïve Bayes: Enkle sannsynlighetsmodeller basert på Bayes’ teorem ble industristandarden for å rense innboksene våre for uønsket e-post.
Hvorfor denne epoken var livsviktig
I dag omtales ofte 90-tallet som en kjedelig mellomfase der nevrale nettverk lå brakk. Det er en feilvurdering.
Det var i denne perioden maskinlæring etablerte sine moderne vitenskapelige standarder: strenge skiller mellom trenings- og testsett, kryssvalidering, og en dyp forståelse for balansen mellom modellens fleksibilitet og overtilpasning (bias-variance tradeoff). Maskinlæring sluttet å være en akademisk kuriositet og ble selve ryggraden i moderne dataindustri.