| dc.description.abstract | Maskinlæring er en type kunstig intelligens som gjør det mulig for en datamaskin å lære og gjøre forutsigelser basert på data, uten å bli eksplisitt programmert. Fremgangsmåten er å gi maskinen en stor mengde data, for deretter å la maskinen selv finne mønstre og lage regler for hvordan den skal løse oppgaven. På denne måten kan maskinen lære å gjøre ting som å gjenkjenne bilder, forutsi fremtidige hendelser eller løse komplekse problemer. Samtidig kan maskinlæring også medføre en rekke utfordringer, særlig innen personvern og etikk. Mange er også bekymret for at maskiner kan bli så avanserte at de overgår menneskets evne til å forstå eller kontrollere dem. Det er derfor viktig å ha kunnskap om hvordan maskinlæring fungerer, for å bruke det på en bærekraftig og ansvarsfull måte.
Denne oppgaven bruker reinforcement learning, som er en type maskinlæring der en datamaskin lærer gjennom å prøve og feile. Dette gjøres ved at maskinen får en belønning eller straff for hvert valg den tar. Den justerer seg deretter for å gjøre det valget som gir størst gevinst. På denne måten kan maskinen lære å ta optimale valg i et gitt miljø.
Reinforcement Learning kan brukes innen flere ulike områder, som for eksempel robotikk, spill og finansielle prognoser. Det er mange forskjellige algoritmer for reinforcement learning, inkludert Q-learning og Monte Carlo Tree Search. Disse algoritmene kan brukes til å løse komplekse problemer som å finne den beste strategien i et spill, eller å lære og bevege seg rundt i et miljø. Maskinlæringsalgoritmen i denne oppgaven gjør nettopp dette. Programmet konstruerer en labyrint fra et dybdekart som maskinlæringsalgoritmen skal bevege seg i. Gjennom å prøve og feile skal algoritmen lære seg hvordan labyrinten (sjøkartet) ser ut og deretter finne raskeste vei fra A til B.
Algoritmen kan kjøres direkte i programmeringsspråket Python. For å bruke algoritmen har det blitt lagd et grafisk brukergrensesnitt for å gjøre det hele mer brukervennlig. Med brukergrensesnittet kan man enkelt plotte inn start- og sluttpunkt i et kart og bekrefte det med en knapp. Dette gjør gradene til punktene om til koordinater som algoritmen leser av. Knappen starter også maskinlæringsalgoritmen som begynner å kartlegge området rundt start og slutt. Den vil etter en viss tid finne raskeste rute fra start til slutt med god sikkerhetsavstand til land. Deretter plotter den til slutt ruten i brukergrensesnittet.
For at maskinlæringsalgoritmen skal kunne anvendes i Sjøforsvaret, mangler det noen funksjoner før programmet er en komplett løsning. Per nå blir det ikke presentert noen data i brukergrensesnittet som kan brukes til å navigere, annet enn distansen og den visuelle ruten. Med implementering av GPS, AIS og kursretning for de ulike strekningene vil programmet ikke bare være et godt planleggingsverktøy, men også et godt verktøy for navigatørene under transitt. Derfor er dette et konseptbevis på at maskinlæring kan nyttes til ruteplanlegging i Sjøforsvaret. | en_US |
