Heading

Duis mollis, est non commodo luctus, nisi erat porttitor ligula, eget lacinia odio sem nec elit. Curabitur blandit tempus porttitor. Sed posuere consectetur est at lobortis.

Det lærer du

• Udregne afstanden mellem to punkter i et koordinatsystem
• Opsamle og sortere data i regneark
• Kende nogle af de algoritmer, der bruges til anbefalinger: K-NN og A-NN
• Forstå, hvordan sange, film og lignende kan modelleres i et koordinatsystem ud fra deres egenskaber

Del 1: Anbefalingsalgoritmer i hverdagen

Inden I går i gang med matematikken, skal I tale om de anbefalingsalgoritmer, I møder hver dag.

Del 2: Disney+ anbefaler

I skal nu prøve selv at være anbefalingsalgoritme. På arbejdsarket møder I to opdigtede børn, Lucca og Charlie. I ved, hvilken film de hver især har set sidst, og I skal foreslå fire film, de kunne have lyst til at se.

Del 3: Mød forskeren

I skal nu undersøge to af de algoritmer, Rasmus Pagh og hans kollegaer arbejder med: K-NN og A-NN.

Del 4: K-NN algoritmen

K-NN står for “K-Nearest Neighbors”, de K nærmeste naboer. Algoritmen finder de punkter, der ligger tættest på det, du sidst har set, og foreslår dem som anbefalinger. Først skal I se en kort video, der forklarer hvordan K-NN virker.

1. Video: Hvad betyder K-NN?

Del 5: A-NN algoritmen

A-NN står for “Approximate Nearest Neighbors”, omtrentlige nærmeste naboer. Hvor K-NN beregner afstanden til alle punkter, så tager A-NN en genvej: den deler koordinatsystemet ind i felter og leder kun efter naboer i de felter, der er tæt på. Det går hurtigere, men er ikke altid lige så præcist.

1. Video: Hvad betyder A-NN?

Del 6: Matematisk modellering

Det, I lige har gjort, er et eksempel på matematisk modellering. I tager noget fra virkeligheden, en sang eller en film, og oversætter det til matematik, et punkt i et koordinatsystem. Derefter bruger I matematik (afstandsberegning) til at finde et svar, og til sidst fortolker I, om svaret giver mening i virkeligheden.

• Forsimpling: fra den komplekse virkelighed til en afgrænset problemstilling
• Oversættelse: fra ord til matematik (sang eller film bliver til et punkt)
• Matematisk problemløsning: selve afstandsberegningen
• Fortolkning: hvad betyder svaret tilbage i virkeligheden?
• Virkede det? er svaret godt nok, eller skal vi prøve igen?

Del 7: Opsamling og dilemmaer

Del 8: Perspektivering, hvad arbejder Rasmus Pagh med nu?

I har nu undersøgt to af de grundlæggende algoritmer, Rasmus Pagh og hans kollegaer arbejder med. Men forskningen står ikke stille.

Privacy og anbefalinger

Når en streamingtjeneste eller en musiktjeneste skal anbefale noget, har den brug for data om dig. Hvad har du set? Hvad har du hørt? Hvad har andre, der ligner dig, kunne lide? Men jo mere data tjenesten samler, jo mere ved den om dig som person, og det rejser nogle vigtige spørgsmål om privatliv. En af Rasmus Paghs forskningsinteresser er privacy, altså beskyttelse af personlige data, og hvordan man kan lave gode anbefalinger uden at indsamle for meget om den enkelte bruger.

Skal en anbefalingsalgoritme overraske?

De fleste algoritmer er bygget til at give dig mere af det, du allerede kender. Men når Spotify altid foreslår sange, der minder om dem, du har hørt, kan det være svært at opdage ny musik. Det samme gælder Netflix og YouTube. Forskere som Rasmus Pagh arbejder på, hvordan algoritmer kan blive bedre til både at ramme dine præferencer og samtidig give dig nye perspektiver. Det er et matematisk spørgsmål, men også et samfundsmæssigt et: hvad sker der, hvis vi kun præsenteres for det, vi allerede ved, vi kan lide?

Materialer til forløbet

• Elevark
• Klippeark (til Disney+ øvelsen)
• K-NN anbefalingsalgoritmen, del A
• K-NN anbefalingsalgoritmen, del B
• Skema og koordinatsystem
• Dataopsamling til A-NN øvelsen (regneark)

Tak for denne gang.