Vad är AI? Vi reder ut begreppen du behöver känna till
Idag används AI inom de flesta områden och branscher. Du använder förmodligen AI dagligen, kanske helt utan att tänka på det. AI, eller artificiell intelligens som är det ursprungliga namnet, kan kort beskrivas som intelligenta program med förmåga att uppfatta, resonera, agera och anpassa sig efter rådande omständigheter och förutsättningar. Och även om det finns AI-algoritmer och tekniker som använts sedan 1950-talet, så har intresset för AI aldrig varit så stort som det är just nu.
Intresset för AI har i många avseenden drivits på av framsteg inom något som kallas för maskininlärning, och speciellt inom specifika maskininlärningssystem som vid inlärningsfasen kräver stor beräkningskraft och enorma mängder data (djupinlärning). I denna artikel klargör jag vad artificiell intelligens egentligen är och vilka begrepp och tekniker som är bra att känna till inom området.
Artificiell Intelligens idag
Idag används AI-tekniken av exempelvis sökmotorer, digitala assistenter, karttjänster, mobilkameror, väderprognoser och rekommendationsmotorer. AI används även inom transportnäringen för att hitta optimala rutter, av läkare för att ställa diagnoser från röntgenbilder, inom finans för att förutsäga valutakurser och ändringar i aktiemarknaden, av banker för att detektera bedrägerier och penningtvätt, och mycket mer.
Artificiell intelligens har redan öppnat upp nya möjligheter och sätt att lösa problem för oss människor. Men då tekniken fortfarande bara är i startgroparna av sin utveckling är det svårt att se någon gräns för dess tillämpningar och användningsområden. Det går det dock att få en försmak av framtiden genom att titta på robotarna från företaget Boston Dynamics. Deras robotar använder AI för att lära sig att hålla balansen, gå, hoppa, klättra, se, och – som i videon nedan – dansa.
Maskininlärning (Machine Learning)
Till skillnad mot artificiell intelligens – som har en tämligen bred och diffus definition – är maskininlärning mer formellt definierad. Maskininlärning definieras vanligen som algoritmer och program med förmåga att lära sig utan att explicit ha blivit programmerade för uppgiften. Tekniken, som då kan ses som en mer distinkt delgrupp av artificiell intelligens, delas själv vanligtvis in i följande fyra grupper:
Vägledd inlärning (Supervised Learning)
Vägledd inlärning är förmodligen den mest använda metoden inom maskininlärning. Tekniken används i system som tränas upp med data, men som behöver lite hjälp på vägen. Datan som används vid vägledd inlärning behöver vara försedd med etiketter, då dessa används för att vägleda modellen mot bättre och bättre prediktioner. Efter inlärningsfasen är målet att modellen ska ha generaliserats så pass bra att den kan identifiera icke-etiketterad data som den aldrig har sett förut. Detta kan antingen ske genom klassificering, där en viss klass ur en begränsad mängd alternativ ska bestämmas, eller regression, där ett eller flera tal istället ska bestämmas.
Ickevägledd inlärning (Unsupervised Learning)
Ickevägledd inlärning används när datan är okänd och ej har några etiketter. Modellerna måste då lära sig helt utan vägledning genom att leta efter mönster och strukturer i datan. Även om inlärningen sker helt utan vägledning så måste systemet bevakas noggrant av utvecklarna eftersom det inte går att kontrollera resultatet gentemot ett känt svar. Tekniken används ofta för att automatiskt upptäcka underliggande kluster som sedan kan kopplas till olika insikter.
Förstärkningsinlärning (Reinforcement Learning)
Förstärkningsinlärning skiljer sig en del från de tidigare två maskininlärningsteknikerna. Lite förenklat kan det sägas att tekniken består av ett program, eller agent, som strävar mot ett bestämt mål, och vars beteende förstärks genom att iterativt ge agenten en positiv, kontra negativ belöning, baserat på dess handling i varje iteration. Det går alltså att säga att förstärkningsinlärning fungerar genom att systemet provar sig fram med en slags ”trial and error”-strategi.
Djupinlärning (Deep Learning)
Djupinlärningssystem består av stora artificiella neurala nätverk, vars uppbyggnad inspirerats av hjärnans biologiska neuronnät, som vid träning kräver stora mängder data, tid, och beräkningskraft. Djupinlärning används inom alla tre kategorier av maskininlärning, men är allra vanligast inom vägledd djupinlärning.
Som nämndes i början av artikeln så är det just framsteg inom djupinlärning som har varit en av de största bidragande faktorerna till den enorma uppmärksamheten som AI fått på sistone. Dessa framsteg har drivits på av den exponentiella tillväxten av både datorkraft och informationstillgänglighet som vi har sett de senaste åren.
En av de största fördelarna med djupinlärning är att feuture engineering inte behöver utföras. Feuture engineering innebär att träningsdatan bearbetas manuellt innan den matas in till systemet genom att försöka hitta och bestämma olika attribut och egenskaper som systemet kan lära sig av. Eftersom detta manuella arbete i regel är relativt omständligt och komplicerat är det ofta svårt att träna ”icke-djupa” system om träningsdatan består av många datapunkter. Ett djupinlärningsnätverk kan däremot automatiskt hitta dessa features i träningsdatan, vilket medför att systemet kan tränas med data som består av stora mängder datapunkter, som till exempel ljud, bilder och video.
AI i verksamheten
Vad för typ av maskininlärning som passar bäst i din verksamhet beror så klart på vilka behov, förväntningar, och ändamål verksamheten har. Utöver detta så kan ibland gränserna mellan de olika teknikerna inom maskininlärning vara otydlig, med många olika hybridlösningar, som till exempel semi-vägledd och självövervakande inlärning.
Det viktigaste är att ha en tydlig bild av vad som är önskat att åstadkomma, vilka frågeställningar som ska besvaras samt att inte glömma att tänka på vilket affärsvärde det potentiella AI-projektet skulle medföra.
