Vad är Artificiell Intelligens (AI) egentligen?

Artificiell intelligens (AI) gör det möjligt för maskiner att lära sig av erfarenhet, anpassa sig till nya situationer och utföra mänskliga uppgifter.

De flesta AI-exempel som du hör om idag – från schackspelande datorer till självkörande bilar – förlitar sig starkt på djup inlärning och naturlig språkbearbetning. Med hjälp av denna teknik kan datorer tränas för att utföra specifika uppgifter genom att bearbeta stora mängder data och känna igen mönster i detta.

AI historik

Begreppet artificiell intelligens myntades 1956, men AI har blivit mer populärt idag tack vare ökade datamängder, avancerade algoritmer och förbättringar av datorkraft och lagring.

Tidig AI-forskning på 1950-talet undersökte ämnen som problemlösning och symboliska metoder. På 1960-talet intresserade det amerikanska försvarsdepartementet sig för denna typ av arbete och började utbilda datorer för att efterlikna grundläggande mänskliga resonemang. Till exempel genomförde (DARPA) Defense Advanced Research Projects Agency gatukartläggningsprojekt under 1970-talet. Och DARPA producerade intelligenta personliga assistenter 2003, långt innan Siri, Alexa eller Cortana var hushållsnamn.

Detta tidiga arbete banade vägen för automatisering och intelligenta resonemang som vi ser i datorer idag, inklusive beslutssupportsystem och smarta söksystem som kan utformas för att komplettera och förbättra mänsklig kapacitet.

Medan Hollywood-filmer och science fiction-romaner skildrar AI som mänskliga liknande robotar som tar över världen, är den nuvarande utvecklingen av AI-tekniker inte så skrämmande – eller så smart. Istället har AI utvecklats för att ge många specifika fördelar i olika branscher.

Varför är Artificiell Intelligens viktig?

AI automatiserar repetitivt lärande och upptäckt genom data. Men AI skiljer sig från hårdvarudriven robotautomation. Istället för att automatisera manuella uppgifter utför AI ofta datorer med hög volym pålitligt och utan trötthet. För denna typ av automatisering är mänsklig utredning fortfarande nödvändig för att ställa in systemet och ställa rätt frågor.

AI lägger till intelligens till befintliga produkter. I de flesta fall kommer AI inte att säljas som en enskild ansökan. Snarare kommer produkter du redan använder att förbättras med AI-kapaciteter, precis som Siri har lagts till som en funktion i en ny generation av Apple-produkter. Automation, samtalsplattformar, bots och smarta maskiner kan kombineras med stora mängder data för att förbättra många tekniker hemma och på arbetsplatsen, från säkerhetsintelligens till investeringsanalys.

AI anpassar sig genom progressiva inlärningsalgoritmer för att låta data utföra programmeringen. AI hittar struktur och regelbundenhet i data så att algoritmen förvärvar en färdighet: Algoritmen blir en klassificerare eller en prediktor. Så precis som algoritmen kan lära sig att spela schack, kan den lära sig själv vilken produkt som ska rekommenderas nästa online. Och modellerna anpassas när de ges nya data. Back propagation är en AI-teknik som gör det möjligt för modellen att justera, genom träning och tillagda data, när det första svaret inte är helt rätt.

AI analyserar mer och djupare data med hjälp av neurala nätverk som har många dolda lager. Att bygga ett bedrägeriupptäckningssystem med fem dolda lager var nästan omöjligt för några år sedan. Allt som har förändrats med otrolig datorkraft och big data. Du behöver massor av data för att träna djupa inlärningsmodeller eftersom de lär sig direkt från uppgifterna. Ju mer data du kan mata dem, desto mer exakta blir de.

AI uppnår otrolig noggrannhet genom djupa neurala nätverk – vilket tidigare var omöjligt. Till exempel är dina interaktioner med Alexa, Google Search och Google Photos alla baserade på djup inlärning – och de blir allt mer exakta ju mer vi använder dem. Inom det medicinska området kan AI-tekniker från djup inlärning, bildklassificering och objektigenkänning nu användas för att hitta cancer på MRI med samma noggrannhet som högutbildade radiologer.

AI får ut mesta möjliga av data. När algoritmer är självlärande kan själva informationen bli immateriell egendom. Svaren finns i uppgifterna; du måste bara använda AI för att få dem ut. Eftersom datorns roll nu är viktigare än någonsin tidigare kan det skapa en konkurrensfördel. Om du har de bästa uppgifterna i en konkurrensutsatt bransch, även om alla använder liknande tekniker, kommer de bästa uppgifterna att vinna.

Vad är utmaningen med Artificiell Intelligens?

Vilka är utmaningarna med att använda konstgjord intelligens?
Konstgjord intelligens kommer att förändra varje bransch, men vi måste förstå dess gränser.

Den huvudsakliga begränsningen av AI är att den lär sig av data. Det finns inget annat sätt på vilket kunskap kan integreras. Det betyder att eventuella felaktigheter i uppgifterna kommer att återspeglas i resultaten. Och eventuella ytterligare lager av förutsägelse eller analys måste läggas till separat.

Dagens AI-system utbildas för att utföra en tydligt definierad uppgift. Systemet som spelar poker kan inte spela patiens eller schack. Systemet som upptäcker bedrägeri kan inte köra bil eller ge dig juridisk rådgivning. I själva verket kan ett AI-system som upptäcker bedrägeri inom hälso- och sjukvården inte exakt upptäcka skattebedrägerier eller bedrägeri med garanti.

Med andra ord, dessa system är mycket, mycket specialiserade. De är fokuserade på en enda uppgift och är långt ifrån att uppträda som människor.

På samma sätt är självinlärningssystem inte autonoma system. Den föreställda AI-tekniken som du ser i filmer och TV är fortfarande science fiction. Men datorer som kan undersöka komplexa data att lära sig och perfekta specifika uppgifter blir ganska vanliga.

Hur fungerar artificiell intelligens?

AI fungerar genom att kombinera stora mängder data med snabb, iterativ bearbetning och intelligenta algoritmer, vilket gör att programvaran automatiskt kan lära av mönster eller funktioner i data. AI är ett brett studiefält som innehåller många teorier, metoder och tekniker samt följande huvuddelar:

Maskininlärning

Maskininlärning automatiserar analytisk modellbyggnad. Den använder metoder från neurala nätverk, statistik, operationsforskning och fysik för att hitta dolda insikter i data utan att uttryckligen programmeras för var man ska titta eller vad man ska sluta.

Neurala nätverk

Ett neuralt nätverk är en typ av maskininlärning som består av sammankopplade enheter (som neuroner) som bearbetar information genom att svara på externa ingångar, vidarebefordra information mellan varje enhet. Processen kräver flera pass vid data för att hitta anslutningar och hämta mening från odefinierade data.

Djupt lärande

Djupt lärande använder enorma neurala nätverk med många lager av behandlingsenheter, och utnyttjar framstegen i datorkraft och förbättrade träningstekniker för att lära sig komplexa mönster i stora mängder data. Vanliga applikationer inkluderar bild- och taligenkänning.

Kognitiv beräkning

Kognitiv beräkning är ett underfält av AI som strävar efter en naturlig, mänsklig-liknande interaktion med maskiner. Med hjälp av AI och kognitiv datoranvändning är det slutliga målet att en maskin ska simulera mänskliga processer genom förmågan att tolka bilder och tal – och sedan tala koherent som svar.

Datorsyn

Datorsyn bygger på mönsterigenkänning och djup inlärning för att känna igen vad som finns i en bild eller video. När maskiner kan bearbeta, analysera och förstå bilder kan de fånga bilder eller videor i realtid och tolka omgivningen.

Natural Language Processing (NLP)

Natural Language Processing (NLP) är datorns förmåga att analysera, förstå och generera mänskligt språk, inklusive tal. Nästa steg i NLP är naturligt språkinteraktion, vilket gör att människor kan kommunicera med datorer med normalt, vardagligt språk för att utföra uppgifter.

Dessutom möjliggör och stöder flera tekniker AI:

Grafiska behandlingsenheter är nyckeln till AI eftersom de ger den tunga datorkraften som krävs för iterativ behandling. Utbildning av neurala nätverk kräver big data plus datorkraft.

Internet of Things genererar enorma mängder data från anslutna enheter, de flesta av det oanalyserade. Genom att automatisera modeller med AI kan vi använda mer av det.

Avancerade algoritmer utvecklas och kombineras på nya sätt för att analysera mer data snabbare och på flera nivåer. Denna intelligenta bearbetning är nyckeln till att identifiera och förutsäga sällsynta händelser, förstå komplexa system och optimera unika scenarier.

API: er eller applikationsbehandlingsgränssnitt är bärbara kodpaket som gör det möjligt att lägga till AI-funktionalitet till befintliga produkter och programvarupaket. De kan lägga till bildigenkänningsfunktioner i hemsäkerhetssystem och frågor och svar som beskriver data, skapar bildtexter och rubriker eller ropar intressanta mönster och insikter i data.

Sammanfattningsvis är målet med AI att tillhandahålla programvara som kan resonera på input och förklara på output. AI kommer att tillhandahålla mänsklig-liknande interaktioner med programvara och erbjuda beslutsstöd för specifika uppgifter, men det är inte en ersättning för människor – och kommer inte att vara när som helst snart.

Lämna ett svar

E-postadressen publiceras inte. Obligatoriska fält är märkta *