Artificiell intelligens (AI), Machine learning (ML, på svenska maskininlärning) och Deep learning (DL, på svenska djupinlärning) har blivit riktiga buzz-ord, de används ofta men tyvärr uttryckt synonymt. Nedan förklarar jag samtliga begrepp och hur de förhåller sig till varandra.

Artificiell intelligens (AI)

Det finns lika många definitioner som det finns experter. Men i stora drag så är syftet med AI att få maskinerna lära sig att tala, tänka och lösa problem helt på egen hand, utan en mänsklig inblandning.

Det finns tre kategorier inom AI; 1) narrow/weak (förkortas som ANI, översättas som “svag” på svenska), 2) general/strong (förkortas som AGI, översätts som “generell”/”stark” AI) och 3) super (förkortas som ASI,  “super” AI). 

  1. Röst Assistans t.ex. Apples Siri eller Google Alexa är två exempel på narrow/weak AI (ANI). De är duktiga på ett mycket begränsat område. De kan besvara specifika frågor, men att hämta ett glas vatten är ytterst svårt för dem. Ett annat exempel är e-postens metod att sorterar bort dina spammail och placerar dem i en spam-mapp, modellen har lärt sig hur ett typiskt spam mail ser ut. 
  2. Generell intelligens (AGI), är som namnet indikerar, den intelligensen som kan bli applicerad på generella uppgifter, samtidigt som den lär och förbättrar sig själv. Ett exempel på AGI är AlphaGo, ett mjukvaruprogram som spelar det strategiska brädspelet Go. Dock kan programmet endast spela Go, men forskarna menar att dess intelligens kan appliceras på andra områden. 
  3. Super intelligens, en intelligens som oroar många i dagsläget. Denna intelligens kommer vara mer kraftfull och mer sofistikerad än vår hjärnans intelligens. Människans intelligens anses vara en av de mest kapabla och utvecklade. AGI kan överträffa mänsklig intelligens, den kan komma att tänka i abstraktioner som är omöjlig för människor att uppnå.

Machine learning (ML)

Machine learning är ett forskningsområde inom AI. Definitionen av machine learning är att utan en regelbaserad programmering ska maskinen på ett självständigt sätt förstå och hantera stora mängd data samt förbättra sig själv, utan människans interaktion. För att maskiner ska på ett självständigt sätt hantera och ta egna beslut behövs en uppsättning av algoritmer. Ju mer maskinerna använder sina algoritmer för att bearbeta och analysera ny information desto smartare blir de för varje körning.

Deep learning (DL)

Deep learning är också ett forskningsområde, men inom ML. Deep learning går ut på att mata maskiner med mycket stora dataset, dessa dataset ligger till grund för tolkning av ny data. Deep learning löser problem med utvalda metoder, en av metoderna är besläktad med hur vår mänskliga hjärna bearbetar information. DL använder sig av konstgjorda neurala nätverk som efterliknar den mänskliga hjärnans sätt att bearbeta information och ta beslut baserat på den givna datan.

Så hur funkar neurala nätverk? Låt oss gå igenom ett kort exempel. 

Neurala nätverk fungerar på ett sådant sätt att du har input, en process samt output. Du vill att din modell ska kunna identifiera om en frukt är en banan eller ett äpple. 

  1. Du matar din modell med data så att den kan lära sig se skillnad på äpplen och bananer. 
  2. Efter träning så vill du testa hur bra din modell är. Du visar en bild på ett grönt äpple 
  3. Modellen lär sig att identifiera äpplet korrekt då den har tränat och fått bearbeta många bilder på gröna äpplen. 
  4. Därefter visar du en bild på en omogen, grön banan. 
  5. Modellen identifierar frukten som ett äpple. Problemet som uppstår är att modellen har lagt en större vikt vid färg än vid formen, då den har blivit matad med endast bilder på gula bananer och gröna äpplen. Du meddelar att modellen har tagit fel och den justerar om sig. 
  6. Denna justeringen gör att modellen kan nu identifiera olika typer av äpplen och bananer. För varje rättning, eller mer data som modellen processar så blir den bättre och bättre på att identifiera objekt.
A, B, C och D skulle motsvara färgen, formen eller miljön som äpplen och bananer oftast finns i, Bildkälla

Varför pratar alla om AI idag? AI utvecklingen har exploderat på grund av bland annat följande faktorer: 

  • Ökad tillgång till stora datamängder: 90% av datan vi har idag har samlats under de senaste två åren. Datamängden som finns tillgänglig idag gör det enkelt att skapa många AI-lösningar med hög noggrannhet
  • Ökad tillgång till billig datorkraft och datalagring t.ex. genom olika molntjänster: I samband med dagens snabba utveckling har datorerna som finns ute på marknaden blivit billigare samtidigt som de fått snabbare processorer.
  • Mer sofistikerade algoritmer och verktyg: Det finns ett stort utbud av olika ramverk och verktyg som gör det enklare att skapa modeller
  • Sammankopplade nätverk som lär av varandra: All information är tillgänglig online, fler har tillgång till detta än tidigare. Fler datorer som är uppkopplade kan ta del av informationen som finns. Om en modell lär sig något kan samtliga modeller som är uppkopplade få denna informationen samtidigt. Om en självstyrande bil lär sig något ute i den verkliga miljön, så lär sig samtliga bilar precis det medan de är parkerade i garaget.
  • Snöbollseffekten: Intresset genererar fler och fler. När det finns så mycket resurser för att utforska AI leder till att fler blir intresserade av att utforska.

Det sägs att AI är bland det sista människan behöver skapa, det kommer revolutionera vår värld, oss och hur vi uppfattar oss själva.

Mitt namn är Sofia Hassan, och det är jag som driver bloggen AI, Tech & Motivation Jag hoppas att detta inlägg gav dig en grundförståelse i vad Artificiell Intelligens, Machine Learning och Deep Learning är. Häng med mig på min resa inom AI!

Bildkälla storbild


0 Comments

Lämna ett svar

E-postadressen publiceras inte.