Artificiell Intelligens

Vad innebär artificiell intelligens (AI)?

Artificiell intelligens (AI), även känt som maskinintelligens, är en gren inom datavetenskap som fokuserar på att bygga och hantera teknik som kan lära sig att självständigt fatta beslut och utföra handlingar på uppdrag av en människa.

AI är inte en enskild teknik. Istället är det ett paraplybegrepp som omfattar alla typer av program- eller hårdvarukomponenter som stöder maskininlärning, expertsystem, generativ AI och vissa typer av robotteknik.

Dagens AI arbetar främst med konventionell CMOS-baserad hårdvara och innehåller en blandning av traditionella algoritmer och datadrivna maskininlärningsmodeller.

I takt med att tekniken har blivit alltmer integrerad i vardagliga tillämpningar har dock intresset ökat för neuromorf teknik, ett forskningsområde som försöker efterlikna den mänskliga hjärnans arkitektur genom design av specialiserad hårdvara och algoritmer optimerade för låg strömförbrukning och realtidsbearbetning.

AI-användningsfall i näringslivet

AI tillämpas för närvarande på en rad olika funktioner både i laboratoriet och i kommersiella miljöer, inklusive följande tekniker:

  • Artificiella neurala nätverk är beräkningsmodeller som inspirerats av den mänskliga hjärnans struktur och funktion. De består av sammankopplade noder (neuroner) som bearbetar och överför information, vilket gör att nätverket kan lära sig mönster och relationer från data genom träning.
  • Djupinlärning är en iterativ metod för artificiell intelligens som staplar algoritmer för maskininlärning i en hierarki med ökande komplexitet och abstraktion. Deep learning är för närvarande den mest sofistikerade AI-arkitekturen som används idag.
  • Taligenkänning gör det möjligt för ett intelligent system att omvandla mänskligt tal till text eller kod.
  • Natural Language Generation möjliggör konversationsinteraktion mellan människor och datorer.
  • Med datorseende kan en maskin skanna en bild och använda jämförande analys för att identifiera objekt i bilden.
  • Expert systems gain var en av de tidiga AI-teknikerna som utvecklades under 1970- och 1980-talen. Dessa system syftade till att fånga upp mänskliga experters kunskaper och beslutsprocesser inom specifika domäner och använda dessa kunskaper för att ge rekommendationer eller fatta beslut. Även om expertsystem kanske inte diskuteras lika mycket som nyare AI-teknik som deep learning och neurala nätverk, har de fortfarande praktiska tillämpningar inom hälso- och sjukvård, finans och teknik.

Techopedia förklarar artificiell intelligens (AI)

AI för ofta tankarna till en kännande dator i science fiction, men verkligheten är en helt annan. I den verkliga världen är AI-system specialiserade verktyg som är utformade för att utföra specifika uppgifter, t.ex. bildigenkänning, språköversättning eller dataanalys. Dessa system saknar medvetande, känslor och självmedvetande. Istället arbetar de utifrån algoritmer och mönster som de lärt sig från data, och deras kapacitet begränsas av deras programmering och utbildning.

Vilka typer av AI finns det och hur skiljer de sig åt?

AI beskrivs ofta i termer av att vara antingen svag eller stark. Idag är de flesta affärstillämpningar av AI maskininlärningstillämpningar av svag AI.

  • Smal (svag) AI kan bara utföra en begränsad uppsättning förutbestämda funktioner.
  • Allmän (stark) AI sägs motsvara den mänskliga hjärnans förmåga att fungera självständigt utifrån en stor mängd stimuli;
  • Super-AI förväntas en dag överträffa mänsklig intelligens (och kan tänkas ta över världen).

AI-initiativ diskuteras också i termer av att de tillhör en av fyra kategorier:

  • Reaktiv AI förlitar sig på realtidsdata för att fatta beslut.
    Begränsat minne AI förlitar sig på lagrade data för att fatta beslut.
  • Theory of Mind AI kan ta hänsyn till subjektiva faktorer som t.ex. användarens avsikt när beslut fattas.
  • Självmedveten AI har ett människoliknande medvetande som självständigt kan sätta upp mål och använda data för att bestämma det bästa sättet att uppnå ett mål.

Ett bra sätt att visualisera dessa skillnader är att föreställa sig AI som en professionell pokerspelare. En reaktiv spelare baserar alla beslut på den aktuella handen i spelet, medan en spelare med begränsat minne tar hänsyn till sina egna och andra spelares tidigare beslut.

En Theory of Mind-spelare tar hänsyn till andra spelares beteenden och slutligen funderar en självmedveten professionell AI-spelare på om det verkligen är det bästa sättet att använda sin tid och ansträngning på att spela poker för att tjäna sitt levebröd.

Skillnaden mellan AI och maskininlärning

Maskininlärning (ML) är en delmängd av AI som fokuserar på att bygga modeller som gör att datorer kan lära sig av data. Istället för att uttryckligen programmeras för att utföra en uppgift använder ML-modeller data för att göra förutsägelser eller fatta beslut.

I princip är all ML AI, men all AI använder inte ML-tekniker. Till exempel faller regelbaserade expertsystem och symbolisk AI under AI-paraplyet men involverar inte nödvändigtvis inlärning från data på samma sätt som ML gör.

Utvecklingsstadierna för artificiell intelligens

Artificiell intelligens kan ersätta ett helt system och fatta alla beslut från början till slut, eller så kan den användas för att förbättra en specifik process. Ett vanligt lagerhanteringssystem kan till exempel visa de aktuella nivåerna av olika produkter, medan ett intelligent system kan identifiera brister, analysera orsaken och dess effekt på den övergripande leveranskedjan och till och med vidta åtgärder för att korrigera den.

Efterfrågan på snabbare och mer energieffektiv informationsbearbetning ökar exponentiellt i takt med att AI blir allt vanligare i affärstillämpningar. Konventionell hårdvara för digital bearbetning kan inte hålla jämna steg med denna efterfrågan. Därför tar forskarna inspiration från hjärnan och överväger alternativa arkitekturer där nätverk av artificiella neuroner och synapser bearbetar information med hög hastighet och adaptiv inlärningsförmåga på ett energieffektivt och skalbart sätt.

Relaterade termer

Margaret Rouse

Margaret Rouse är en prisbelönt teknisk skribent och lärare som är känd för sin förmåga att förklara komplexa tekniska ämnen för en icke-teknisk affärspublik. Under de senaste tjugo åren har hennes förklaringar publicerats på TechTargets webbplatser och hon har citerats som en auktoritet i artiklar av New York Times, Time Magazine, USA Today, ZDNet, PC Magazine och Discovery Magazine.Margarets idé om en rolig dag är att hjälpa IT- och affärsproffs att lära sig tala varandras högt specialiserade språk. Om du har ett förslag på en ny definition eller hur man kan förbättra en teknisk förklaring, vänligen maila Margaret eller kontakta…