Vad är AI? Historik, definitioner och tillämpningar

Historia

Artificiell intelligens spelar alltmer en större roll i våra liv, och den senaste trenden är AI-chips och de medföljande smartphone-applikationerna. Men denna teknik började utvecklas så tidigt som på 50-talet med Dartmouth Summer Research Project on Artificial Intelligence vid Dartmouth College i USA. Dess ursprung går ännu längre tillbaka till Alan Turings arbete – till vilken vi kan tillskriva det berömda Turing-testet —, Allen Newell och Herbert A. Simon, men AI hamnade inte i rampljuset på världsscenen förrän schacksuperdatorn Deep Blue kom från IBM, som var den första maskinen som besegrade den då försvarande schackvärldsmästaren Garry Kasparov i en match 1996. AI-algoritmer har använts i datacenter och på stora datorer i många år, men är först på senare tid närvarande inom konsumentelektronikens område.

Definition av artificiell intelligens

Definitionen av artificiell intelligens karakteriserar det som en gren av datavetenskap som sysslar med automatisering av intelligent beteende. Här är den svåra delen: Eftersom du inte kan definiera intelligens exakt i sig, kan artificiell intelligens inte heller definieras exakt. Generellt sett används termen för att beskriva system vars syfte är att använda maskiner för att emulera och simulera mänsklig intelligens och motsvarande beteende. Detta kan åstadkommas med enkla algoritmer och fördefinierade mönster, men kan också bli mycket mer komplext.

Olika typer av AI

Symbolisk eller symbolmanipulerande AI arbetar med abstrakta symboler som används för att representera kunskap. Det är den klassiska AI som driver tanken att mänskligt tänkande kan rekonstrueras på en hierarkisk, logisk nivå. Information bearbetas uppifrån och arbetar med mänskligt läsbara symboler, abstrakta samband och logiska slutsatser.

• AIs föds upp på videospel…inte för att slå oss, utan för att gå med oss

Neural AI blev populär inom datavetenskap i slutet av 80-talet. Här representeras kunskap inte genom symboler, utan snarare artificiella neuroner och deras kopplingar – ungefär som en rekonstruerad hjärna. Den insamlade kunskapen bryts ner i små bitar – neuronerna – och kopplas sedan ihop och byggs in i grupper. Detta tillvägagångssätt är känt som bottom-up-metoden som fungerar underifrån. Till skillnad från symbolisk AI måste ett neuralt system tränas och stimuleras så att de neurala nätverken kan samla erfarenhet och växa, och därför samla på sig större kunskap.

Neurala nätverk är organiserade i lager som är kopplade till varandra via simulerade linjer. Det översta lagret är ingångslagret, som fungerar som en sensor som tar emot informationen som ska bearbetas och skickar den vidare nedanför. Detta följs nu av minst två – eller fler än tjugo i stora system – lager som ligger hierarkiskt över varandra och som skickar och klassificerar information via kopplingarna. Allra längst ner finns utgångsskiktet, som i allmänhet har det minsta antalet artificiella neuroner. Den ger de beräknade uppgifterna i maskinläsbar form, dvs ”bild på en hund under dagen med en röd bil.”

Metoder och verktyg

Det finns olika verktyg och metoder för att tillämpa artificiell intelligens på verkliga scenarier, av vilka några kan användas parallellt.

Grunden i allt detta är maskininlärning, vilket definieras som ett system som bygger upp kunskap från erfarenhet. Denna process ger systemet förmågan att upptäcka mönster och lagar – och med ständigt ökande hastighet och noggrannhet. Inom maskininlärning används både symbolisk och neural AI.

Deep learning är en undertyp av maskininlärning som blir allt viktigare. Endast neural AI, dvs neurala nätverk, används i detta fall. Deep learning är grunden för de flesta aktuella AI-applikationer. Tack vare möjligheten att alltmer utöka utformningen av de neurala nätverken och göra dem mer komplexa och kraftfulla med nya lager, är djupinlärning lätt skalbar och anpassningsbar till många applikationer.

Det finns tre inlärningsprocesser för att träna neurala nätverk: övervakad, icke-övervakad och förstärkande inlärning, vilket ger många olika sätt att reglera hur en input blir den önskade outputen. Medan målvärden och parametrar specificeras utifrån i övervakat lärande, försöker systemet i oövervakat lärande identifiera mönster i inmatningen som har en identifierbar struktur och kan reproduceras. I förstärkningsinlärning arbetar maskinen också självständigt, men belönas eller straffas beroende på framgång eller misslyckande.

Ansökningar

Artificiell intelligens används redan inom många områden, men alla är inte alls synliga vid första anblicken. Att välja scenarier som drar nytta av denna tekniks möjligheter är därför inte på något sätt en komplett lista.

Artificiell intelligenss mekanismer är utmärkta för att upptäcka, identifiera och klassificera föremål och personer på bilder och videor. För detta ändamål används enkel men CPU-intensiv mönsterdetektering. Om bildinformationen är dekrypterad och maskinläsbar i första hand kan foton och filmer enkelt delas in i kategorier, sökas och hittas. Sådan igenkänning är också möjlig för ljuddata.

Kundtjänst använder alltmer chatbots. Dessa textbaserade assistenter utför igenkänning med hjälp av nyckelord som kunden kan berätta för den och de svarar därefter. Beroende på användningen kan denna assistent vara mer eller mindre komplex.

Opinionsanalys används inte bara för att prognostisera val inom politiken, utan även inom marknadsföring och många andra områden. Opinionsmining, även känd som sentimentanalys, används för att leta igenom internet efter åsikter och känslomässiga uttryck, vilket gör det möjligt att skapa en till stor del anonymiserad opinionsundersökning.

Sökalgoritmer som Googles är naturligtvis topphemliga. Sättet på vilket sökresultat beräknas, mäts och matas ut bestäms till stor del av mekanismer som arbetar med maskininlärning.

Ordbehandling, eller kontroll av en texts grammatik och stavning, är en klassisk tillämpning av symbolisk AI som har använts under lång tid. Språk definieras som ett komplext nätverk av regler och instruktioner som analyserar textblock i en mening och, under vissa omständigheter, kan identifiera och korrigera fel.

Dessa förmågor används också för att syntetisera tal, vilket för närvarande är populärt med assistentsystem som Siri, Cortana, Alexa eller Google Assistant.

På nya smarttelefonchips som Kirin 970 är artificiell intelligens integrerad i sin egen komponent, NPU eller neural processing unit. Processorn gör sin debut i Huawei Mate 10. Du kommer att lära dig mer om den och de roller som tekniken kommer att spela på Huawei-smarttelefonen när vi har en chans att experimentera med den inom en snar framtid. Qualcomm har redan arbetat på en NPU, Zeroth-processorn, i två år, och det nya Apple A11-chippet innehåller en liknande komponent.

Dessutom finns det många forskningsprojekt om artificiell intelligens och det mest framträdande av alla kan vara IBMs Watson. Datorprogrammet hade redan gjort sin första offentliga debut 2011 i frågesportprogrammet Jeopardy, där det ställdes mot två mänskliga kandidater. Watson vann, naturligtvis, och ytterligare publicitetsframträdanden ägde rum efteråt. Ett japanskt försäkringsbolag har använt Watson sedan januari för att kontrollera försäkrade kunder, deras historia och medicinska data och för att utvärdera skador och sjukdomar. Enligt företagets uppgifter har Watson bytt ut ett 30-tal anställda. Förlust av jobb genom automatisering är bara en av de etiska och sociala frågorna kring AI som är föremål för företagsforskning och akademisk forskning.

Utsprång

AI är inte något som bara kommit från ingenstans nyligen, men det närmar sig ett genombrott i hemelektronikvärlden, vilket är mer än tillräckligt med anledning för alla att hålla sig uppdaterade med detta ämne i framtiden.

Vilka aspekter av artificiell intelligens tycker du är utomordentligt intressanta? Låt oss veta i kommentarerna nedan!

Källa:
1&1, Qualcomm, Behärskning av maskininlärning