Hva er «AI» og hvordan virker det?

Kunstig intelligens (KI), eller «Artificial Intelligence (AI)» på engelsk, handler om å utvikle datasystemer som kan lære av egne erfaringer og løse komplekse problemer i ulike situasjoner og miljøer. Hvis en maskin kan løse problemer, utføre en oppgave eller vise andre kognitive funksjoner som et menneske kan så kan vi si at det har kunstig intelligens.

Ifølge regjeringen.no kan kunstig intelligens defineres som systemer som «utfører handlinger, fysisk eller digitalt, basert på tolkning og behandling av strukturerte eller ustrukturerte data, i den hensikt å oppnå et gitt mål.»

For mennesker er det helt naturlig å kunne resonnere, se helhetsbildet, kjenne igjen lyd og bilder, løse problemer, håndtere usikkerhet, ta vare på og ta i bruk kunnskap på nye områder, bruke sunn fornuft, lære av sine feil og kommunisere på et forståelig språk. Dette er ikke like lett å gjenskape med teknologi.

AI-pionéren Alan Turing stilte i 1950 spørsmålet «kan maskiner tenke?» og han foreslo en test for å avgjøre dette spørsmålet. Maskiner har ennå ikke bestått Turing-testen selv om de beste algoritmene nå er så gode at de kan lure oss til å tro de er mennesker. I alle fall for en kort stund.

Kunstig intelligens som ligner på menneskelig intelligens, såkalt kunstig generell intelligens («Artificial General Intelligence, AGI), er vi fremdeles langt unna å oppnå i dag. Kunstig generell intelligens omtales ofte som «sterk» AI, mens AI som «kun» kan løse de spesifikke problemene den er bygget for kalles «svak» eller «smal» AI.


Kunstig intelligens faller ofte innenfor to kategorier

Kunstig intelligens som ligner på menneskelig intelligens, såkalt kunstig generell intelligens («Artificial General Intelligence, AGI), er vi fremdeles langt unna å oppnå i dag. Kunstig generell intelligens omtales ofte som «sterk» AI, mens den typen AI som er i bruk i dag kalles «svak» eller «smal» AI.

«Smal» eller «svak» AI: Dette er løsninger som er innrettet mot et bestemt «smalt» område eller utviklet med tanke på én bestemt oppgave. Smal AI utfører ofte én oppgave svært godt som for eksempel bildebehandling eller mønstergjenkjenning for spesifikke formål. Disse maskinene kan virke svært intelligente, men har gjerne langt større begrensninger enn selv enkel menneskelig intelligens.

«Generell» eller «sterk» AI: Kunstig generell intelligens er det vi, enn så lenge, ser på film, som robotene i Westworld, Interstellar eller Terminator. En generell AI kan, slik som mennesker, bruke sitt intellekt til å løse alle typer problemer, generalisere læring og erfaringer fra ett problem til et annet, og tenke helhetlig rundt komplekse problemstillinger.

Eksempler på produkter og tjenester som bruker kunstig intelligens

  • Google-søk
  • Digitale assistenter som Siri og Alexa
  • Film- og sanganbefalinger fra Netflix og Spotify
  • Selvkjørende biler
  • Spamfiltre i e-post
  • Snapchat-linser som gjenkjenner ansikter og ansiktsuttrykk
  • Gjenkjenning av ansikter i bilder du laster opp på Facebook

Smal kunstig intelligens

Ikke la deg lure av navnet. Såkalt smal eller «svak» AI finner vi i dag overalt og kan være utrolig effektivt. Hittil er det den mest vellykkede realiseringen av kunstig intelligens og er brukt i alle eksemplene du finner i listen over. Smal AI er programmert for å utføre en bestemt oppgave – om det er å sjekke været, spille sjakk eller analysere rådata til å skrive rapporter.

Smal AI kan utføre oppgaver i sanntid, men de trekker informasjon fra spesifikke datasett. Derfor kan de ikke utføre oppgaver som er utenfor det de er trent til å gjøre. I motsetning til generell eller sterk AI, som vi skriver om litt lenger ned, er ikke smal AI bevisst, selvbevisst eller drevet av følelser slik mennesker er. De opererer innenfor begrensede rammer selv om de kan virke som de er mer sofistikerte enn det. Med andre ord kaller vi det «svak» AI fordi de «ikke kan tenke selv».

Systemer med smal kunstig intelligens kan prosessere data og utføre oppgaver mye raskere enn mennesker, noe som har gjort det mulig å øke produktivitet, effektivitet og ikke minst livskvalitet. Det er derfor en viktig del av en digitaliseringsstrategi og har et stort potensiale for å bidra til å drive bedriften din mer effektivt.

Det finnes også mange gode eksempler på hvor AI-systemer kan være en rådgiver for medisinsk personell innenfor definerte domener, som for eksempel kreftbehandling. AI står også sentralt innenfor såkalt presisjonsmedisin hvor man får en mer spisset behandling ut i fra spesifikk informasjon om deg som pasient.

Hva er maskinlæring og dyp læring?

Når vi i dag hører om løsninger basert på kunstig intelligens, er det som regel løsninger som baserer seg på maskinlæring. Det aller meste av kunstig intelligens må trenes opp for å kunne gjøre det vi vil de skal gjøre. Hvis man viser dataprogrammet mange nok bilder av katter og hunder, vil det til slutt lære seg å se forskjell på dyreartene like godt som oss mennesker. Dette var en helt utenkelig oppgave for kun få år siden, men er nå blitt allmenn teknologi selv din egen smarttelefon kan bruke.

Begrepet maskinlæring dekker en rekke ulike teknikker som benyttes for å gjøre datamaskinen i stand til å trekke erfaring fra store mengder data og ta valg basert på denne kunnskapen, fremfor å eksplisitt fortelle datamaskinene hva den skal gjøre. På denne måten kan datamaskinen på egen hånd utvikle analysemodeller og se etter spor i store datamengder, uten å bli fortalt nøyaktig hva den skal lete etter.

Ved utvikling av AI-systemer med maskinlæring, vil maskinlæringsalgoritmer bygge matematiske modeller basert på eksempeldata eller treningsdata. Disse modellene brukes deretter til å ta beslutninger. Det kreves store mengder data og stor regnekraft for å utvikle god kunstig intelligens, og da er det viktig at dataene er gode.

Virksomheter kan bruke maskinlæring til å automatisere analyse av historiske trender og sammenhenger i store datamengder og på den måten identifisere mønstre i dataene, mye mer effektivt enn ved manuell analyse. Disse mønstrene kan igjen skape forretningsverdi ved at de benyttes som beslutningsgrunnlag for avgjørelser. Det er først når innsikt omsettes i handling og det skapes resultater at maskinlæring har gitt en konkret forretningsverdi.

Maskinlæringsalgoritmer lærer vanligvis på tre ulike måter

Veiledet læring: Algoritmen trenes med et datasett der både inndata og resultat er gitt. Man kan si at algoritmen både får «oppgaven» og «fasiten» og bruker dette til å bygge modellen. Ut fra dette vil den senere være i stand til å ta en beslutning basert på inndata.

Ikke-veiledet læring: Algoritmen får bare et datasett uten «fasit» og må selv finne mønstre i datasettet som den senere kan bruke for å ta beslutninger om nye inndata.

Forsterkende læring: Algoritmen bygger modellen sin basert på ikke-veiledet læring, men får tilbakemelding fra bruker eller operatør om beslutningen den foreslår er god eller dårlig. Tilbakemeldingen mates inn i systemet og bidrar til å forbedre modellen.

Dyplæring

Dyplæring er en fellesbetegnelse på nyere metoder innen maskinlæring som gjør det mulig å bygge mer komplekse modeller. Det er en læreprosess som handler om å trene opp såkalte kunstige nevrale nettverk.

Innen kunstig intelligens brukes nevrale nettverk om en datastruktur inspirert av den menneskelige hjernen. Nettverket består av prosesseringsenheter, kalt «nevroner» som er knyttet sammen via «synapser».

Et nevralt nettverk vil bestå av tre deler: 
  • et lag med inndata, 

  • et eller flere skjulte lag av nevroner og synapser, 

  • og et lag med resultater.

Hvis det er mer enn ett skjult lag, regnes det som dyp læring. De første nevrale nettverkene som ble utforsket hadde bare ett lag. Et slik nevralt nettverk kan man tenke på som et hus, med en første etasje, en øvre etasje og et tak. Et dypt nettverk er mer som en skyskraper, der hver etasje tilsvarer et lag i nettverket.

Mer komplekse modeller er ofte umulig å forklare, det vil si at man ikke vet hvordan man har kommet til et gitt svar. Enkelte dyplæringsalgoritmer kan sammenlignes med en «sort boks», der man ikke har innsyn i modellen som kan forklare hvorfor en gitt inndataverdi gir et gitt resultat. Det kan for eksempel være en utfordring om du får avslag på jobbsøknaden din, men at det i etterkant er helt umulig å svare godt på hvorfor du fikk det.

Dyplæring er i dag en viktig del av utbredte løsninger som bildebehandling og datasyn, talegjenkjenning og behandling av naturlig språk. 

Andre anvendelsesområder er 

De mest brukte rammeverkene for dyplæring er utviklet av Google (TensorFlow) og Facebook (PyTorch).

Artikkelen fortsetter etter videoen.

loading-player

Playback of this video is not currently available

1:13

Om etikk og forklarbarhet i AI

Videoen er tekstet.

Generell kunstig intelligens

Et av science fiction-filmenes favorittmotiver er kunstig intelligente roboter som overgår menneskene mentalt. I alt fra Terminator-serien, Matrix, til Her og Ex Machina får utviklingen konsekvenser som i beste fall kan kalles urovekkende. Dette er vi langt unna ennå.

Å lage en maskin som kan tenke som et menneske og som kan brukes til hva som helst er AI-forskernes hellige gral. Det viser seg å være lettere å få til på film enn i virkeligheten.

AI-systemer er designet etter menneskehjernen. Siden vi selv ikke forstår vår egen hjerne fullt og helt er det også vanskelig å lage en modell av den og etterligne hvordan den fungerer. Dersom vi får til å lage en generell kunstig intelligens, vil den ha evnen til å forbedre seg selv og tilegne seg kunnskaper som langt overgår noe vi har sett tidligere.

Norske eksempler på kunstig intelligens


Lær mer om kunstig intelligens

{{filterContent.facetedTitle}}

{{contentList.loadingText}}

Kontakt oss

Børge Ellingsen Kristiansen

Børge Ellingsen Kristiansen

Manager, PwC Norway

Tlf: 986 40 934

Lars Erlend  Leganger

Lars Erlend Leganger

Direktør | AI ekspert, PwC Norway

Tlf: 99712762