AI, eller artificiell intelligens, är enorm just nu. “Olösliga” problem löses, miljarder dollar investeras och Microsoft anlitade till och med Common för att berätta hur bra AI det är med talad poesi. Usch.
Som med all ny teknik kan det vara svårt att skära igenom hypen och begripa vad det handlar om.
Du kanske har frågor om AI såsom:
- Vad pratar människor om när de säger AI?
- Vad är skillnaden mellan AI, maskininlärning och djupinlärning?
- Vad är så bra med djupt lärande?
- Vilken typ av tidigare svåra problem är nu lätt att lösa och vad är fortfarande svårt?
Vi vet att många undrar dessa saker. Så om du har undrat vad AI Artificiell intelligens handlar om på den mest grundläggande nivån är det dags att utforska det i denna artikel.
Vad är AI?
Det finns ett gammalt skämt inom datavetenskap som går så här: vad är skillnaden mellan AI och automatisering? Tja, automatisering är vad vi kan göra med datorer, och AI är vad vi önskar att vi kunde göra. Så snart vi räknar ut hur man gör något slutar det att vara AI och börjar bli automatisering.
Det skämtet existerar eftersom AI idag inte är väl definierat – artificiell intelligens är helt enkelt inte en teknisk term. Om du skulle leta upp det på Wikipedia är AI “intelligens som demonstreras av maskiner, i motsats till den naturliga intelligensen som visas av människor och andra djur.” Det är ungefär så vagt som det kan bli.
I allmänhet finns det två typer av AI: stark AI och svag AI. Stark AI är vad de flesta kanske tänker på när de hör AI – någon gudlik allvetande intelligens som kan generella resonemang och människoliknande intelligens samtidigt som de överträffar mänskliga förmågor.
Svag AI: er är mycket specialiserade algoritmer utformade för att svara på specifika, användbara frågor inom snävt definierade problemdomäner. Ett riktigt bra schackspelprogram till exempel passar denna kategori. Detsamma gäller för programvara som verkligen är korrekt när det gäller att justera försäkringspremier. Dessa AI-inställningar är imponerande på sitt eget sätt men totalt sett mycket begränsade.
DeepMind AI behöver bara fyra timmars självträning för att bli en schackherre
Hollywood åt sidan, idag är vi inte någonstans nära en stark AI. Just nu är all AI svag AI, och de flesta forskare på området håller med om att de tekniker vi har kommit fram till för att göra riktigt bra svaga AI: er förmodligen inte får oss till starka AI.
Så AI representerar för närvarande mer av en marknadsföringsterm än en teknisk. Anledningen till att företag utråvar sina ”AI: er” i motsats till ”automatisering” beror på att de vill åberopa bilden av Hollywood AI: er i allmänhetens sinne. Men … det är inte helt fel. Om vi är nådiga, kan företag helt enkelt försöka säga att även om vi inte är i närheten av starka AI, är dagens svaga AI betydligt mer kapabla än för bara några år sedan.
Alla marknadsföringsinstinkter åt sidan, det är faktiskt sant. I vissa områden har det faktiskt skett en kraftig förändring av kapaciteten i maskiner, och det beror till stor del på de två andra “buzz words” som du hör mycket: maskininlärning och djupinlärning (machine learning och deep learning).
Maskininlärning (Machine Learning)
Maskininlärning är ett särskilt sätt att skapa maskininformation. Låt oss säga att du ville starta en raket och förutsäga var den kommer att gå. Detta är, i det stora tingen av saker, inte så svårt: tyngdkraften är ganska väl förstått och du kan skriva ner ekvationerna och räkna ut var det kommer att gå utifrån några variabler som hastighet och startposition.
Men det blir svårt när du tittar på något där reglerna inte är lika tydliga och välkända. Säg att du vill att en dator ska titta på bilder och att du vill veta om någon av dem visar en bild av en katt. Hur skriver du ner regler för att beskriva hur varje möjlig kombination av katter och kattöron ser ut från alla möjliga vinklar?
Facebook har stora ambitioner för modern AI
Maskininlärningsmetod är välkänd nu: istället för att försöka skriva ner reglerna bygger du ett system som kan räkna ut sin egen uppsättning av internaliserade regler efter att ha fått många exempel. Istället för att försöka beskriva katter skulle du bara visa din AI en hel del bilder på katter och låta den räkna ut vad som är och inte är en katt.
Detta är perfekt för vår nuvarande värld. Ett system som lär sig sina egna regler från data kan förbättras med mer data. Och om det är en sak som vi har blivit riktigt bra på som art, genererar, lagrar och hanterar vi mycket data. Vill du bli bättre på att känna igen katter? Internet genererar miljontals exempel just denna sekund.
Den ständigt ökande strömmen av data är en del av varför maskininlärningsalgoritmer har exploderat. Den andra delen har att göra med hur man använder data.
För maskininlärning finns det förutom data två andra relaterade frågor:
Hur minns jag vad jag har lärt mig? Hur lagrar och representerar jag på en dator relationer och regler som jag har extraherat från exempeldata?
Hur gör jag inlärningen? Hur ändrar jag den representation som jag har lagrat som svar på nya exempel och blir bättre?
Med andra ord, vad är det som faktiskt gör inlärningen från all denna information?
I maskininlärning kallas beräkningsrepresentationen av inlärningen du lagrar modellen. Den typ av modell du använder har enorma effekter: den avgör hur din AI lär sig, vilken typ av data den kan lära av och vilken typ av frågor du kan ställa om den.
