Du har garanterat hört talas om AI eller Artificiell Intelligens, potentiellt har du även hört det nämnas i samma sammanhang som Maskininlärning (Machine Learning) eller Djupinlärning (Deep Learning). AI är inget nytt begrepp, men det är ett ämne som diskuterats allt mer frekvent och intensivt den senaste tiden. På 2by2 har vi under en längre tid kommit i kontakt med AI i samband med att vi arbetat tillsammans med företagsstyrelser och företagsledning för att hjälpa dem definiera sin övergripande strategi. En reflektion vi gjorde tidigt var att medan många kände till begreppet AI så var det relativt få som kunde förklara vad det egentligen var för något. I den här artikeln skall vi försöka förklara AI och vad det är, på ett så konkret sätt som bara möjligt.

AI som begrepp och företeelse är inte ett nytt påfund, faktum är att redan 1956 myntade en av pionjärerna på området, John McCarthy, begreppet under en konferens på Dartmouth College.

McCarthy definierade AI som “The science and engineering of making intelligent machines” eller fritt översatt till svenska som “Vetenskapen och tekniken för att skapa intelligenta maskiner”.

Nyckeln i denna definition är ”intelligenta” och det kan vara värt att uppehålla oss just kring detta, vad exakt menar vi med ”intelligenta maskiner” i definitionen av AI? En intelligent maskin är en maskin som har möjlighet att efterlikna mänsklig intelligens genom att kontinuerligt lära och utvecklas genom ny input och data. Det finns alltså ett mått av dynamik i AI till skillnad från klassiskt definierade, mer statiska, funktioner.

Maskininlärning (MI) är en teknisk disciplin inom AI som i grunden handlar om att skapa modeller med förmåga att lära och skapa logik genom stora mängder data där kvaliteten på resultatet står i korrelation med omfattning av data och erfarenhet. Resultatet av en sådan modell kan exempelvis vara klassificering, estimat eller trender. Maskininlärning är en förutsättning för att göra AI adaptiv.

Det finns tre olika typer av maskininlärning som det kan vara bra att känna till. I övervakat lärande (”supervised learning” på engelska) utgår vi från indata som klassificerats på ett korrekt och riktigt sätt och där vi på förhand alltså känner till klassificeringen. Syftet med oövervakat lärande (”unsupervised learning” på engelska) å andra sidan är att söka klassificera indata utan att vi på förhand nödvändigtvis vet vilka kategorier vi kan förvänta oss. Den tredje varianten kallas förstärkt lärande och är en metod som utgår från att vi vid inlärningen kan få konkret och direkt återkoppling. Vilken metod av MI som väljs handlar primärt om vad vi vill uppnå, övervakat lärande passar bra ex. för identifiering av vägskyltar (vi vet vilka skyltarna kan vara). Oövervakat lärande kan exempelvis vara att föredra om vi med hjälp av MI vill identifiera segment i vår kundbas, givet att vi inte exakt vet vilka segment vi kan förvänta oss. Förstärkt lärande kan exempelvis användas för att bygga en spelmotor där vi i slutänden kan få ett kvitto för huruvida dragen var bra eller dåliga.

Djupinlärning (DI) är en specifik variant av Maskininlärning som utgår från att efterlikna den mänskliga hjärnans funktion genom matematiska analysmodeller som byggs upp som neurala nätverk i en arkitektur med flera olika lager. Termen djup relaterar här till antalet lager som dessa modeller kan byggas upp kring.

På engelska benämns detta som Artificial Narrow Intelligence (ANI) och det här är principiellt den enda AI som vi i dagsläget har uppnått. ANI är AI som löser en specifik uppgift, men som såklart gör det på ett intelligent sätt. Exempelvis en självkörande bil, rekommendationsmotor för streamingtjänst för musik eller film, spam-filter på din dator etc.

På engelska benämns detta som Artifical Genral Intelligence (AGI). Generell AI är AI där maskinen i fråga uppnår en mer generell människoliknande intelligens och inte är begränsad till att lösa en specifik uppgift. I dagsläget har ingen lyckats uppnå generell AI och det debatteras flitigt om vi någonsin kommer uppnå AGI. I filmer och böcker används AGI dock frekvent och faktum är nog att det är AGI som många tänker initialt på då diskussion kring AI uppstår. Ett exempel, bara för att nämna något, är HBO-serien Westworld där robotar med generell intelligens utvecklar intelligens som i slutänden leder till att de revolterar mot människorna. En fantastisk serie, men som bygger på teknik och AI som inte finns i verkligheten.

Artificiell Intelligens, AI = Vetenskapen och tekniken för att skapa intelligenta maskiner som i någon utsträckning har förmågan att efterlikna mänsklig intelligens genom att kunna utvecklas och förbättras dynamiskt över tid genom ny data och erfarenhet.

Vi skiljer på smal AI (ANI) som löser specifika uppgifter i kontrast till generell AI (AGI) som har intelligens mer efterliknande den bredd som människan besitter. Hitintills har vi bara tillgång till ANI och det är inte givet att vi kommer uppnå AGI.

Maskininlärning (MI) är en disciplin inom AI och en förutsättning för att skapa adaptiva lärande AI-tillämpningar.

Djupinlärning (DI) är en specifik variant av MI som baserar sig på matematiska modeller som struktureras som neurala nätverk i flera olika lager.