Kunstig intelligens (AI): Introduktion og typer
Evelyn Clarke
Hvad er kunstig intelligens (AI)?
AI (kunstig intelligens) er en maskines evne til at udfรธre kognitive funktioner pรฅ samme mรฅde som mennesker, sรฅsom at opfatte, lรฆre, rรฆsonnere og lรธse problemer. Benchmarken for AI er det menneskelige niveau med hensyn til rรฆsonnement, tale og syn.
I denne tutorial om kunstig intelligens lรฆrer du de grundlรฆggende elementer i kunstig intelligens, som er dรฆkket i afsnittene nedenfor.
Hvordan AI skaber forretningsvรฆrdi
I dag bruges AI i nรฆsten alle brancher, hvilket giver virksomheder, der integrerer det i stor skala, en teknologisk fordel. Ifรธlge McKinsey har AI potentiale til at skabe vรฆrdi for 600 milliarder dollars i detailhandlen og bringe 50 % mere inkrementel vรฆrdi i banksektoren sammenlignet med andre analyseteknikker. Inden for transport og logistik er det potentielle omsรฆtningsspring pรฅ op til 89 %.
Hvis en organisation for eksempel bruger AI til sit marketingteam, kan den automatisere trivielle, gentagne opgaver, sรฅ salgsreprรฆsentanter kan fokusere pรฅ relationsopbygning og leadpleje. En virksomhed kaldet Gong leverer en samtaleintelligenstjeneste: hver gang en salgsreprรฆsentant foretager et opkald, optager, transskriberer og analyserer maskinen samtalen, og ledere bruger AI-analyser og anbefalinger til at forme en vindende strategi.
Kort sagt leverer AI banebrydende teknologi til at hรฅndtere komplekse data, som et menneske ikke kan behandle alene. Det automatiserer overflรธdige job, sรฅ medarbejderne kan fokusere pรฅ opgaver med hรธj vรฆrdi, og nรฅr det implementeres i stor skala, reducerer det omkostninger og รธger omsรฆtningen.
Historien om kunstig intelligens
Kunstig intelligens er et modeord i dag, men begrebet er ikke nyt. I 1956 organiserede eksperter med forskellig baggrund et sommerforskningsprojekt om kunstig intelligens. Fire kvikke hjerner ledte det: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), og Claude Shannon (Bell Telephone Laboratories). Her er en kort historie om kunstig intelligens.
| ร r | Milepรฆl / Innovation |
|---|---|
| 1923 | Karel ฤapeks skuespil โRossums universelle robotterโ introducerede ordet โrobotโ pรฅ engelsk. |
| 1943 | Foundations til neurale netvรฆrk blev lagt. |
| 1945 | Isaac Asimov, en tidligere studerende fra Columbia University, brugte udtrykket "robotik". |
| 1956 | John McCarthy brugte fรธrst udtrykket "kunstig intelligens", og det fรธrste kรธrende AI-program blev demonstreret. |
| 1964 | Danny Bobrows MIT-afhandling viste, hvordan computere kunne forstรฅ naturligt sprog. |
| 1969 | Stanford Research Institute udviklede Shakey, en robot med bevรฆgelses- og problemlรธsningsfunktioner. |
| 1979 | Stanford Cart, verdens fรธrste computerstyrede autonome kรธretรธj, blev bygget. |
| 1990 | Vรฆsentlige demonstrationer inden for maskinlรฆring. |
| 1997 | Deep Blue-skakprogrammet slog verdensmesteren Garry Kasparov. |
| 2000 | Interaktive robotkรฆledyr blev kommercielt tilgรฆngelige; MIT viste Kismet, en robot der udtrykker fรธlelser. |
| 2006 | AI kom ind i erhvervslivet; virksomheder som Facebook, Netflix, og Twitter begyndte at bruge det. |
| 2012 | Google lanceret โGoogle "Nu", en Android funktion, der tilbyder forudsigelser. |
| 2018 | IBMs โProjekt Debaterโ debatterede komplekse emner med mesterdebattรธrer og klarede sig exceptionelt godt. |
Mรฅl for kunstig intelligens
De primรฆre mรฅl med AI er:
- Reducer den tid, der er nรธdvendig for at udfรธre specifikke opgaver.
- Gรธr det nemmere for mennesker at interagere med maskiner.
- Fremme mere naturlig og effektiv interaktion mellem menneske og computer.
- Forbedre nรธjagtigheden og hastigheden af โโmedicinske diagnoser.
- Hjรฆlp folk med at lรฆre nye oplysninger hurtigere.
- Forbedre kommunikationen mellem mennesker og maskiner.
Underomrรฅder af kunstig intelligens
Her er de vigtige underfelter inden for kunstig intelligens.
Maskinelรฆring: Kunsten at studere algoritmer, der lรฆrer af eksempler og erfaringer. Den er baseret pรฅ at identificere mรธnstre i data og bruge dem til fremtidige forudsigelser. I modsรฆtning til hardcodede regler lรฆrer maskinen selv reglerne.
Deep Learning: Et underfelt inden for maskinlรฆring, der bruger flere lag til at lรฆre af data. Modellens dybde er antallet af lag, den indeholder; for eksempel, Google's LeNet-model til billedgenkendelse har 22 lag.
Natural Language Processing (NLP): Den gren af โโAI, der gรธr det muligt for maskiner at lรฆse, forstรฅ og generere menneskeligt sprog. Den driver applikationer som chatbots, oversรฆttelse, sentimentanalyse og talegenkendelse.
Ekspertsystemer: Et interaktivt, pรฅlideligt computerbaseret beslutningssystem, der bruger fakta og heuristikker til at lรธse komplekse problemer inden for et specifikt domรฆne. Det sigter mod at lรธse de vanskeligste problemstillinger inden for det pรฅgรฆldende domรฆne.
Fuzzy Logic: En flervรฆrdilogik, hvor sandhedsvรฆrdier kan vรฆre et hvilket som helst reelt tal mellem 0 og 1. Den hรฅndterer begrebet delvis sandhed i situationer, hvor en udtalelse hverken er fuldt sand eller fuldt falsk.
Typer af kunstig intelligens
AI kan klassificeres pรฅ to mรฅder โ efter evne og efter teknik.
Efter kapacitet:
- Smal AI: Udfรธrer en enkelt dedikeret opgave intelligent, sรฅsom billedmรฆrkning eller stemmeassistenter.
- Generel AI: Kan udfรธre enhver intellektuel opgave lige sรฅ effektivt som et menneske (stadig teoretisk).
- Super AI: Et hypotetisk niveau, hvor maskiner overgรฅr menneskelig intelligens.
Efter teknik:
- Regelbaseret AI: Anvender et sรฆt forudbestemte regler pรฅ et inputdatasรฆt for at producere et tilsvarende output.
- Beslutningstrรฆ AI: Ligner regelbaseret AI, men tillader forgrening og looping at afveje forskellige muligheder.
- Neurale netvรฆrk: Lagdelte modeller inspireret af den menneskelige hjerne, der lรฆrer komplekse mรธnstre fra data og understรธtter robotteknologi med rรฆsonnement, planlรฆgning og lรฆringsevner.
AI vs maskinlรฆring
AI og maskinlรฆring bruges ofte i flรฆng, men de er ikke det samme. AI er videnskaben om at trรฆne maskiner til at udfรธre menneskelige opgaver; udtrykket blev opfundet i 1950'erne. Maskinlรฆring er en delmรฆngde af AI, hvor en maskine lรฆrer mรธnstre fra data i stedet for at vรฆre eksplicit programmeret.
| Aspect | Kunstig intelligens | Maskinelรฆring |
|---|---|---|
| Anvendelsesomrรฅde | Bred videnskab om at efterligne menneskelig intelligens | En delmรฆngde af AI fokuseret pรฅ at lรฆre fra data |
| Mรฅl | Simuler menneskelig rรฆsonnement og beslutningstagning | Find mรธnstre og lav forudsigelser |
| Tilgang | Regler, logik og lรฆring kombineret | Datadrevet trรฆning med eksempler |
| Eksempel | Et selvkรธrende bilsystem | Billedgenkendelsesmodellen indeni |
Du kan ogsรฅ lรฆse forskellen mellem Dyb lรฆring, maskinlรฆring og kunstig intelligens.
Hvor bruges AI? Eksempler
AI har brede anvendelser pรฅ tvรฆrs af brancher.
- Eliminering af gentagne opgaver: AI kan gentage en opgave kontinuerligt uden trรฆthed og er ligeglad med det arbejde, den udfรธrer.
- Forbedring af eksisterende produkter: Virksomheder tilfรธjer kunstig intelligens for at forbedre produkters funktionalitet i stedet for at bygge fra bunden. For eksempel krรฆvede Facebook engang manuel fototagging; i dag foreslรฅr kunstig intelligens automatisk, at venner tagger dem.
AI bruges i alle brancher โ fra marketing og forsyningskรฆde til finans og fรธdevareforarbejdning. Ifรธlge en McKinsey-undersรธgelse fรธrer finansielle tjenester og hรธjteknologisk kommunikation an i adoptionen af โโAI.
Hvorfor boomer AI nu?
Neurale netvรฆrk har eksisteret siden 1990'erne efter Yann LeCuns banebrydende artikel, men de blev berรธmte omkring 2012. Tre kritiske faktorer driver nutidens AI-boom.
Hardware
I lรธbet af de sidste to รฅrtier er CPU-kraften eksploderet, hvilket har gjort det muligt for brugerne at trรฆne smรฅ deep-learning-modeller pรฅ en bรฆrbar computer. Computer Vision og store deep-learning-modeller krรฆver dog mere kraft. Takket vรฆre investeringer fra NVIDIA og AMD muliggรธr en ny generation af GPU'er (grafiske processorenheder) parallel beregning, der spreder arbejdet pรฅ tvรฆrs af flere GPU'er for at fremskynde beregninger. For eksempel kan en NVIDIA TITAN X trรฆne en ImageNet-model pรฅ to dage i stedet for uger pรฅ en traditionel CPU, og store virksomheder bruger GPU-klynger som NVIDIA Tesla K80 til at reducere datacenteromkostninger og forbedre ydeevnen.
Data
Deep learning er modellens struktur, og data er den vรฆske, der bringer den til live. Uden data kan intet gรธres. Moderne lagringsteknologi gรธr det nemt at opbevare enorme mรฆngder data i et datacenter, og internettet gรธr dataindsamling og -distribution tilgรฆngelig for at fodre maskinlรฆringsalgoritmer.
Apps som Flickr og Instagram indeholde millioner af taggede billeder, der kan trรฆne et neuralt netvรฆrk til at genkende objekter uden manuel mรฆrkning. Kunstig intelligens kombineret med data er det nye guld: den virksomhed med flest data har en konkurrencefordel. Verden skaber omkring 2.2 exabyte (2.2 milliarder gigabyte) data hver dag, og forskellige datakilder hjรฆlper modeller med at finde mรธnstre og lรฆre i stor skala.
Algoritme
Hardware er mere kraftfuld end nogensinde, og data er let tilgรฆngelige, men mere prรฆcise algoritmer gรธr neurale netvรฆrk pรฅlidelige. Tidlige neurale netvรฆrk var simple matrixmultiplikationer uden dybe statistiske egenskaber; siden 2010 har bemรฆrkelsesvรฆrdige opdagelser forbedret dem. AI bruger progressive lรฆringsalgoritmer, der lader dataene udfรธre programmeringen, sรฅ en computer kan lรฆre sig selv at udfรธre opgaver som at detektere anomalier eller fungere som en chatbot.
โก Smart opsummering
Kunstig intelligens gรธr det muligt for maskiner at udfรธre kognitive funktioner sรฅsom opfattelse, lรฆring, rรฆsonnement og problemlรธsning ligesom mennesker. Denne vejledning dรฆkker definitionen, historien, mรฅlene, underfelterne og typerne af AI og forklarer, hvordan den adskiller sig fra maskinlรฆring, og hvorfor den boomer i dag.
