Kunstig intelligens

Hvad er det, og hvorfor er det vigtigt?

Kunstig intelligens (AI) gør det muligt for maskiner at opbygge erfaring, tilpasse sig nye input og udføre menneskelignende opgaver. De fleste AI eksempler, som du hører om i dag - fra skakcomputere til selvkørende biler - er stærkt afhængige af Deep Learning og Natural Language Processing (NLP). Ved hjælp af disse teknologier kan computere trænes til at udføre bestemte opgaver ved at behandle store mængder data og genkende mønstre i dataene.

Historien bag kunstig intelligens

Udtrykket kunstig intelligens blev opfundet i 1956, men AI er blevet mere populært i dag takket være øgede datamængder, avancerede algoritmer og forbedringer i computerkraft og opbevaring af data.

Tidlig AI-forskning i 1950'erne udforskede emner som problemløsning og ”symbolske metoder”. I 1960'erne begyndte det amerikanske forsvarsministerium at interessere sig for området og begyndte at ”træne” computere i at efterligne grundlæggende menneskelig logik. Ad denne vej lykkedes det forsvarets avancerede forskningscenter (DARPA) at gennemføre større vejkortlægningsprojekter i 1970'erne. DARPA udviklede allerede intelligente personlige assistenter i 2003, længe før Siri, Alexa eller Cortana var blevet almenkendte navne.

Denne tidlige forskning banede vejen for den type automatisering og ræsonnering, som vi ser i computere i dag, herunder beslutningsstøttesystemer og smarte søgesystemer designet til at komplementere og understøtte menneskeligt ræsonnement.

Mens Hollywood-film og science fiction-romaner skildrer AI som menneskelignende robotter, der overtager verden, er den nuværende udvikling af AI-teknologier ikke så skræmmende – eller helt så smart. I stedet har AI vist sig at give en lang række fordele på tværs af alle brancher. 

Skakbræt og neurale netværk grafik

1950 – 1970

Neurale netværk

Tidligt arbejde med neurale netværk vækker begejstring for "tænkende maskiner".

Figurer og pile grafik med klassisk og moderne maskinel indlæring

1980 – 2010

Machine Learning

Machine Learning bliver populært.

Binær kode på mørk baggrund med forstørrelsesglas grafik

I dag

Deep Learning

Store fremskridt indenfor Deep Learning bliver startskuddet for AI's kommercielle gennembrud.


AI har været en integreret del af SAS-software i årevis. I dag hjælper vi kunder i alle brancher med at udnytte kunstig intelligens, og vi fortsætter med at indlejre AI-teknologier som machine learning og deep learning i løsninger på tværs af SAS-porteføljen. Jim Goodnight, administrerende direktør, SAS i møde Jim Goodnight CEO SAS

Kunstig intelligens og machine learning

Se videoen for en hurtig introduktion til AI og Machine Learning krydret med eksempler. Videoen er en god introduktion som også venner og familie vil kunne have gavn af at se.


Hvorfor er kunstig intelligens vigtigt?

  • AI automatiserer repetitiv indlæring gennem data. Men AI er anderledes end hardware-drevet robotautomatisering. I stedet for at automatisere manuelle opgaver udfører AI hyppige beregninger af høj volumen – pålideligt og kontinuerligt. Men det lader sig ikke gøre uden menneskelig indblanding – de rette spørgsmål, nysgerrighed og undren kan algoritmen ikke klare.
  • AI gør eksisterende produkter intelligente. I de fleste tilfælde vil AI ikke blive solgt som et individuelt program. Snarere vil de produkter, du allerede bruger, blive forbedret med AI-funktioner, ligesom Siri blev tilføjet som en funktion til en ny generation af Apple-produkter. Automatisering, konversationelle platforme, bots og smarte maskiner kan kombineres med store mængder data til at forbedre mange teknologier i hjemmet og på arbejdspladsen, fra security intelligence til investeringsanalyse.
  • AI tilpasser sig gennem progressive læringsalgoritmer og lader dataene stå for programmeringen. AI finder struktur og regelmæssigheder i data, så algoritmen opnår evnen til at klassificere og forudsige. På samme måde som algoritmen kan lære at spille skak, kan den også lære at komme med anbefalinger til kundens næste køb. Og modellerne tilpasser sig nye data. Og feedback sørger for at modellen bliver justeret, når det forrige svar ikke er helt korrekt.
  • AI analyserer flere og dybere lag af data ved hjælp af neurale netværk. For et par år siden var det stort set umuligt at afsløre bedrageri ned i fem skjulte lag. Det er det i dag takket være imponerende computerkraft og Big Data. For at træne modellerne har du brug for masser af data. Jo mere data du kan fodre dem med, jo mere præcise bliver de.
  • AI opnår utrolig nøjagtighed gennem dybe neurale netværk – det var også tidligere umuligt. Fx er dine interaktioner med Alexa og Google alle baseret på Deep Learning – og de bliver mere præcise, jo mere vi bruger dem. Indenfor det medicinske område bliver AI-teknikker fra Deep Learning sammen med billedgenkendelse brugt til at opdage kræft via MRI-scanninger med samme nøjagtighed som højtuddannede radiologer.
  • AI får mest muligt ud af data. Når algoritmer er selvlærende, kan selve dataene blive til intellektuelle rettigheder. Svarene findes i data. Du skal blot bruge AI til at bringe dem frem. Med den stadigt stigende værdi af data bliver det i højere grad en konkurrencemæssig fordel i sig selv. Den med de bedste data vinder.

WildTrack redder truede dyrearter med SAS – et fodaftryk ad gangen.

Geparden er et udrydningstruet dyr. Hvis den forsvinder, vil det gå ud over biodiversiten i dets miljø. Wildtrack bruger kunstig intelligens til at beskytte de truede dyr ved at analysere deres fodspor.

Kunstig intelligens i dag

Lær om AI på tværs af brancher

Få et indblik i et AI-understøttet hospital, en AI-assisteret detailbutik og et prognosesystem, der kan tale. Denne rapport fra Harvard Business Review afdækker AI landskabet, tager temperaturen på AI arbejdsstyrken – og forklarer, hvorfor du ikke skal bande til Siri.

AI og Internet of Things

Data er overalt. IoT og sensorer kan udnytte store mængder data, mens kunstig intelligens genkender mønstre og derigennem lærer at automatisere opgaver.

Integrér AI i dit Analytics-program

Hvis AI skal bruges effektivt, er det vigtigt, at strategien omkring det passer med den overordnede forretningsstrategi under hensyntagen til samspillet mellem mennesker, processer og teknologi.

Adskil hype fra virkelighed

AI hjælper med at implementere "mere intelligens i maskiner", men kommer ikke til at overtage verden, siger Oliver Schabenberger, SAS Executive Vice President og Chief Technology Officer.

Sådan bliver KUNSTIG intelligens brugt

Der er stor efterspørgsel på AI-systemer i alle industrier. Især systemer, der kan bruges til juridisk bistand, patentansøgninger, risikovurdering og medicinsk forskning. Andre anvendelsesområder omfatter:

Sundhedsvæsnet

AI-løsninger kan bruges til personaliseret medicin og tolkning af røntgenbilleder. Sundhedsassistenter kan fungere som ”coaches”, der minder patienten om at tage sin medicin, motionere eller spise sundere.

Detailhandel

Med AI kan du give dine kunder virtuelle shoppemuligheder, hvor personlige anbefalinger og forskellige købsmuligheder bliver tilbudt kunden. Lagerstyring og placering af varer vil også blive forbedret med AI.

Fremstilling

Med AI kan du analysere på produktionens IoT-data, der bliver streamet fra devices og dermed kan forudsige forventet belastning og efterspørgsel ved hjælp af Deep Learning netværk kombineret med sekvensdata.

Bankvæsen

Kunstig intelligens øger hastigheden, præcisionen og effektiviteten af menneskeligt arbejde. I finanssektoren kan AI bruges til at identificere, hvilke transaktioner der sandsynligvis vil være svindel, vedtage hurtig og nøjagtig kredit scoring samt automatisere manuelt intense data management opgaver.

At arbejde sammen med AIinfographic

At arbejde sammen med AI

Kunstig intelligens er her ikke for at erstatte os. I stedet forbedrer det vores evner og hjælper os til at gøre vores arbejde bedre. AI algoritmer lærer anderledes end mennesker, fordi de ser tingene anderledes. AI kan se sammenhænge, som vi ikke kan se. På den måde bliver dette man-machine samarbejde et partnerskab med mange muligheder. Fx kan det:

  • Bringe Analytics i spil i brancher og på områder, hvor det hidtil har været underudnyttet.
  • Forbedre ydeevnen af eksisterende analytiske teknologier, som fx computer vision og tidsserieanalyse.
  • Nedbryde barrierer – økonomiske, sprog- og oversættelsesbarrierer.
  • Forbedre vores evner og gøre os bedre til at udføre vores arbejde.
  • Give os et bredere perspektiv, en bedre forståelse, bedre hukommelse og meget mere.

Hvilke udfordringer er forbundet med at bruge kunstig intelligens?

Kunstig intelligens kommer til at ændre alle brancher, men vi skal også forstå begrænsningerne.

Grundlæggende er begrænsningen for AI, at den lærer af data. Der er ingen anden måde, hvorpå viden kan indarbejdes. Det betyder, at eventuelle unøjagtigheder i data vil blive afspejlet i resultaterne. Og eventuelle yderligere lag af forudsigelse eller analyse skal tilføjes separat.

Nutidens AI-systemer er udviklet til at udføre en klart defineret opgave. Systemer, der spiller poker, kan ikke spille skak eller lægge kabale. Systemer, der opfanger svindel, kan ikke køre bil eller give dig juridisk rådgivning. Selv et AI-system, der anvendes til at opdage svindel indenfor health care kan ikke opdage skattesvig eller svindel med garantikrav.

Med andre ord er disse systemer meget, meget specialiserede. De er fokuseret på en enkelt opgave og opfører sig langtfra ligesom mennesker.

Tilsvarende er selvlærende systemer ikke autonome systemer. De AI-systemer, som du ser i film og på TV er stadig science fiction. Men computere, der kan afprøve komplekse data for at lære og perfektionere specifikke opgaver, vil blive udbredte.

SAS® skærmbillede af visuel data mining og machine learning på skærmen

SAS® visuel data mining og machine learning

AI forenkles, når du kan forberede data til analyse, udvikle modeller med moderne algoritmer til machine learning og integrere tekstanalyse alt sammen i ét produkt. Derudover kan du kode projekter, der kombinerer SAS med andre sprog, herunder Python, R, Java eller Lua.

Sådan fungerer kunstig intelligens

AI kombinerer store mængder data med hurtig, iterativ processing og intelligente algoritmer, så softwaren automatisk lærer fra mønstre eller egenskaber ved data. AI er et bredt område, der omfatter mange teorier, metoder og teknologier, samt følgende store underdomæner:

  • Machine learning automatiserer analytisk modelbygning. Metoder fra neurale netværk, statistik, operations research og fysik anvendes til at finde skjult indsigt i data uden eksplicit at være programmeret til, hvor man skal lede eller hvad man skal konkludere.
  • Et neuralt netværk er en form for maskinel indlæring, der består af indbyrdes forbundne enheder (som neuroner), der behandler oplysninger ved at reagere på eksterne input og udveksle information mellem hver enhed. Processen kræver flere datagennemløb for at finde forbindelser og udlede betydning af udefinerede data.
  • Deep learning bruger store neurale netværk med mange lag af processing units, udnytter fremskridt i computerkraft og forbedrede træningsteknikker til at genkende komplekse mønstre i store mængder data. Almindelige programmer omfatter billed-og talegenkendelse.
  • Kognitiv computing er et underfelt af AI, der stræber efter en naturlig, menneskelignende interaktion med maskiner. Ved hjælp af AI og kognitiv computing, er målet at kunne efterligne menneskelige processer gennem evnen til at fortolke billeder og tale – og derefter kunne give sammenhængende svar.
  • Computer vision bygger på mønstergenkendelse og deep learning til at genkende, hvad der er i et billede eller en video. Når maskiner kan behandle, analysere og forstå billeder, kan de optage billeder eller videoer i realtid og udfra disse fortolke omgivelserne.
  • Natural language processing (NLP) er computerens evne til at analysere, forstå og generere menneskeligt sprog, herunder tale. Den næste fase af NLP er muligheden for mennesker at kunne interagere med computeren gennem almindelig tale.


Derudover understøtter flere andre teknologier AI:

  • Grafiske processing units er nøglen til AI, fordi de leverer den tunge beregningskraft, der kræves til iterativ processing. Træning af neurale netværk kræver big data og computerkraft.
  • The Internet of Things skaber massive mængder af data fra forbundne enheder, hvoraf langt størstedelen ikke bliver analyseret. Automatiserede modeller med AI vil give os mulighed for at anvende langt mere af det.
  • Avancerede algoritmer udvikles og kombineres på nye måder til at analysere flere data hurtigere og på flere niveauer. Denne intelligente processering er nøglen til at identificere og forudsige sjældne hændelser, forstå komplekse systemer og optimere unikke scenarier.
  • API'er er bærbare pakker med kode, der gør det muligt at føje AI-funktionalitet til eksisterende produkter og softwarepakker. API’er kan føje billedgenkendelsesteknologi til sikkerhedssystemer i hjemmet og Q&A-funktioner, der beskriver data, opretter billedtekster og overskrifter eller fremhæver interessante mønstre og indblik i data.

Alt i alt er målet med AI at levere software, der både kan behandle input og fortolke output. AI gør det muligt at interagere med software, så det minder om menneskelig interaktion. Det muliggør bedre beslutningsstøtte, men det er og vil ikke blive en erstatning for mennesker.

Back to Top