Kunstig intelligens, maskinlæring, deep learning og meget mere

Kunstig intelligens (AI) giver et løfte om ægte interaktion mellem menneske og maskine. Når maskiner bliver intelligente, kan de forstå anmodninger, forbinde datapunkter og drage konklusioner. De kan ræsonnere, observere og planlægge. Tænk over:

• Skal du på forretningsrejse i morgen? Din intelligente enhed vil automatisk tilbyde vejrmeldinger og rejseadvarsler for din destinationsby.
• Planlægger du en stor fødselsdagsfest? Din smarte bot hjælper med invitationer, foretager reservationer og minder dig om, at du skal hente kagen.
• Planlægger du en direct marketing-kampagne? Din AI-assistent kan instinktivt segmentere dine kunder i grupper, så du kan sende målrettede beskeder og øge svarprocenten.

Vi taler tydeligvis ikke om robotbutlere. Dette er ikke en Hollywood-film. Men vi befinder os på et nyt erkendelsesniveau inden for kunstig intelligens, som er vokset til at være virkelig nyttigt i vores liv.

Men vi forstår det godt. Du er stadig forvirret over, hvordan alle disse emner - AI, maskinlæring og deep learning – hænger sammen. Men du er ikke alene. Og vi vil gerne hjælpe.

I denne artikel vil vi udforske de grundlæggende komponenter i kunstig intelligens og beskrive, hvordan forskellige teknologier er blevet kombineret for at hjælpe maskiner med at blive mere intelligente.

Historien om AI og maskinlæring

Så hvor kom AI fra? Den sprang ikke direkte fra skakspil for en enkelt spiller til selvkørende biler. Feltet har en lang historie med rødder i militærvidenskab og statistik og med bidrag fra filosofi, psykologi, matematik og kognitiv videnskab. Kunstig intelligens havde oprindeligt til formål at gøre computere mere nyttige og i stand til at ræsonnere selvstændigt.

De fleste historikere sporer AI's fødsel til et Dartmouth- forskningsprojekt i 1956, der udforskede emner som problemløsning og symbolske metoder. I 1960'erne blev det amerikanske forsvarsministerium interesseret i denne type arbejde og øgede fokus på at træne computere til at efterligne menneskelig tankegang.

For eksempel gennemførte Defense Advanced Research Projects Agency (DARPA) gadekortlægningsprojekter i 1970'erne. Og DARPA producerede intelligente personlige assistenter i 2003, længe før Google, Amazon eller Microsoft gik i gang med lignende projekter.

Dette arbejde banede vejen for den automatisering og formelle ræsonnering, som vi ser hos computere i dag.

Maskinlæring og deep learning er underområder af AI

Som helhed indeholder kunstig intelligens mange underområder, herunder:

• Maskinlæring automatiserer analytisk modelopbygning. Den bruger metoder fra neurale netværk, statistik, operationsforskning og fysik til at finde skjulte indsigter i data uden at være eksplicit programmeret til at se, hvor man skal lede, eller hvad man skal konkludere.
• Et neuralt netværk er en form for maskinlæring, der er inspireret af, hvordan den menneskelige hjerne fungerer. Det er et computersystem, der består af sammenkoblede enheder (som neuroner), der behandler information ved at reagere på eksterne input og videresende information mellem hver enhed. Processen kræver flere gennemløb af data for at finde forbindelser og udlede mening fra udefinerede data.
• Deep learning bruger store neurale netværk med mange lag af behandlingsenheder, der udnytter fremskridt inden for computerkraft og forbedrede træningsteknikker til at lære komplekse mønstre i store mængder data. Almindelige anvendelser omfatter billed- og talegenkendelse.
• Computersyn bygger på mønstergenkendelse og deep learning til at genkende, hvad der er på et billede eller i en video. Når maskiner kan behandle, analysere og forstå billeder, kan de optage billeder eller videoer i realtid og fortolke deres omgivelser.
• Naturlig sprogbehandling er computeres evne til at analysere, forstå og generere menneskeligt sprog, herunder tale. Den næste fase af NLP er naturlig sproginteraktion, som gør det muligt for mennesker at kommunikere med computere ved hjælp af normalt hverdagssprog for at udføre opgaver.

Mens maskinlæring er baseret på ideen om, at maskiner skal kunne lære og tilpasse sig gennem erfaring, refererer AI til en bredere idé, hvor maskiner kan udføre opgaver på en "smart" måde.

Kunstig intelligens anvender maskinlæring, deep learning og andre teknikker til at løse faktiske problemer.

Hvor er vi i dag med AI?

Med AI kan du stille spørgsmål til en maskine - højt - og få svar om salg, lagerbeholdning, kundefastholdelse, afsløring af svindel og meget mere. Computeren kan også finde oplysninger, som du aldrig har tænkt på at spørge om. Den vil give et narrativt resumé af dine data og foreslå andre måder at analysere dem på. Den vil også dele oplysninger om tidligere spørgsmål fra dig eller andre, der har stillet lignende spørgsmål. Du får svarene på en skærm eller bare i en samtale.

Hvordan vil dette udspille sig i den virkelige verden? I sundhedsvæsenet kan behandlingens effektivitet bestemmes hurtigere. I detailhandlen kan man hurtigere anbefale ekstra varer. I finansverdenen kan svindel forebygges i stedet for blot at blive opdaget. Og meget mere.

I hvert af disse eksempler forstår maskinen, hvilke oplysninger der er brug for, ser på forholdet mellem alle variablerne, formulerer et svar - og kommunikerer det automatisk til dig med muligheder for opfølgende forespørgsler.

Vi kan takke årtiers forskning i kunstig intelligens for, at vi er, hvor vi er i dag. Og vi har årtier med intelligente interaktioner mellem mennesker og maskiner foran os.