Artificiell intelligens

Vad det är och varför det är viktigt

Artificiell intelligens (AI) gör det möjligt för maskiner att lära av erfarenhet, anpassa sig till ny input och utföra mänskliga uppgifter. De flesta AI-exempel som du hör talas om idag – från schackspelsdatorer till självkörande bilar – är starkt beroende av Deep Learning och natural language processing. Med hjälp av dessa tekniker kan datorer utbildas för att utföra specifika uppgifter genom att bearbeta stora mängder data och identifiera mönster i data.

Artificiell Intelligens Historia

Termen artificiell intelligens myntades i 1956, men AI har blivit mer populär idag tack vare ökade datavolymer, avancerade algoritmer och förbättringar i datorkraft och lagring.

Redan på 50-talet fokuserade forskning inom AI på områden som problemlösning och symbolförstående (som representeras av logik och sök). På 60-talet blev den amerikanska militären intresserad av forskningen inom AI och började träna datorer i att härma mänskligt resonemang. Som exempel startade Defense Advanced Research Projects Agency (DARPA) ett projekt med att kartlägga vägar redan på 70-talet, och under 2003, långt innan Siri, Alexa och Cortana, utvecklade DARPA personliga assistenter.

Detta tidiga arbete banade väg för automatisering och formella resonemang som vi ser i datorer idag, inklusive system för beslutsstöd och smarta söksystem som kan utformas för att komplettera och öka mänskliga förmågor..

Medan Hollywoodfilmer och science fiction-romaner skildrar AI som människoliknande robotar som tar över världen, är den nuvarande utvecklingen av AI-teknik inte så skrämmande-eller fullt så smart. I stället har AI utvecklats för att ge många specifika fördelar i varje bransch. Fortsätt läs om moderna exempel med artificiell intelligens inom hälso- och sjukvård, detaljhandeln med mera.

Chess board and Neural Network graphic

1950s–1970s

Neurala Nätverk

Tidigt arbete med neurala nätverk väcker spänning för "tänkande maskiner."

Shapes and arrow graphic with classical and modern machine learning

1980s–2010s

Machine Learning

Machine Learning blir populärt.

Binary code on dark background with magnifying glass graphic

Idag

Deep Learning

Genombrott med Deep Learning driver en AI-boom.


AI har varit en integrerad del av SAS programvara i åratal. Idag hjälper vi kunder i alla branscher att dra nytta av framsteg inom AI, och vi fortsätter att bygga in AI-tekniker som Machine Learning och Deep Learning i SAS-portföljens lösningar. Jim Goodnight, CEO, SAS in meeting Jim Goodnight CEO SAS

Artificiell intelligens och machine learning

Titta på den här korta videon för att förstå relationen mellan AI och machine learning. Du ser hur dessa två tekniker fungerar, med exempel och några roliga vinklingar.

Dessutom är det en bra video att dela med vänner och familj för att förklara artificiell intelligens på ett sätt som alla kommer att förstå.


Varför är artificiell intelligens viktigt?

  • AI automatiserar repetitivt lärande och upptäckt genom data. Men AI skiljer sig från hårdvarubaserad robotautomatisering. Istället för att automatisera manuella uppgifter, utför AI datoriserade uppgifter som sker frekvent i stora volymer på ett tillförlitligt sätt och utan att tröttna. För denna typ av automatisering, är mänsklig bedömning och att ställa rätt frågor viktigt för att sätta upp systemet.
  • AI tillför information till befintliga produkter.. I de flesta fall kommer AI inte att säljas som en enskild applikation. Snarare kommer produkter som du redan använder förbättras med AI-funktioner, ungefär som Siri lades till som en funktion till en ny generation av Apple-produkter. Automation, konversationsplattformar, robotar och smarta maskiner kan kombineras med stora mängder data för att förbättra många tekniker både hemma och på arbetsplatsen, från säkerhetsinformation till investeringsanalys.
  • AI anpassar sig genom progressiva inlärningsalgoritmer för att låta data göra programmeringen. AI hittar struktur och regelbundenheter i data så att algoritmen förvärvar en färdighet: algoritmen blir en klassificerare eller en prediktor. Så, precis som algoritmen kan lära sig hur man spelar schack, kan den lära sig vilken produkt att rekommendera nästa gång. Och modellerna anpassar sig när de får ny data. Feedbacken är en AI-teknik som gör att modellen kan justeras genom träning och att lägga till data när det första svaret inte är helt rätt.
  • AI analyserar mer och djupare data med hjälp av neurala nätverk som har många dolda lager. Att bygga ett bedrägeribekämpningssystem med fem dolda lager var nästan omöjligt för några år sedan. Allt det har förändrats med otrolig datorkraft och big data. Du behöver massor av data för att träna deep learning-modeller eftersom de lär sig direkt från data. Ju mer data du kan mata dem med, desto mer exakta blir de.
  • AI uppnår otrolig noggrannhet genom djupa neurala nätverk - vilket tidigare var omöjligt. Dina interaktioner med Alexa, Google Search och Google Photos baseras till exempel på deep learning – och de fortsätter att bli mer exakta ju mer vi använder dem. Inom det medicinska området kan AI-tekniker från deep learning, bildklassificering och objektigenkänning nu används för att hitta cancer vid magnetröntgen med samma noggrannhet som högutbildade radiologer.
  • AI får ut mesta möjliga av data. När algoritmer är självlärande kan själva datat bli immateriell egendom. Svaren finns i datat: du behöver bara använda AI för att få ut dem. Eftersom datats roll är viktigare än någonsin, kan det skapa en konkurrensfördel. Om du har det bästa datat i en konkurrensutsatt bransch, även om alla tillämpar liknande tekniker, kommer det bästa datat att vinna.

WildTrack and SAS: Saving endangered species one footprint at a time.

Flagship species like the cheetah are disappearing. And with them, the biodiversity that supports us all. WildTrack is exploring the value of artificial intelligence in conservation – to analyze footprints the way indigenous trackers do and protect these endangered animals from extinction.

Artificiell intelligens i dagens värld

Se AI i alla branscher

Kika in på ett sjukhus som jobbar med AI, en AI-assisterad butik och ett prediktivt analyssystem som pratar. Denna rapport från Harvard Business Review undersöker AI-landskapet, tar en titt på AI-arbetskraften - och förklarar varför du inte bör svära på Siri.

AI och Internet of Things

Data finns runt omkring oss. Internet of Things (IoT) och sensorer har förmågan att utnyttja stora datamängder, medan artificiell intelligens (AI) kan lära sig mönster i data för att automatisera uppgifter för en mängd olika affärsfördelar.

Integrera AI i ditt Analytics-program

För att AI ska kunna användas effektivt är det viktigt att strategin kring den matas in i din större affärsstrategi, alltid med hänsyn till konvergensen mellan människor, process och teknik.

Separat hype från verkligheten

AI hjälper till att bädda in "större smarthet i maskiner" men det tar inte över världen, säger Oliver Schabenberger, SAS Executive Vice President och Chief Technology Officer.

Hur artificiell intelligens används

Det finns en stor efterfråga på AI-system i alla branscher. Speciellt system som kan användas för riskbedömningar, rättshjälp, patentansökningar och medicinsk forskning. Varje bransch har en hög efterfrågan på AI-kapacitet. Andra användningsområden för AI är:

Hälsovård

AI-applikationer kan tillhandahålla personlig medicin- och röntgenavläsningar. Personliga vårdassistenter kan fungera som livscoacher, påminna dig att ta dina piller, träna eller äta mer hälsosamt.

Detaljhandel

AI ger virtuella shoppingmöjligheter som erbjuder personliga rekommendationer och diskutera köpalternativ med konsumenten. Lagerhantering och layouttekniker för webplatser kommer också att förbättras med AI.

Tillverkning

AI kan analysera fabriks-IoT-data när den strömmar från ansluten utrustning för att prognostisera förväntad belastning och efterfrågan med hjälp av återkommande nätverk, en specifik typ av deep learning-nätverk som används med sekvensdata.

Bank

Artificiell intelligens ökar hastigheten, precisionen och effektiviteten i mänskliga ansträngningar. I finansinstitut kan AI-tekniker användas för att identifiera vilka transaktioner som sannolikt kommer att vara bedrägliga, anta snabba och korrekta kreditbedömningar, samt automatisera manuellt intensiva datahanteringsuppgifter.

Working together with AI infographic

Arbeta tillsammans med AI

Artificiell intelligens är inte här för att ersätta oss. Det förstärker våra förmågor och gör oss bättre på det vi gör. Eftersom AI-algoritmer lär sig annorlunda än människor, ser de på saker annorlunda. De kan se relationer och mönster som vi missar. Detta mänskliga, AI-partnerskap erbjuder många möjligheter. Det kan:

  • Ta analyser till branscher och domäner där det för närvarande är underutnyttjat.
  • Förbättra prestandan hos befintliga analytiska teknologier, som computer vision och tidsserieanalys.
  • Undanröja ekonomiska hinder, inklusive språk- och översättningsbarriärer.
  • Öka befintliga förmågor och gör oss bättre på det vi gör.
  • Ge oss bättre syn, bättre förståelse, bättre minne och mycket mer.

Vilka är utmaningarna med att använda artificiell intelligens?

Artificiell intelligens kommer att förändra alla branscher, men vi måste förstå dess gränser.

Den grundläggande begränsningen av AI är att den lär sig av data. Det finns inget annat sätt på vilket kunskap kan införlivas. Det innebär att alla felaktigheter i data kommer att återspeglas i resultaten. Och eventuella ytterligare lager av förutsägelse eller analys måste läggas till separat.

Dagens AI-system är tränade för att göra en tydligt definierad uppgift. Systemet som spelar poker kan inte spela patiens eller schack. Systemet som upptäcker bedrägerier kan inte köra bil eller ge dig juridisk rådgivning. Faktum är att ett AI-system som upptäcker Hälso- och sjukvårdbedrägerier inte kan identifiera skattebedrägerier eller bedrägerier kring garantianspråk.

Med andra ord, dessa system är väldig specialiserade. De är inriktade på en enda uppgift och är långt ifrån att bete sig som människor.

Likaså är självlärande system inte autonoma system. De föreställda AI-teknikerna som du ser i filmer och på TV är fortfarande science fiction. Men datorer som kan testa komplext data för att lära sig och perfekta specifika uppgifter blir ganska vanligt.

SAS® Visual Data Mining and Machine Learning screenshot on monitor

SAS® Visuell Data Mining och Machine Learning

AI förenklar när du kan förbereda data för analys, utveckla modeller med moderna algoritmer för maskininlärning och integrera textanalys i en och samma produkt. Dessutom kan du koda projekt som kombinerar SAS med andra språk, inklusive Phyton, R, Java eller Lua.

Hur artificiell intelligens fungerar

AI fungerar genom att kombinera stora mängder data med snabb, iterativ bearbetning och intelligenta algoritmer, vilket gör att programvaran automatiskt kan lära sig från mönster eller funktioner i data. AI är ett brett utbildningsområde som omfattar många teorier, metoder och teknologier, samt följande större delar:

  • Machine learning automatiserar analytisk modelluppbyggnad. Den använder metoder från neurala nätverk, statistik, för att hitta dolda insikter i data utan att uttryckligen programmeras för var man ska leta eller vilka slutsatser som ska dras.
  • Ett neuralt nätverk är en form av mekanisk lärande som består av sammankopplade enheter (som neuroner) som bearbetar information genom att svara på externa input, vidarebefordra information mellan varje enhet. Processen kräver flera data genomströmningar för att hitta anslutningar och härleda odefinierade data.
  • Deep learning använder enorma neurala nätverk med många lager av bearbetningsenheter, utnyttjar framsteg inom datorkraft och förbättrade utbildningtekniker för att lära sig komplexa mönster i stora mängder data. Vanliga program är bild- och taligenkänning.
  • Cognitive computing är en del av AI som strävar efter en naturlig, mänsklig-liknande interaktion med maskiner. Med hjälp av AI och cognitive computing, är det ultimata målet för en maskin att simulera mänskliga processer genom förmågan att tolka bilder och tal - och sedan tala sammanhängande som svar.
  • Computer vision förlitar sig på mönsterigenkänning och deep learning för att känna igen vad som finns i en bild eller video. När maskiner kan bearbeta, analysera och förstå bilder, kan de fånga bilder eller filmer i realtid och tolka sin omgivning.
  • Natural language processing (NLP) är förmågan hos datorer att analysera, förstå och skapa mänskligt språk, inklusive tal. Nästa steg i NLP är naturlig språkinteraktion, som tillåter människor att kommunicera med datorer som använder normalt, vardagligt språk för att utföra uppgifter.

Dessutom möjliggör och stödjer flera tekniker AI:

  • Grafiska bearbetningsenheter är nyckeln till AI eftersom de ger den tunga beräkningskraft som krävs för iterativ bearbetning. Utbildning neurala nätverk kräver Big Data plus beräkningskraft.
  • Internet of Things genererar enorma mängder data från anslutna enheter, det mesta oanalyserat. Genom att automatisera modeller med AI kan vi använda mer av det.
  • Avancerade algoritmer utvecklas och kombineras på nya sätt för att analysera mer data snabbare och på flera nivåer. Denna intelligenta bearbetning är nyckeln till att identifiera och förutsäga sällsynta händelser, förstå komplexa system och optimera unika scenarier.
  • API: er eller gränssnitt för applikationsbehandling, är portabla paket med kod som gör det möjligt att lägga till AI-funktioner i befintliga produkter och programvarupaket. De kan lägga till funktioner för bildigenkänning i hemsäkerhetssystem och Q & A-funktioner som beskriver data, skapar bildtexter och rubriker, eller räknar ut intressanta mönster och insikter i data.

Sammanfattningsvis är målet med AI att tillhandahålla programvara som kan resonera om input och förklara output. AI kommer att ge mänsklig-liknande interaktioner med programvara och erbjuda besluts stöd för specifika uppgifter, men det är inte en ersättning för människor - och kommer inte att vara det på länge.

Back to Top