Artificiell intelligens (AI): Introduktion och typer
Evelyn Clarke
⚡ Smart sammanfattning
Artificiell intelligens gör det möjligt för maskiner att utföra kognitiva funktioner som att uppfatta, lära sig, resonera och lösa problem precis som människor. Den här handledningen täcker definitionen, historien, målen, delområdena och typerna av AI, och förklarar hur den skiljer sig från maskininlärning och varför den är så populär idag.
Vad är artificiell intelligens (AI)?
AI (artificiell intelligens) är en maskins förmåga att utföra kognitiva funktioner på samma sätt som människor, såsom att uppfatta, lära sig, resonera och lösa problem. Riktmärket för AI är den mänskliga nivån vad gäller resonemang, tal och syn.
I den här handledningen om artificiell intelligens lär du dig grunderna i AI som tas upp i avsnitten nedan.
Hur AI skapar affärsvärde
Idag används AI inom nästan alla branscher, vilket ger företag som integrerar det i stor skala en teknisk fördel. Enligt McKinsey har AI potential att skapa värde på 600 miljarder dollar inom detaljhandeln och ge 50 % mer inkrementellt värde inom banksektorn jämfört med andra analystekniker. Inom transport och logistik är den potentiella intäktsökningen upp till 89 %.
Om en organisation till exempel använder AI för sitt marknadsföringsteam kan den automatisera vardagliga, repetitiva uppgifter så att säljare kan fokusera på relationsbyggande och lead nurturing. Ett företag som heter Gong tillhandahåller en konversationsintelligenstjänst: varje gång en säljare ringer inspelar, transkriberar och analyserar maskinen konversationen, och chefer använder AI-analyser och rekommendationer för att forma en vinnande strategi.
Kort sagt, AI tillhandahåller banbrytande teknik för att hantera komplex data som en människa inte kan bearbeta ensam. Den automatiserar redundanta jobb så att medarbetare kan fokusera på högvärdiga uppgifter, och när den implementeras i stor skala minskar den kostnaderna och ökar intäkterna.
Historien om artificiell intelligens
Artificiell intelligens är ett modeord idag, men termen är inte ny. År 1956 organiserade experter från olika bakgrunder ett sommarforskningsprojekt om AI. Fyra skarpsinniga hjärnor ledde det: John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM), och Claude Shannon (Bell Telephone Laboratories). Här är en kortfattad historia om AI.
| År | Milstolpe / Innovation |
|---|---|
| 1923 | Karel Čapeks pjäs ”Rossums universella robotar” introducerade ordet ”robot” på engelska. |
| 1943 | Foundations för neurala nätverk lades. |
| 1945 | Isaac Asimov, alumn vid Columbia University, använde termen ”robotik”. |
| 1956 | John McCarthy använde först termen "artificiell intelligens", och det första fungerande AI-programmet demonstrerades. |
| 1964 | Danny Bobrows avhandling vid MIT visade hur datorer kunde förstå naturligt språk. |
| 1969 | Stanford Research Institute utvecklade Shakey, en robot med förflyttning och problemlösningsförmåga. |
| 1979 | Stanford Cart, världens första datorstyrda autonoma fordon, byggdes. |
| 1990 | Betydande demonstrationer inom maskininlärning. |
| 1997 | Schackprogrammet Deep Blue besegrade världsmästaren Garry Kasparov. |
| 2000 | Interaktiva robotdjur blev kommersiellt tillgängliga; MIT visade upp Kismet, en robot som uttrycker känslor. |
| 2006 | AI kom in i affärsvärlden; företag som Facebook, Netflix, och Twitter började använda det. |
| 2012 | Google lanserades “Google "Nu", en Android funktion som erbjuder förutsägelser. |
| 2018 | IBMs ”Projekt Debattör” debatterade komplexa ämnen med mästerdebattörer och presterade exceptionellt bra. |
Mål för artificiell intelligens
De viktigaste målen för AI är:
- Minska den tid som behövs för att utföra specifika uppgifter.
- Gör det enklare för människor att interagera med maskiner.
- Underlätta mer naturlig och effektiv interaktion mellan människa och dator.
- Förbättra noggrannheten och hastigheten vid medicinska diagnoser.
- Hjälp människor att lära sig ny information snabbare.
- Förbättra kommunikationen mellan människor och maskiner.
Underområden för artificiell intelligens
Här är de viktiga delområdena inom artificiell intelligens.
Maskininlärning: Konsten att studera algoritmer som lär sig av exempel och erfarenheter. Den bygger på att identifiera mönster i data och använda dem för framtida förutsägelser. Till skillnad från hårdkodade regler lär sig maskinen reglerna själv.
Deep Learning: Ett delområde inom maskininlärning som använder flera lager för att lära sig av data. Modellens djup är antalet lager den innehåller; till exempel, Googles LeNet-modell för bildigenkänning har 22 lager.
Naturlig språkbehandling (NLP): Den gren av AI som gör det möjligt för maskiner att läsa, förstå och generera mänskligt språk. Den driver applikationer som chattrobotar, översättning, sentimentanalys och taligenkänning.
Expert system: Ett interaktivt, tillförlitligt datorbaserat beslutssystem som använder fakta och heuristik för att lösa komplexa problem inom ett specifikt område. Det syftar till att lösa de svåraste problemen inom det området.
Fuzzy Logic: En mångvärdig logik där sanningsvärden kan vara vilket reellt tal som helst mellan 0 och 1. Den hanterar begreppet partiell sanning för situationer där ett påstående varken är helt sant eller helt falskt.
Typer av artificiell intelligens
AI kan klassificeras på två sätt – efter kapacitet och efter teknik.
Efter kapacitet:
- Smal AI: Utför en enda dedikerad uppgift intelligent, såsom bildtaggning eller röstassistenter.
- Allmän AI: Kan utföra vilken intellektuell uppgift som helst lika effektivt som en människa (fortfarande teoretiskt).
- Super-AI: En hypotetisk nivå där maskiner överträffar mänsklig intelligens.
Med teknik:
- Regelbaserad AI: Tillämpar en uppsättning förutbestämda regler på en indatamängd för att producera motsvarande utdata.
- Beslutsträd AI: Liknar regelbaserad AI men tillåter förgrening och looping att väga olika alternativ.
- Neurala nätverk: Skiktmodeller inspirerade av den mänskliga hjärnan som lär sig komplexa mönster från data och underbygger robotik med resonemang, planering och inlärningsförmåga.
AI vs maskininlärning
AI och maskininlärning används ofta synonymt, men de är inte samma sak. AI är vetenskapen om att träna maskiner för att utföra mänskliga uppgifter; termen myntades på 1950-talet. Maskininlärning är en delmängd av AI där en maskin lär sig mönster från data snarare än att vara explicit programmerad.
| Aspect | Artificiell intelligens | Maskininlärning |
|---|---|---|
| Omfattning | Bred vetenskap om att imitera mänsklig intelligens | En delmängd av AI fokuserad på att lära sig från data |
| Mål | Simulera mänskligt resonemang och beslutsfattande | Hitta mönster och gör förutsägelser |
| Tillvägagångssätt | Regler, logik och lärande i kombination | Datadriven utbildning med exempel |
| Exempelvis | Ett självkörande bilsystem | Bildigenkänningsmodellen inuti den |
Du kan också läsa skillnaden mellan Djupinlärning, maskininlärning och AI.
Var används AI? Exempel
AI har breda tillämpningar inom olika branscher.
- Eliminera repetitiva uppgifter: AI kan upprepa en uppgift kontinuerligt utan trötthet och är likgiltig inför det arbete den utför.
- Förbättra befintliga produkter: Företag använder AI för att förbättra produktfunktionaliteten snarare än att bygga från grunden. Till exempel krävde Facebook en gång manuell fototaggning; idag föreslår AI att vänner taggar automatiskt.
AI används i alla branscher – från marknadsföring och leveranskedjor till finans och livsmedelsbearbetning. Enligt en McKinsey-undersökning leder finansiella tjänster och högteknologisk kommunikation AI-användning.
Varför blomstrar AI nu?
Neurala nätverk har funnits sedan 1990-talet, efter Yann LeCuns banbrytande artikel, men de blev berömda omkring 2012. Tre kritiska faktorer driver dagens AI-boom.
hårdvara
Under de senaste två decennierna har CPU-kraften exploderat, vilket gör det möjligt för användare att träna små djupinlärningsmodeller på en bärbar dator. Datorseende och stora djupinlärningsmodeller behöver dock mer kraft. Tack vare investeringar från NVIDIA och AMD möjliggör en ny generation av GPU:er (grafiska processorer) parallell beräkning, vilket sprider arbete över flera GPU:er för att snabba upp beräkningar. Till exempel kan en NVIDIA TITAN X träna en ImageNet-modell på två dagar jämfört med veckor på en traditionell processor, och stora företag använder GPU-kluster som NVIDIA Tesla K80 för att minska datacenterkostnader och förbättra prestanda.
Data
Djupinlärning är modellens struktur, och data är den vätska som ger den liv. Utan data kan ingenting göras. Modern lagringsteknik gör det enkelt att lagra enorma mängder data i ett datacenter, och internet gör datainsamling och distribution tillgänglig för att mata maskininlärningsalgoritmer.
Appar som Flickr och Instagram innehålla miljontals taggade bilder som kan träna ett neuralt nätverk att känna igen objekt utan manuell märkning. AI i kombination med data är det nya guldet: företaget med mest data har en konkurrensfördel. Världen skapar cirka 2.2 exabyte (2.2 miljarder gigabyte) data varje dag, och olika datakällor hjälper modeller att hitta mönster och lära sig i stor skala.
Algoritm
Hårdvara är kraftfullare än någonsin och data är lättillgänglig, men mer exakta algoritmer gör neurala nätverk tillförlitliga. Tidiga neurala nätverk var enkla matrismultiplikationer utan djupgående statistiska egenskaper; sedan 2010 har anmärkningsvärda upptäckter förbättrat dem. AI använder progressiva inlärningsalgoritmer som låter data sköta programmeringen, så att en dator kan lära sig själv att utföra uppgifter som att upptäcka avvikelser eller agera som en chatbot.
