AI, ML og DL. Hva betyr det egentlig?

AI1.png

Kunstig intelligens («Artificial Intelligence»), maskinlæring («Machine Learning») og dyp læring («Deep Learning») byr på en jungel av muligheter for å gjøre dine løsninger smartere. De lar deg jobbe mer effektivt og ta mer informerte beslutninger. Disse tre trendy bransjebegrepene kan dog være forvirrende, for hva er egentlig forskjellen på dem?

En enkel analogi på forholdet mellom kunstig intelligens, maskinlæring og dyp læring er et sett av tre russiske Matrjosjka-dukker.

Den minste «dukken» som representerer dyp læring ligger helt innerst. Maskinlæring ligger mellom dyp læring innerst og kunstig intelligens ytterst. Dette forholdet er også illustrert i diagrammet ovenfor. Dette tilsier blant annet at all maskinlæring er kunstig intelligens, men ikke all kunstig intelligens er maskinlæring.

Kunstig intelligens: paraplybegrepet

Det er flere måter å definere kunstig intelligens på. En av de vanligste og mest intuitive er at kunstig intelligens handler om å gi datamaskiner evnen til å imitere menneskelig oppførsel. For å være litt mer spesifikke, så snakker vi om kunstig intelligens når datamaskiner kan utføre oppgaver som normalt krever menneskelig intelligens. Eksempler på slike oppgaver er oversettelse mellom ulike språk, bildegjenkjenning, talegjenkjenning, samt beslutningstaking.

Det kan være krevende å få en datamaskin til å mestre disse oppgavene. Innenfor bildegjenkjenning er et vanlig problem at helt ulike gjenstander kan ligne på hverandre. Et godt eksempel på dette er den slående likheten chihuahuaer og muffins kan ha. Ønsker du å lære mer om metoder å gjenkjenne bilder på, kan du lese vårt blogginnlegg om hovedkomponentanalyse til ansiktsgjenkjenning

Ai2.png
AI3.png

Det er mange måter å simulere menneskelig intelligens på. Noen metoder er definitivt mer «intelligente» enn andre. Disse metodene faller gjerne inn under begrepet maskinlæring.

Maskinlæring: programmer som endrer seg selv

Det sentrale aspektet som skiller maskinlæring fra øvrig kunstig intelligens er programmets evne til å modifisere seg selv når det blir utsatt for mer data. For eksempel inkluderer kunstig intelligens tradisjonelle regelmotorer, basert på statiske regler av typen «hvis A så B og hvis ikke så C». Fordi disse reglene er statiske og definert på forhånd vil logikken være lik uansett hvilke data som kommer inn. De kan ikke lære av data slik vi mennesker lærer av erfaring, og er derfor ikke eksempler på maskinlæring.

Maskinlæring er derimot dynamisk og krever ikke menneskelig inngrep for å gjøre visse endringer. Læringsdelen i maskinlæring betyr at algoritmene forsøker å bli bedre og bedre til en definert oppgave, for eksempel å lage så nøyaktige prediksjoner som mulig eller å gi en bruker en best mulig skreddersydd opplevelse. Personlige spillelister fra Spotify eller filmanbefalinger fra Netflix er gode eksempler på skreddersydde produkter hvor systemet lærer å kjenne brukeren.  

Dyp læring: mer komplekst, beregningskrevende og nøyaktig

Dyp læring er en del av maskinlæring. Når folk bruker begrepet dyp læring referer de vanligvis til dype nevrale nettverk, og i mindre grad til dyp forsterkende læring. Begrepet dyp i dyp læring er her et teknisk begrep som kort sagt betyr mer kompleksitet. Ved økt kompleksitet stilles det tilhørende økte krav til datakraft for å (forhåpentligvis) oppnå mer presise resultater enn ved «grunnere» former for maskinlæring. Tenk på en dyp innsjø der vanndybden gjør det vanskelig å se hva som foregår på bunnen.

Nevrale nettverk er et sett med algoritmer som lager en datastruktur inspirert av den menneskelige hjernen. Dette blir blant annet brukt i bildegjenkjenning eller lydgjenkjenning. Forsterket læring referer til målrettede algoritmer som lærer å oppnå et komplekst mål eller å bli bedre og bedre til noe over mange steg. Maskinen lærer ved å bli premiert for å gjøre det rette og straffet for å gjøre det som er galt. Det er dette vi mener med forsterkende.

AI4.png

Mens nevrale nettverk på egenhånd er ansvarlig for mange av de senere gjennombrudd i kunstig intelligens, kan de også kombineres med forsterkende læring for å skape noe så forbløffende som AlphaGo. AlphaGo er et dataprogram som spiller det meget komplekse brettspillet Go. Bildet over viser da AlphaGo på dominerende vis slo verdens beste Go-spiller Lee Sedol. Det virkelig imponerende her er at AlphaGo aldri ble gitt noen strategi for hvordan den skulle spille, slik man måtte gjort med en tradisjonell regelmotor. Den ble bare fortalt spillets regler og lærte ved å spille mot seg selv.

Snakk med oss om kunstig intelligens

Kunstig intelligens er i stand til å løse vanskeligere og vanskeligere problemer, i mange tilfeller bedre enn det mennesker kan. Konsulentene i RAV står klare til å bistå inn i alle tilnærminger til kunstig intelligens, fra tilrettelegging av data til implementering av løsninger. Sammen med kunden setter vi retningen inn mot fremtiden.

 
hoel-hoeiseth_eirik_WRB3223_webHQ.jpg

OM FORFATTEREN

Eirik Hoel Høiseth
Seniorkonsulent