AI har eksisteret siden 50'erne, men det er først for nylig, at både virksomheder og investorer er blevet opmærksomme på det. Hvorfor er AI så hypet i disse dage? Og hvordan kan du se ud over buzzwordene?

Status for AI

I dag er AI et overhypet buzzword, men sådan har det ikke altid været. For bare et par år siden ville det ikke ligefrem vække begejstring at sige, at ens virksomhed arbejder med AI. Deep Minds CEO Demis Hassabis sagde: "For 7 år siden, da du sagde ordene AI til en venturekapitalist, ville de rulle med øjnene ad dig. I dag vil de kaste 10 millioner dollars efter dig". Erhvervslivet tager imod AI med åbne arme, men problemet er, at der ikke er mange, der ved, hvad ægte AI er. Virksomheder og venturekapitalister har svært ved at vurdere, om en virksomhed arbejder med teknologien eller bare tjener penge på hypen.

En undersøgelse fra Londons VC-firma MMC viste, at 40 % af Europas nystartede virksomheder, der klassificeres som AI-virksomheder, ikke udnytter forskningsområdet på nogen væsentlig måde. David Kelnar, forskningschef hos MMC, sagde til Forbes: "Vi kiggede på alle virksomheder, og i 40 % af tilfældene kunne vi ikke finde nogen omtale af eller beviser for AI", og han tilføjer, at "virksomheder, som folk antager og tror er AI-virksomheder, sandsynligvis ikke er det."

Så hvordan kan du se, om de løsninger, du bliver tilbudt, virkelig er baseret på AI? Først og fremmest skal du forstå, hvad AI faktisk kan gøre for dig. Det kan du læse mere om i vores tidligere artikel. For det andet skal du vide lidt om feltets historiske kontekst. Selvom AI har eksisteret i over 60 år, er det først i de seneste par år, at der er sket en betydelig udvikling i retning af at skabe noget, der ligner kunstig intelligens.

Lidt historie...

Den første intelligente maskine blev skabt af Alan Turing under 2. verdenskrig. Denne maskine, kaldet Bombe, knækkede Enigma-koden, som de tyske styrker brugte til at sende krypterede beskeder. I 1956, på Dartmouth-konferencen, blev udtrykket 'kunstig intelligens' brugt for første gang.

Siden da er AI på grund af manglende regnekraft blevet mindre populær og har gennemgået flere 'AI-vintre'. Det var først i slutningen af 1990'erne, at AI igen fik betydelig opmærksomhed. I 1997 besejrede IBM's Deep Blue Garry Kasparov, den regerende verdensmester i skak. Derefter har AI langsomt taget fart takket være den eksponentielle vækst i data, computerkraft og forbedringer i hardware.

I dag er vi nået til et punkt, hvor der udføres massivt finansieret forskning på området, og gennembrud inden for bl.a. naturlig sprogbehandling, billedgenkendelse og -generering, computersyn og forstærkningslæring former hurtigt branchen og åbner op for nye muligheder. Der er stadig mange måder at skabe kunstig intelligens på. Nogle er meget intelligente - andre ikke så meget.

Hvordan bygger virksomheder AI?

AI kan være en bunke hvis-så-sætninger eller en kompleks statistisk model bygget ved hjælp af dybe neurale netværk. Hvis-så-sætningerne er egentlig bare regler, der er programmeret af mennesker, nogle gange kaldes de regelmotorer eller ekspertsystemer, men samlet set er de kendt som god, gammeldags AI (GOFAI).

Disse systemer kan være nyttige til at udføre gentagne opgaver, men har ikke meget at gøre med egentlig intelligens. De kan automatisere processer, men er ikke selvlærende eller forbedrer sig uden menneskelig indgriben. I kender alle eksempler på denne teknologi - de fleste chatbots og regnskabssystemer er bygget på den.

Manglende robusthed over for den variation, man ser i naturligt genererede data som f.eks. tekst, er også et problem for GOFAI. Og denne måde at bygge AI på er også ret begrænset i forhold til omfanget af data, den kan behandle. På den anden side kræver maskinlæring og neurale netværk kun lidt eller slet ingen menneskelig indgriben.

Disse programmer ændrer sig selv, er dynamiske og tilpasser sig ud fra de data, de udsættes for. På den måde hjælper de folk i deres arbejde og forenkler de daglige opgaver. Alligevel kan de kræve en hel del data for at opnå tilstrækkelig ydeevne.‍‍

‍Detførste røde flag er, hvis du bliver tilbudt en løsning, der kræver, at du udfører manuelt arbejde og/eller ansætter folk til at servicere den. Hvis det er tilfældet, har du at gøre med en "god, gammeldags AI"-sag.

MMC's rapport viste, at 26% af de nystartede virksomheder i undersøgelsen sagde, at de bruger AI til at drive chatbots. Men det er svært at vurdere, hvor stor en fordel teknologien giver deres kunder. Chatbots er ofte svære at navigere i og mere irriterende end nyttige - de bruges blot til at reducere omkostningerne til menneskelige medarbejdere. 

Årsagen er, at selv om de kaldes 'AI', er de regelbaserede systemer, der ikke er i stand til at forstå (se illustrationen ovenfor). Men den seneste udvikling inden for AI har givet mulighed for mere sofistikerede generationer af dialogbaserede værktøjer, der bruger Natural Language Processing (NLP) og Deep Learning til at forstå mening og svar i naturlig tekst.

Ved at overføre tekst til vektorrepræsentationer, der indeholder numeriske værdier, bliver det muligt at behandle tekst på helt nye måder. Kombinationen af NLP og transfer learning (anvendelse af prætrænede modeller på data) åbner døre til nye muligheder for tekstgenerering, -forståelse og -oversættelse.

Hvis din virksomhed ønsker at investere i AI, skal du sørge for, at de løsninger, du vælger, er baseret på den nyeste udvikling, som kan udnyttes i fremtiden. At bruge hvis-så-regelbaserede systemer, der er programmeret af mennesker, vil snart være helt forældet.

Hvor er AI i dag?

Naturlig sprogbehandling

I 2018 oplevede vi bemærkelsesværdige gennembrud inden for sprog og tekst. OpenAI's GPT-2 genererer historier baseret på korte beskrivelser.

Modellen er trænet til at forudsige det næste ord, men i modsætning til lignende modeller gør den det, mens den bevarer konteksten for hele teksten og modellerer teksten på en måde, så den har repræsentation fra alle de tidligere input.

Facebook research har udvidet sit LASER (Language Agnostic Sentence Representation) Toolkit til at arbejde med 93 sprog på tværs af 28 forskellige alfabeter. Denne model leverer stærke resultater i dokumentklassifikationer på tværs af sprog og er ved at revolutionere oversættelser.

I fremtiden forventer vi, at de pågældende sprogmodelindlejringer vil blive udnyttet i vid udstrækning i avancerede modeller. Andre eksempler på vigtige tekstrepræsentationsværktøjer er ELMO, BERT og XLNET.

Computersyn

‍Etaf de mest populære områder inden for deep learning - computersyn - har også gjort store fremskridt. Uanset om det drejer sig om billeder eller video, gør nye frameworks og biblioteker computersynsopgaver nemmere. BigGAN' er er nu i stand til at lave billedsyntese med høj troværdighed og producere næsten uigenkendelige billeder ud fra rigtige fotografier. Vi har alle set Deepfake-videoer af verdensledere eller kunstværker, der er blevet levende. I fremtiden kan vi forvente at se denne teknologi blive brugt på en lang række områder, f.eks. hologrammer, undervisning og filmproduktion.

Deep minds AlphaZero er den nye, forbedrede og mere generelle version af AlphaGO og AlphaGOZero. Selv om dens forgængere var mesterspillende AI'er, lærte de stadig spillene ved at studere mennesker, der spillede. AlphaZero lærte derimod sig selv fra bunden ved at spille mod sig selv. Teknologien, der ikke er begrænset af menneskelig taktik, har udviklet nye strategier til at spille GO, skak og shogi og danner sine egne evalueringer af spillet. 

Find ud af, hvad ægte AI kan gøre for dig

Få en demonstration fra en af vores produktspecialister i dag.

Vis mig hvordan