Kunstig intelligens

I Igaidi har vi de siste to årene sett en stor økning i antall bedrifter som tar i bruk kunstig intelligens i sine FoU-prosjekter. Årsakene er flere, men et økende antall gode rammeverk, tilgang på data og relativt rimelig prosesseringskraft er blant de viktigste.

Mange bedrifter har etter hvert en svært god forståelse for hva kunstig intelligens kan brukes til, og like viktig, hvor det ikke egner seg. Likevel ser vi fremdeles en del forvirring rundt begreper som det kan være nyttig å oppklare.

Kunstig intelligens (KI/AI) er et vidt begrep som har vært i bruk siden 50-tallet. KI brukes om alle typer avansert dataintelligens, og deles i tre hovedkategorier: spesialisert (Narrow AI), generell (General AI) og superintelligent. Dette er for de fleste av mer akademisk interesse, siden både generell og superintelligent kunstig intelligens fremdeles ligger et stykke inn i fremtiden.

AlphaGo spiller Go. Bilde: New Scientist

Spesialisert kunstig intelligens er som navnet antyder KI som er spesialisert innenfor et begrenset område. Dette kan være bildegjenkjenning, sjakk eller roboter. Et kjent eksempel er da Google DeepMinds AlphaGo slo Lee Sedol i Go i 2016. På den annen side er det mange som tror at også IBMs Deep Blue, som slo Garry Kasparov i sjakk i 1996, også var basert på kunstig intelligens, noe som ikke er tilfelle. Her var det faktisk en kombinasjon av rå regnekraft og regelbasert kode som gjorde at Deep Blue kom seirende ut av sjakkpartiet.

En form for spesialisert kunstig intelligens er maskinlæring. Ofte brukes ordene maskinlæring og kunstig intelligens om hverandre, men dette er altså upresist. Prinsippet bak maskinlæring er å bruke algoritmer til å tolke og lære fra datasett for å kunne gjøre prediksjoner eller estimater om noe i den virkelige verden. Her finnes det flere undergrupper av tilnærminger, som beslutningstrær, forsterket læring og Bayesiske nett. Mange av algoritmene har eksistert i årevis uten at ordet maskinlæring ble benyttet.

En spesifikk type maskinlæring som får mye oppmerksomhet for tiden er dyp læring (deep learning). Dette er også en algoritmisk tilnærming hvor man benytter kunstige nevrale nettverk inspirert av hjernens biologi. Dyp læring krever massive datamengder for trening, men oppnår til gjengjeld svært gode resultater innenfor en del områder. Ofte kombineres ulike teknikker for å oppnå et godt resultat.  I henhold til Google, er AlphaGo et resultat av å kombinere “Monte-Carlo tree search with deep neural networks that have been trained by supervised learning, from human expert games, and by reinforcement learning from games of self-play”.

Flertallet av prosjektene vi i Igaidi hjelper kunder med å skaffe finansiering til, benytter de mer tradisjonelle maskinlæringsmetodene, men vi ser også en økning i bruken av dyp læring. Dette er noe vi forventer vil forsterkes i løpet av 2019 og 2020. Vi går spennende tider i møte!

Kilder: TechRepublic, NVIDIA, DeepMind, New Scientist